寫在DST之前

企業(yè)級SSD系統(tǒng)在日益變得復(fù)雜，有增強(qiáng)掉電保護(hù)的備電電容，有使用頻率越來越高的DRAM，有堆疊層數(shù)越來越高的NAND, NAND結(jié)構(gòu)的復(fù)雜對固件的要求也相應(yīng)的變高，如存儲單元里的數(shù)據(jù)一段時間不讀會導(dǎo)致之后可能讀不出來或者出現(xiàn)很多的bit翻轉(zhuǎn)等等。而備電電容有老化的風(fēng)險以及在不同的溫度環(huán)境下會影響電容的可靠性；DRAM使用不當(dāng)易出現(xiàn)ECC，甚至是UNC，影響盤的可靠性；NAND的上的冷數(shù)據(jù)如果不經(jīng)常性的去讀取就可能存在數(shù)據(jù)丟失的風(fēng)險。

像服務(wù)器上電自檢一樣，SSD在上電過程中也會做電容，DRAM等自檢操作。但是一般盤上電使用之后就極少會下電，所以為了能讓HOST能實時的獲取盤內(nèi)部部件的情況，NVMe協(xié)議提供了一個標(biāo)準(zhǔn)的命令Device self-test來主動觸發(fā)盤的部件檢測，可以快速的發(fā)現(xiàn)盤是哪個部件出現(xiàn)了問題，可以相應(yīng)的做出反應(yīng)，保障用戶數(shù)據(jù)的安全。

Device self-test

NVMe命令device self-test是一個管理類命令，定義了一個操作序列。具體內(nèi)容如下：

如上圖所示：每個序列都規(guī)定了相應(yīng)的操作，有些操作是針對controller層級，有些操作是NVM層級。Controller層級的主要是用于測試SSD的功能是否還正常，比如電容容值檢查，如果容值變低，則會影響SSD的掉電時間。

1、Device self-test命令在Command DW 10字段中定義了診斷的操作類型，而所有其他命令指定的字段都要保留。

如上圖所示，目前支持的操作類型有4種，

開始一個短診斷操作；

1、短診斷的完成時間不能大于2min。

2、開始一個長診斷操作；

長診斷的完成時間由Identify Controller的字段EDSTT定義，單位是分鐘。

E、開始一個廠商自定義操作;

F、中斷一個診斷操作;

2、中斷一個自檢命令的操作有:

1、Controller reset

2、NVMe Format Command

3、一個STC為F的Device self-test命令

4、一個刪除對應(yīng)的ns的操作

5、Sanitize命令

3、觸發(fā)自檢命令之后，F(xiàn)W會按照相應(yīng)的序列順序執(zhí)行，命令運(yùn)行的情況在device self-test log中顯示，這個log可通過get log page命令的LID=6來獲取。

1、Current Device Self-Test Operation 表示當(dāng)前的診斷操作類型

2、Current Device Self-Test Completion 表示當(dāng)前的診斷操作進(jìn)度

3、Self-test Result Data Structure 總共有20條記錄，記錄了歷史的自檢結(jié)果，主要關(guān)注兩個點(diǎn)：

* Device Self-test Status:這里顯示了自檢的結(jié)果，成功或者失敗。

* Segment Number:這里顯示了失敗在哪個序列操作.

DRAM Check

*由于DRAM用作用戶數(shù)據(jù)的緩存，以及存放了部分代碼和重要的數(shù)據(jù)，所以如果對這部分DRAM區(qū)域做讀寫校驗的話，會直接導(dǎo)致數(shù)據(jù)的丟失或者固件exception。

*由于DRAM在打開ECC校驗的情況下，如果出現(xiàn)未寫先讀的情況，會使得DRAM出現(xiàn)UNC.

基于以上兩點(diǎn)，對于DRAM Check，固件主要要做的事情有兩個：

1、對于無法做讀寫校驗（即只讀）的區(qū)域，F(xiàn)W需要保證該區(qū)域已經(jīng)寫過數(shù)據(jù)，所以可以直接去讀該區(qū)域。如果出現(xiàn)UNC，則固件存在bug，會危及盤的正常使用。

2、對于用作堆區(qū)域的DRAM空間，可以申請出來做讀寫校驗。除了校驗數(shù)據(jù)的正確性，還需要關(guān)注DRAM是否出現(xiàn)ECC,如若出現(xiàn)ECC,則可能會危及盤的正常使用。

Volatile Memory Backup

我們常用的數(shù)據(jù)緩存介質(zhì)DRAM是易失性存儲介質(zhì)，在設(shè)備掉電之后DRAM中的數(shù)據(jù)都會丟失。但是DRAM的數(shù)據(jù)傳輸速率高，為了性能考慮，其存在又是必須的。

1、緩存用戶數(shù)據(jù)，加速命令的執(zhí)行，減少Q(mào)OS.

2、緩存了設(shè)備的元數(shù)據(jù)，加速了元數(shù)據(jù)的修改。

所以為了解決設(shè)備掉電之后緩存數(shù)據(jù)丟失的問題，設(shè)備需要增加備電電容以供在掉電時保證緩存數(shù)據(jù)存入flash。但是電容存在一定的失效率，失效的原因可能如下：

1、電容出廠時個體的差異導(dǎo)致能承受的電壓閾值偏低；

2、隨著時間的推移，電容會存在漏液現(xiàn)象導(dǎo)致容值降低。

軟件需要在設(shè)備上電或者運(yùn)行過程中對電容進(jìn)行定時檢測，以防止電容失效或者電容容值下降不足以保證設(shè)備刷新緩存數(shù)據(jù)所需時間導(dǎo)致數(shù)據(jù)丟失，但是電容的檢測又不能太頻繁。否則一是會影響電容的使用壽命，二是如果在電容放電的過程中盤掉電了，會影響盤的掉電時間。

所以Host使用device self-test命令來檢查電容的容值是必需的，尤其是在接近盤的生命末期的時候，但是又不能太頻繁。

Metadata validation

在SSD的所有寫入數(shù)據(jù)中，存在一些頻繁更新的數(shù)據(jù)和一些很久都不會更新的數(shù)據(jù)，如果那些很久都不會更新的數(shù)據(jù)量大的話，那么也會導(dǎo)致對應(yīng)的元數(shù)據(jù)很久得不到更新。所以為了解決這個問題，在device self-test命令的元數(shù)據(jù)檢查序列里，F(xiàn)W會去對元數(shù)據(jù)做讀校驗，確認(rèn)元數(shù)據(jù)的完整性。

1、確保元數(shù)據(jù)還能從NAND讀出來，不會出現(xiàn)UNC；

2、對讀出來的數(shù)據(jù)做check，保證數(shù)據(jù)的正確性。

結(jié)尾

限于篇幅以及對協(xié)議的理解不同，各個廠商對其他的device self-test序列所做的事情存在區(qū)別，所以這里不再贅述。只介紹了對以上3個序列的個人理解。

原文標(biāo)題：日益復(fù)雜的企業(yè)級SSD系統(tǒng)，如何做Device self-test？

文章出處：【微信公眾號：大普微】歡迎添加關(guān)注！文章轉(zhuǎn)載請注明出處。

責(zé)任編輯:haq