从原位更新到异位选择：重新审视非易失性存储器中的写入干扰问题

《ACM Transactions on Storage》：From In-Place Updates to Out-of-Place Selections: Reconsidering Write Disturbance in Non-Volatile Memory

非易失性内存的写干扰问题可通过机器学习与外地更新结合解决，提出LearnWD方法，利用聚类算法分类易错数据，根据新旧数据攻击性和易错性优化写入策略，实验表明可减少19.5%的写干扰错误，缩短10.1%写入延迟并延长22.2%耐久性。

　　

摘要

非易失性存储器（NVM）为解决主存储器的扩展限制提供了新的机会，但其性能仍受到写干扰（WD）问题的制约。写干扰问题会错误地改变NVM单元的值，从而严重降低存储器的可靠性和访问性能。现有的研究主要通过在原地更新时对易受写干扰影响的数据模式进行编码来缓解这一问题，但我们发现，采用异地更新方法有可能进一步减少写干扰错误。我们提出了LearnWD算法，该方法通过将机器学习技术与异地更新相结合来缓解NVM中的写干扰问题。LearnWD首先使用聚类算法根据数据的易受干扰程度对其进行分类。在执行写操作时，LearnWD会仔细评估新数据的写入强度以及旧数据的易受干扰程度，从而推测性地减少写干扰错误。我们使用15个包含不同数据类型的真实世界数据集进行了广泛实验，结果表明LearnWD能够帮助多种数据编码方案进一步减少19.5%的写干扰错误，缩短10.1%的写延迟，并延长22.2%的写入耐久性。