“2025人工智能基礎(chǔ)設(shè)施峰會(huì)”會(huì)場(chǎng)

固態(tài)存儲(chǔ)已在各類(lèi)云計(jì)算、大模型場(chǎng)景廣泛部署核心存儲(chǔ)設(shè)備。

數(shù)據(jù)智能技術(shù)應(yīng)用分論壇現(xiàn)場(chǎng)

在下午召開(kāi)的數(shù)據(jù)智能技術(shù)應(yīng)用論壇上，華東師范大學(xué)教授、博士生導(dǎo)師，上海市青年科技啟明星石亮以“大規(guī)模固態(tài)存儲(chǔ)盤(pán)故障預(yù)測(cè)及部署”為題，介紹了一種智能化的故障預(yù)測(cè)方法和部署過(guò)程中的優(yōu)化技術(shù)實(shí)現(xiàn)預(yù)測(cè)準(zhǔn)確率的大幅提升的同時(shí)，實(shí)現(xiàn)性能影響最小化。

華東師范大學(xué)博士生導(dǎo)師，上海市青年科技啟明星石亮教授

以下內(nèi)容根據(jù)速記整理，未經(jīng)本人審定。

石亮教授：

尊敬的各位來(lái)賓，大家好！我是華東師范大學(xué)大數(shù)據(jù)智能系統(tǒng)實(shí)驗(yàn)室的石亮。非常榮幸能在這次人工智能基礎(chǔ)設(shè)施峰會(huì)上，與大家分享我們?cè)诖笠?guī)模固態(tài)存儲(chǔ)盤(pán)故障預(yù)測(cè)及部署優(yōu)化技術(shù)方面的研究成果。

大規(guī)模閃存存儲(chǔ)系統(tǒng)背景

在當(dāng)今數(shù)字化時(shí)代，閃存存儲(chǔ)設(shè)備已經(jīng)廣泛應(yīng)用于數(shù)據(jù)中心、消費(fèi)電子等各類(lèi)場(chǎng)景，成為現(xiàn)代存儲(chǔ)系統(tǒng)的核心組成部分。從2008年我開(kāi)始研究閃存存儲(chǔ)系統(tǒng)至今，見(jiàn)證了閃存技術(shù)的飛速發(fā)展，其發(fā)展趨勢(shì)主要體現(xiàn)在三個(gè)維度：一是從2D到3D再到4D的架構(gòu)演進(jìn)；二是堆疊層數(shù)的顯著增加，從24層提升至300層；三是每單元多比特技術(shù)的不斷成熟。這些進(jìn)步使得閃存具備了輕便、高性能、低功耗等顯著優(yōu)勢(shì)，推動(dòng)了全閃存化在數(shù)據(jù)中心等場(chǎng)景的大規(guī)模部署。

隨著閃存技術(shù)的持續(xù)演進(jìn)，SSD介質(zhì)正朝著存儲(chǔ)高密度的方向發(fā)展，加速替代傳統(tǒng)的HDD介質(zhì)。在人工智能、大數(shù)據(jù)等全場(chǎng)景中，閃存能夠提供更高效、更安全的存儲(chǔ)能力，并且使用成本也不斷降低。預(yù)計(jì)到2026年，國(guó)內(nèi)企業(yè)級(jí)固態(tài)硬盤(pán)市場(chǎng)規(guī)模將增至669億元，2022-2026年期間復(fù)合增速約為23.7%，而PCIe固態(tài)硬盤(pán)市場(chǎng)份額比例將在2026年進(jìn)一步增至89.3%。

然而，在大規(guī)模部署閃存存儲(chǔ)設(shè)備的過(guò)程中，硬件故障問(wèn)題日益凸顯。數(shù)據(jù)中心全閃陣列的年故障率可以達(dá)到約2.5%，而QLC等新型閃存設(shè)備的故障率可能更高。設(shè)備一旦出現(xiàn)故障，可能導(dǎo)致數(shù)據(jù)丟失等嚴(yán)重后果，傳統(tǒng)的多備份方案雖然可以解決數(shù)據(jù)丟失問(wèn)題，但卻帶來(lái)了高昂的開(kāi)銷(xiāo)和性能下降。因此，學(xué)術(shù)界和企業(yè)界普遍采用故障預(yù)測(cè)和恢復(fù)機(jī)制相結(jié)合的方案來(lái)應(yīng)對(duì)這一挑戰(zhàn)。

差異化的機(jī)器學(xué)習(xí)SSD故障預(yù)測(cè)研究

為了提前預(yù)知SSD故障，我們開(kāi)展了一系列基于機(jī)器學(xué)習(xí)的研究工作。整個(gè)研究過(guò)程包括數(shù)據(jù)收集、數(shù)據(jù)預(yù)處理、特征選擇和模型搭建等關(guān)鍵步驟。

（一）數(shù)據(jù)收集與預(yù)處理

我們從華為數(shù)據(jù)中心收集了超過(guò)20萬(wàn)個(gè)SSD設(shè)備的長(zhǎng)期運(yùn)行數(shù)據(jù)，時(shí)間跨度從2017年10月至2021年9月。這些數(shù)據(jù)按照NAND類(lèi)型、容量分為六類(lèi)，SMART信息則從固有屬性、錯(cuò)誤相關(guān)、工作負(fù)載、持續(xù)時(shí)間及磨損等不同角度進(jìn)行分類(lèi)。在數(shù)據(jù)預(yù)處理階段，我們對(duì)收集到的數(shù)據(jù)集進(jìn)行了清洗、歸一化等操作，以確保數(shù)據(jù)的質(zhì)量和一致性，為后續(xù)的模型訓(xùn)練奠定基礎(chǔ)。

（二）特征選擇與模型搭建

通過(guò)分析不同類(lèi)型的SSD設(shè)備，我們發(fā)現(xiàn)MLC和TLC等不同固態(tài)存儲(chǔ)設(shè)備的失效特征存在顯著差異。例如，MLC的出廠壞塊數(shù)量通常比TLC少，但其部署的應(yīng)用類(lèi)型可能導(dǎo)致其更容易出現(xiàn)故障?；谶@些觀察結(jié)果，我們提出了差異化的機(jī)器學(xué)習(xí)解決方案。該方案將SSD設(shè)備根據(jù)負(fù)載類(lèi)型、使用時(shí)間、部署時(shí)間、容量、類(lèi)型等因素進(jìn)行分類(lèi)，構(gòu)建不同的模型進(jìn)行故障預(yù)測(cè)。同時(shí)，我們引入了回溯周期和恢復(fù)周期的概念，以便更全面地捕捉設(shè)備的故障特征。

（三）實(shí)驗(yàn)結(jié)果與性能評(píng)估

實(shí)驗(yàn)結(jié)果表明，我們的差異化機(jī)器學(xué)習(xí)方案在故障預(yù)測(cè)方面取得了顯著的性能提升。以隨機(jī)森林算法為例，當(dāng)召回率達(dá)到0.91時(shí)，精確度可以保持在0.81，相比較傳統(tǒng)方法，查準(zhǔn)率提升了約0.4，查全率提升了約0.35。這一結(jié)果遠(yuǎn)超現(xiàn)有數(shù)據(jù)，達(dá)到了可以商用的目標(biāo)。

基于預(yù)測(cè)備份的RAID快速恢復(fù)技術(shù)

在故障恢復(fù)方面，傳統(tǒng)的RAID恢復(fù)機(jī)制存在占用計(jì)算資源、影響服務(wù)且速度較慢等問(wèn)題。為此，我們提出了一種基于預(yù)測(cè)備份的RAID快速恢復(fù)技術(shù)。

（一）技術(shù)原理與實(shí)現(xiàn)過(guò)程

該技術(shù)的核心思想是提前預(yù)測(cè)故障設(shè)備，并在故障發(fā)生前生成鏡像設(shè)備。具體實(shí)現(xiàn)過(guò)程如下：首先，預(yù)測(cè)算法識(shí)別出可能故障的正樣本設(shè)備；然后，預(yù)恢復(fù)機(jī)制使用備用設(shè)備與正樣本設(shè)備組成RAID1陣列，在不影響正樣本設(shè)備正常運(yùn)行的情況下進(jìn)行數(shù)據(jù)備份；在觀察期間，RAID1在上層RAID5中作為單個(gè)設(shè)備運(yùn)行，攜帶正樣本設(shè)備上的數(shù)據(jù)，等待設(shè)備故障；最后，在正樣本設(shè)備發(fā)生故障后，移除故障設(shè)備，保留鏡像設(shè)備，從而實(shí)現(xiàn)快速恢復(fù)。

（二）實(shí)驗(yàn)結(jié)果與性能優(yōu)化

實(shí)驗(yàn)結(jié)果表明，基于預(yù)測(cè)備份的RAID快速恢復(fù)技術(shù)在性能方面表現(xiàn)出色。在預(yù)恢復(fù)過(guò)程中，前臺(tái)工作負(fù)載的吞吐量下降不超過(guò)正常吞吐量的93%，而鏡像生成過(guò)程對(duì)前臺(tái)工作負(fù)載的影響也較小。相比之下，傳統(tǒng)故障后恢復(fù)機(jī)制會(huì)導(dǎo)致性能大幅下降，隨機(jī)讀吞吐量和順序讀取吞吐量分別下降到正常吞吐量的23.4%和23.9%。此外，通過(guò)調(diào)整模型參數(shù)，我們可以在不同的準(zhǔn)確率和召回率之間進(jìn)行權(quán)衡，以滿(mǎn)足實(shí)際應(yīng)用場(chǎng)景的需求。

總結(jié)與未來(lái)展望

總結(jié)而言，我們的研究工作通過(guò)差異化的多模型訓(xùn)練和基于預(yù)測(cè)備份的RAID快速恢復(fù)技術(shù)，有效解決了大規(guī)模閃存存儲(chǔ)系統(tǒng)中的故障預(yù)測(cè)和恢復(fù)問(wèn)題。在70萬(wàn)塊SSD設(shè)備的規(guī)模下，年故障率為2.23%的情況下，我們的方案能夠顯著提升故障預(yù)測(cè)的準(zhǔn)確性和召回率，并在故障恢復(fù)過(guò)程中保障系統(tǒng)的性能和服務(wù)能力。

展望未來(lái)，我們將繼續(xù)深化在大規(guī)模存儲(chǔ)系統(tǒng)故障預(yù)測(cè)與恢復(fù)領(lǐng)域的研究。一方面，我們將致力于精細(xì)化數(shù)據(jù)匯聚，從多個(gè)數(shù)據(jù)中心和供應(yīng)商收集更廣泛的數(shù)據(jù)，豐富數(shù)據(jù)集的多樣性和時(shí)間跨度；另一方面，我們將研發(fā)更先進(jìn)的模型，提升預(yù)測(cè)精度、擴(kuò)展預(yù)測(cè)時(shí)間范圍，并增強(qiáng)模型的通用性，使其適用于不同品牌和型號(hào)的SSD。此外，我們還將推動(dòng)智能化方案的實(shí)施與監(jiān)控，實(shí)現(xiàn)故障預(yù)測(cè)模型的實(shí)時(shí)監(jiān)測(cè)與預(yù)警，并通過(guò)持續(xù)收集運(yùn)行數(shù)據(jù)，不斷優(yōu)化和改進(jìn)模型，為大規(guī)模固態(tài)存儲(chǔ)系統(tǒng)的可靠性和穩(wěn)定性提供更有力的保障。

以上就是我們?cè)谶@次峰會(huì)上的分享，感謝各位的聆聽(tīng)！

xiesc

<nobr id="h4pph"></nobr>