前幾個月對近兩年Facebook和Google發表的兩篇SSD故障分析的文章進行了閱讀，並進行了整理。Google的在今年的FAST會議上發表了《Flash Reliability in Production: The Expected and the Unexpected》，在這篇文章中通過收集長達六年的數據對SSD可靠性進行了研究，並且對比了SSD與HDD之間的可靠性差別。Facebook在2015年發表了《A Large-Scale Study of Flash Memory Failures in the Field》，同樣通過大數據的方式對Flash的故障進行了長時間的分析。這些研究工作實際上都在追問SSD在企業級應用的一些問題：SSD在實際的數據中心中是否可以安全部署？爲了讓SSD在數據中心大規模部署，我們還需要做哪些工作？
在Google的研究中對UE（Uncorrectable Error）進行了深入的研究分析。大家知道NAND Flash介質是不可靠的，經常會出現錯誤，用着用着就有可能遇到位錯誤，這是常態。尤其是15nm製程以及TLC/QLC的推廣，使得NAND Flash的Bit Error問題變得更加嚴重。SSD一個重要的職責就是糾正這些Bit Error，讓不可靠的NAND Flash變成可靠的SSD存儲盤。
但是，儘管SSD內部具有強大的BCH或者LDPC編解碼單元，以及RAIN等條帶化數據保護機制，但是還是不可避免的發生UE這樣的錯誤。NAND Flash發生故障，可以通過ECC、RAIN或者Firmware等手段解決，這類錯誤被稱之爲Correctable Error，屬於Transparent Error的範疇，這類錯誤不會對應用產生影響。SSD內部機制無法解決的錯誤，那麼這類錯誤將會對業務產生影響，被稱之爲UE，屬於Non-Transparent Error範疇。對於UE故障，Google通過連續4年的數據表明，20% （20~63%）的SSD遇到會發生UE，這種UE在業務層表現爲Bad Sector；和磁盤對比，在32月的時間內，3.5%的傳統磁盤會遇到Bad Sector。這也就說明SSD在數據局部損壞方面會遠遠高於HDD，大致對比如下：
除了觀察局部損壞故障之外，用戶還會比較關注SSD的整盤損壞。Google的研究數據告訴我們，在4年的時間內，SSD的整盤更換率爲4~10%，而傳統機械磁盤的年更換率爲2~9%。從這點上來看SSD的整盤故障更換率要比HDD低很多。這也表現爲一旦SSD上線之後，比磁盤要具備更低的更換率，可以大大簡化系統運維。
對於具體的錯誤類型，從上圖我們可以看出，在Non-Transparent Error這塊，絕大部分錯誤都是Uncorrectable Error，也就是讀操作時發現bad sector，導致數據丟失。並且在大規模部署的情況下，這種錯誤導致的影響還是非常嚴重的。
除了分析SSD盤對外表現出來的局部以及整體故障之外，Google還對SSD數據可靠性因素進行了分析，影響SSD數據可靠性的因素大致有如下幾點：
1， SSD磨損（Wear Out）
2， SSD技術類型（MLC、TLC）
3， 製造工藝
4， 使用時間（Age）
5， 溫度
比較有意思的是，SSD的數據可靠性與使用時間相關，而不僅是使用壽命。如果一塊盤在沒有使用的情況下長時間存放，那麼該盤的數據故障率要比一塊新盤高。如下圖所示：
對於一個全新的舊盤，由於長時間存放之後，SSD內部NAND Flash所產生的出錯位數明顯增加。這也說明SSD的數據可靠性與時間相關。此外，不同的製造工藝對SSD的數據可靠性也會產生重要影響，下圖對比了不同NAND類型以及不同製造工藝情況下的數據可靠性：
總體來講，從Google的統計數據我們可以發現SSD的故障模型和HDD相比發生了重要變化。SSD在整盤故障方面要優於HDD；但是在局部故障方面，SSD明顯故障率要高於HDD。因此，在大規模部署SSD的情況下，上層的應用軟件還是需要考慮SSD存儲的容錯機制，防止數據在SSD中丟失。由於SSD故障模型的變化，上層軟件的容錯機制也需要做出調整，適應SSD大量局部故障的問題。