一种基于拓扑排序的储存芯片老化预测方法及装置与流程

本发明涉及储存芯片，尤其涉及一种基于拓扑排序的储存芯片老化预测方法及装置。

背景技术：

1、在现代计算机系统中，储存芯片作为核心组件，性能和可靠性直接关系到系统的整体稳定性和寿命，随着电子设备的不断普及和应用领域的广泛拓展，储存芯片的工作环境和负载条件也变得更加复杂和多变，导致芯片的老化问题日益突出，储存芯片的老化通常表现为数据存储稳定性下降、读写速度减慢、功耗增加，而这些现象的最终结果可能会导致系统崩溃、数据丢失严重问题，因此，如何准确预测储存芯片的老化趋势并及时采取相应的预防措施，已成为电子设备制造商和用户普遍关注的焦点。

2、在现有技术中，储存芯片的老化预测方法主要集中在单一参数或单一模块的分析上，通常采用温度、电压、频率指标作为老化评估的主要依据，然而，这种方法存在明显的局限性，因为储存芯片内部的各个模块并非独立工作，而是通过复杂的依赖关系相互作用，传统的老化预测方法未能充分考虑到模块之间的依赖关系，因此容易导致对系统整体老化趋势的误判或遗漏关键的老化问题，当某个关键模块出现老化时，可能会导致其他依赖该模块的子系统或模块发生连锁反应，而传统方法往往无法有效捕捉和分析这种连锁效应。

3、此外，现有技术中的储存芯片老化预测大多是基于静态数据或历史数据进行分析，而缺乏对实时运行数据的有效监控和动态调整，由于储存芯片的老化是一个受多种因素影响的动态过程，实时获取并分析运行数据对于准确预测芯片的老化趋势至关重要，然而，传统的老化预测方法往往缺乏实时性，无法及时反映储存芯片在实际工作条件下的健康状况，导致预测结果滞后于实际老化进程，从而无法提供及时的预警和有效的决策支持。

4、现有技术还存在另一个显著的缺陷，即在处理复杂的储存芯片架构时，未能充分利用现代算法技术来优化预测模型，储存芯片内部各模块之间的依赖关系构成了一个复杂的系统，如何有效识别并排序依赖关系对于提高老化预测的准确性至关重要，传统的预测模型通常采用简单的统计或回归分析方法，无法处理这种复杂的依赖关系，因而难以在复杂系统中实现精确的老化预测。

5、总之，现有的储存芯片老化预测技术在多个方面存在不足，包括未能全面考虑模块之间的依赖关系、缺乏对实时运行数据的动态分析、以及在处理复杂芯片架构时的算法不足，不仅限制了预测的准确性，还可能导致系统维护和管理的滞后，从而增加了系统故障和数据丢失的风险，所以亟需一种能够全面分析芯片内部依赖关系、结合实时数据进行动态预测、并利用先进算法优化预测模型的技术，以解决现有技术中的缺陷并提高储存芯片老化预测的准确性和可靠性。

技术实现思路

1、本发明的一个目的在于提出一种基于拓扑排序的储存芯片老化预测方法及装置，本发明能够动态调整预测结果，确保老化趋势预测与实际运行情况的同步。

2、根据本发明实施例的一种基于拓扑排序的储存芯片老化预测方法，包括如下步骤：

3、s1、获取储存芯片中各个模块的温度数据、电压数据、工作频率数据和负载数据，构建运行参数集；

4、s2、基于运行参数集建立储存芯片内部各模块之间的依赖关系图，依赖关系图为有向无环图，其中依赖关系图的节点表示各个模块，边表示模块之间的依赖关系；

5、s3、应用拓扑排序对依赖关系图进行排序，生成模块的执行序列，执行序列反映各模块之间的优先级和依赖顺序；

6、s4、对运行参数集进行数据预处理和特征提取，生成特征数据集，特征数据集包括各模块的历史老化模式、当前状态及其相互影响；

7、s5、构建双层生成对抗网络模型：

8、第一生成器，基于输入的特征数据集生成模块老化路径，模块老化路径在生成过程中参考模块的执行序列，以确保生成路径与模块依赖关系的匹配；

9、第一判别器，评估由第一生成器生成的模块老化路径的真实性，并对第一生成器进行反馈优化；

10、第二生成器，基于第一生成器生成的模块老化路径和执行序列，生成整体储存芯片的老化趋势预测，执行序列用于指导第二生成器识别和优先处理对整体老化趋势有重大影响的关键模块；

11、第二判别器，评估由第二生成器生成的老化趋势预测的可靠性，并对第二生成器进行反馈优化；

12、s6、将训练好的双层生成对抗网络模型应用于实时获取的运行参数集，结合执行序列和拓扑排序结果，预测储存芯片整体的老化趋势，并生成失效时间估计；

13、s7、在老化趋势达到预设阈值时，触发预警机制，包括提示用户进行预防性维护或数据备份的指令。

14、可选的，所述s1包括：

15、s11、通过集成在储存芯片内的传感器，实时采集各个模块的温度数据ti(t)、电压数据vi(t)、工作频率数据fi(t)和负载数据li(t)，其中，i表示储存芯片中第i个模块，t表示时间；

16、s12、对采集到的各模块的温度数据ti(t)、电压数据vi(t)、工作频率数据fi(t)和负载数据li(t)进行归一化处理，得到归一化后的温度数据(电压数据工作频率数据和负载数据

17、s13、将归一化处理后的温度数据(电压数据工作频率数据和负载数据按照时间序列存储，构建包含储存芯片所有模块的运行参数集p(t)：

18、

19、其中，n为储存芯片中的模块数量。

20、可选的，所述s2包括：

21、s21、基于运行参数集p(t)中的各模块数据，分析各模块之间的相互依赖关系，确定模块间的依赖性权重wij(t)：

22、

23、其中，α、β、γ和λ为权重系数；∈为避免除零情况的极小值常数，σl为负载差异的标准差；sij表示模块i和模块j之间的结构相似度；

24、s22、根据依赖性权重wij(t)，构建多层次依赖关系图gk(vk,ek)，多层次依赖关系图为有向无环图：

25、

26、其中，dij表示模块i和模块j之间的物理距离或通信延迟，通过最小化依赖关系图中总权重的对数值，确定每个层次的依赖关系图结构gk(vk,ek)；

27、s23、多层次依赖关系图包括至少两个层次，每个层次的节点和边通过以下公式关联：

28、

29、其中，φij表示模块i在层次k和模块j在层次k+1之间的连接强度。

30、可选的，所述s3包括：

31、s31、对多层次依赖关系图gk(vk,ek)应用拓扑排序算法，确定各层次依赖关系图中的节点顺序，生成初步模块排序序列{vi1,vi2,…,vim}，其中，vij表示在层次k中第j个模块，m为层次k中的节点数量；

32、s32、在初步模块排序序列的基础上，根据依赖性权重wij(t)和物理距离或通信延迟dij，对初步模块排序序列顺序进行优化调整，形成最终模块的执行序列vi1',vi2',,vim'}，优化准则为最小化全局依赖延迟，即：

33、

34、其中，δ(vij'→vil')为指示函数，当模块vij'在模块vil'之前执行时，δ取值为1，否则为0。

35、可选的，所述s4包括：

36、s41、对运行参数集p(t)进行数据清洗和归一化处理，去除异常数据点和噪声数据，得到清洗后的运行参数集pc(t)；

37、s42、基于清洗后的运行参数集pc(t)，提取各模块的历史老化模式hi(t)，包括温度老化模式电压老化模式工作频率老化模式和负载老化模式

38、

39、其中，表示模块i在时间点τ的归一化运行参数，αx为对应参数的权重系数，用于衡量不同参数对老化的影响程度，βx为历史衰减系数，用于控制较早数据对当前老化模式的影响强度，表示在时间t时刻，由某一特定运行参数xi形成的模块i的历史老化模式；

40、s43、通过分析历史老化模式hi(t)和当前状态计算各模块的老化趋势和状态评分si(t)：

41、

42、其中，wx为不同老化模式的权重，用于反映每个老化模式在模块老化趋势中的重要性，∈为避免除零的极小值常数；

43、s44、结合模块间的相互影响关系，利用依赖性权重wij(t)对状态评分进行修正，生成特征数据集f(t)：

44、

45、可选的，所述s5包括：

46、s51、构建双层生成对抗网络模型，其中包括第一生成器、第一判别器、第二生成器和第二判别器，各生成器和判别器的输入和输出分别用于生成模块老化路径和整体老化趋势预测，并进行真实性与可靠性的评估和优化；

47、s52、第一生成器g1，输入为特征数据集和模块执行序列，生成模块的老化路径pi(t)，生成过程中综合模块间的依赖关系：

48、

49、其中，ti(t)为目标老化路径，ldep(pi(t),wij(t))为依赖关系损失函数，反映模块依赖关系的匹配度，λ1为控制依赖关系损失影响的系数；

50、s53、第一判别器d1，输入为第一生成器g1生成的模块老化路径pi(t)与真实的老化路径ti(t)，通过二分类任务判断生成路径的真实性，并生成损失函数：

51、

52、s54、第二生成器g2，输入为第一生成器g1生成的模块老化路径pi(t)和执行序列，生成整体储存芯片的老化趋势预测生成过程中识别并优先处理对整体老化趋势有重大影响的关键模块：

53、

54、其中，treal(t)为目标整体老化趋势，为关键模块影响损失函数，反映关键模块对整体老化趋势的影响度，λ2为控制关键模块损失影响的系数；

55、s55、第二判别器d2，输入为第二生成器g2生成的整体老化趋势预测与真实的老化趋势treal(t)，通过二分类任务判断生成趋势的可靠性，并生成损失函数：

56、

57、s56、通过反复迭代训练第一生成器g1、第一判别器d1、第二生成器g2和第二判别器d2，直到生成的模块老化路径pi(t)和整体老化趋势预测均达到预定的要求。

58、可选的，所述s6包括：

59、s61、将经过训练的双层生成对抗网络模型中的第一生成器g1和第二生成器g2部署至实时预测系统中，实时获取并输入当前的运行参数集pr(t)和当前执行序列vr1,vr2,…,vrm至第一生成器g1；

60、s62、由第一生成器g1基于实时输入的特征数据集fr(t)生成当前模块老化路径pr,i(t)：

61、pr,i(t)＝g1(fr(t),{vr1,vr2,…,vrm},θ1)；

62、其中，θ1为第一生成器的参数集，实时输入的特征数据集fr(t)包括当前的历史老化模式和状态评分；

63、s63、将生成的当前模块老化路径pr,i(t)和当前执行序列vr1,vr2,…,vrm输入第二生成器g2，生成当前储存芯片整体的老化趋势预测tr,chip(t)：

64、tr,chip(t)＝g2(pr,i(t),{vr1,vr2,…,vrm},θ2)；

65、其中，θ2为第二生成器的参数集，生成的老化趋势预测反映了储存芯片在当前状态下的整体老化进程；

66、s64、根据老化趋势预测tr,chip(t)生成储存芯片的失效时间估计efail：

67、

68、其中，tthreshold为预设的老化阈值，为当前老化趋势的变化率，失效时间估计efail表示储存芯片在维持当前老化趋势下达到失效阈值的预估时间点。

69、一种基于拓扑排序的储存芯片老化预测装置，包括：

70、数据采集模块，用于实时采集储存芯片中各模块的运行参数集，包括温度数据、电压数据、工作频率数据和负载数据，并将数据传输至数据处理模块；

71、数据处理模块，用于接收并处理由数据采集模块提供的运行参数集，执行数据清洗、归一化处理以及特征提取，生成清洗后的运行参数集和特征数据集，并传输至预测模块；

72、依赖关系分析模块，用于基于生成的运行参数集，构建储存芯片内部各模块之间的依赖关系图，并应用拓扑排序算法生成模块执行序列，确定各模块之间的优先级和依赖顺序；

73、预测模块，集成双层生成对抗网络模型，包含第一生成器和第二生成器，用于根据特征数据集和模块执行序列生成模块老化路径及储存芯片整体的老化趋势预测，并预测生成失效时间估计；

74、预警模块，用于在老化趋势预测达到预设的老化阈值时，触发预警机制，提醒用户进行预防性维护或数据备份。

75、本发明的有益效果是：

76、(1)本发明利用拓扑排序算法有效解决了储存芯片内部各模块之间复杂的依赖关系分析问题，通过建立多层次依赖关系图，并在此基础上进行拓扑排序，能够准确识别并排序芯片内部的关键模块，关键模块的老化往往会对整个系统产生重大影响，传统方法未能充分考虑到这种依赖关系，本发明通过拓扑排序，能够确保预测模型准确反映模块间的优先级和依赖性，从而显著提高了老化预测的精度，对于预防系统性故障和延长芯片寿命具有重要意义。

77、(2)本发明集成了双层生成对抗网络模型，通过构建两层生成器和判别器，实现了对储存芯片老化路径和整体老化趋势的高效预测，第一生成器基于输入的特征数据集生成模块老化路径，并通过第一判别器的反馈进行优化，确保生成的老化路径与模块的实际依赖关系高度匹配，第二生成器则利用第一生成器生成的老化路径，结合拓扑排序得到的模块执行序列，生成整体储存芯片的老化趋势预测，双层网络结构不仅能够更精确地捕捉到个别模块的老化模式，还能有效地反映整个芯片的老化进程。

78、(3)本发明在算法设计上特别强调了实时性，通过实时获取储存芯片的运行参数并将其输入至训练好的双层生成对抗网络模型，能够动态调整预测结果，确保老化趋势预测与实际运行情况的同步，大大提高了储存芯片的健康监控效果，使得系统能够在早期阶段识别出潜在的失效风险并及时触发预警机制，传统方法通常依赖于静态数据，难以应对实际操作中出现的动态变化，而本发明实时数据集成与分析机制有效克服了这一局限。

技术特征：

1.一种基于拓扑排序的储存芯片老化预测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种基于拓扑排序的储存芯片老化预测方法，其特征在于，所述s1包括：

3.根据权利要求1所述的一种基于拓扑排序的储存芯片老化预测方法，其特征在于，所述s2包括：

4.根据权利要求1所述的一种基于拓扑排序的储存芯片老化预测方法，其特征在于，所述s3包括：

5.根据权利要求1所述的一种基于拓扑排序的储存芯片老化预测方法，其特征在于，所述s4包括：

6.根据权利要求1所述的一种基于拓扑排序的储存芯片老化预测方法，其特征在于，所述s5包括：

7.根据权利要求1所述的一种基于拓扑排序的储存芯片老化预测方法，其特征在于，所述s6包括：

8.一种基于拓扑排序的储存芯片老化预测装置，其特征在于，包括：

技术总结
本发明公开了一种基于拓扑排序的储存芯片老化预测方法及装置，S1、构建运行参数集；S2、基于运行参数集建立储存芯片内部各模块之间的依赖关系图；S3、应用拓扑排序对依赖关系图进行排序，生成模块的执行序列；S4、对运行参数集进行数据预处理和特征提取，生成特征数据集；S5、构建双层生成对抗网络模型；S6、将训练好的双层生成对抗网络模型应用于实时获取的运行参数集，结合执行序列和拓扑排序结果，预测储存芯片整体的老化趋势，并生成失效时间估计；S7、在老化趋势达到预设阈值时，触发预警机制，包括提示用户进行预防性维护或数据备份的指令。本发明能够动态调整预测结果，确保老化趋势预测与实际运行情况的同步。

技术研发人员：朱小炜,马彥涵,李伟,钱后龙,包暘,康玲玲,倪哲明,马春宇,龚梅芝
受保护的技术使用者：上海集成电路技术与产业促进中心
技术研发日：
技术公布日：2024/12/5