一种用于安全评估NAND闪存健康状况及SSD数据恢复可行性的混合机器学习方法
《Symmetry》:A Hybrid Machine Learning Method for Secure Assessment of NAND Flash Health and SSD Data Recovery Feasibility
【字体:
大
中
小
】
时间:2026年07月03日
来源:Symmetry 2.2
摘要
基于NAND闪存的固态硬盘在计算机中越来越常见,但它们给法医数据恢复带来了难题。与硬盘驱动器不同,固态硬盘通过控制器逻辑、闪存转换层、错误校正、磨损均衡、TRIM功能、垃圾收集以及加密技术来影响数据被写入或擦除后的可恢复性。在本文中,我们提出了一种基于机器学习的方法,用于评估NAND固态硬盘的健康状况及其数据可恢复性。该方法包括对智能传感器数据(SMART和NVMe)的分析、对NAND及控制器健康状态的解读,以及运用隔离森林机器学习算法进行异常检测。该任务被构建为一个考虑不对称性的单类学习问题,其中健康固态硬盘的智能传感器数据代表参考状态,而NAND闪存老化、控制器不稳定、TRIM功能的影响以及加密相关限制则被视为偏离该状态的异常因素。所提出的方法利用了各类智能传感器数据,如温度、磨损程度、备用块数量、介质和数据完整性错误、错误日志、非正常关机情况以及设备运行时间等。研究表明,数据恢复的可能性取决于NAND闪存及控制器的健康状况、TRIM功能、加密设置以及其他异常因素,而不一定仅由某一项智能传感器指标决定。该方法能够提供具有解释性的、以数据恢复为目标的评估结果,并将固态硬盘状况分为可恢复、部分可恢复和不可恢复三类。模型训练使用了包含56,482条SATA固态硬盘记录和82,665条NVMe固态硬盘记录的健康硬盘数据集,共计139,147个健康硬盘样本。此外,还为每种类型的固态硬盘生成了20,000个合成训练样本,以便进行可控的模型训练。该平台通过30种固态硬盘恢复场景进行了测试,包括数据可恢复、部分可恢复和无法恢复的情况。测试结果表明,所提出的方法能够区分健康、警告和异常状态的固态硬盘,并根据NAND闪存健康状况、控制器稳定性、TRIM功能状态以及加密限制等因素给出恢复建议。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号