SSD的可靠性可靠性量化指标MTBF

企业环境复杂多变，快速增长的业务需求使得企业在数据存储规模、存储性能和可靠性等多方面提出了越来越高的要求。SSD固态硬盘凭借极高的读写性能、极低延迟成为越来越多企业的首选解决方案，并在数据库、虚拟化、应用加速、大数据、云计算乃至人工智能等领域发挥重要作用。企业级SSD往往需要在高并发、大压力、24小时全天候运行的严苛环境下运行，其可靠性是企业级用户的重点关注之一。

可靠性指的是一个部件或系统在规定的操作条件下，在特定的时间内继续执行其预定功能的能力。对企业级SSD而言，它是非常重要的一项指标，不仅直接决定产品出货的良率、故障率等核心指标，而且对数据可用性、一致性的保护，也起着关键作用。

01

可靠性量化指标 —— MTBF

SSD的“可靠性”通常以MTBF量化衡量。MTBF全称Mean Time between Failures，平均故障间隔时间，即产品在总的使用阶段累计工作时间与故障次数的比值。它反映了产品的时间质量，产品故障越少，MTBF越高，产品可靠性也就越高。

与消费级SSD产品相比，企业级SSD在可靠性方面面临更高挑战。根据OCP（Open Compute Project）给出的建议，部署于数据中心的企业级SSD MTBF平均故障间隔时间要在2，000，000小时，也是目前企业级SSD奉行的标准。但是，MTBF是需要实际跑测验证的，不能凭空而来。按照传统方法，要完成多次200万小时的验证显然不可能。那么，这长达200万小时的平均故障间隔时间，又是如何得到的呢？

答案是基于一定样本量，在一定时间段内通过加速因子加速（如写入量加速、运行环境温度加速）进行统计推断。过程模拟典型用户场景，通过实测验证理论值，提前验收产品质量。严谨的跑测验证将直接决定MTBF“可靠性指标”是否真的可靠。

02

MTBF 的表征时期

和大部分电子产品一样，SSD同样符合浴盆曲线（失效率曲线）特性，它分为三个关键时期：

早期失效期（Infant Mortality）

产品在刚生产好并加电使用时，因良率等因素会导致其失效率较高。为保证交付到客户手上的SSD符合企业级可靠性标准，企业级SSD厂商会对所有生产线上的产品进行一定时长的老化跑测，以最大程度暴露产品可能的早期失效，保证客户拿到的产品不存在早期失效问题。

偶然失效期（Random Failures or Normal Life）

这一阶段对应正式出货产品，产品失效率较低，且较稳定。产品可靠性指标MTBF所描述的就是这个时期，即产品的稳定使用阶段。

磨损期（Wearout Phase）

该阶段因产品磨损、老化等因素，其失效率会随时间的延长而呈指数级增加。此时SSD宣称寿命已经结束，虽可继续使用，但坏块会随着PE的增加而加速上升，SSD的有效预留空间（OP）逐渐消耗殆尽，设备失效率提高。对企业级SSD而言，进入磨损期的产品已不建议继续使用。

03

MTBF = MTTF？

在MTBF之外，你可能还听过另外一个可靠性描述的词——MTTF。对于一个可维护的设备来说，MTBF = MTTF + MTTR，三者关系如下：

MTTF （Mean Time To Failure，平均失效时间）：指系统两次失效的平均时间，取所有从系统开始正常运行到发生故障之间的时间段的平均值。MTTF =∑T1/ N；

MTTR （Mean Time To Repair，平均修复时间）：指系统从发生故障到维修结束之间时间段的平均值。MTTR =∑（T2+T3）/ N；

MTBF （Mean Time Between Failure，平均无故障时间）：指系统两次故障发生之间（包括故障维修）时间段的平均值。MTBF =∑（T2+T3+T1）/ N。

因为MTTR通常远远小于MTTF，所以MTBF近似等于MTTF。

04

MTTF理论计算公式，2，000，000小时如何而来？

最简单的情况下，MTTF计算遵循如下公式：

其中：

Ai 为 SSD i 的加速因子；

ti 为 SSD i 的测试时间；

nf 为出现故障 SSD 的数量；

a 为置信度（confidence limit，60%）；

x2 为卡方分布（chi-squared distribution）。

上述等式中的加速因子通常分为3类：

未加速因子：A=1，通常用于固件故障；

TBW（Total Bytes Written）加速因子 ：通过增加数据写入强度进行寿命加速；

温度加速因子 ：通过升高测试环境温度进行故障出现加速。

TBW （Total Bytes Written） 加速因子

TBW是SSD寿命单位，以寿命为1.5 DWPD，用户容量3.84TB PBlaze6 SSD为例，其5年总的数据写入量（也就是现场部署写入量field）为10.5 PB，对应每天数据写入量为5.76 TB。如果增加每天的数据写入量（加速写入量stress），相当于加快消耗SSD寿命，可以加速故障出现。TBW加速因子计算方法如下：

假设一个用户容量为100G的SSD，其产品规格书定义SSD寿命为175TBW，典型使用场景下可使用5年（43800个小时）。其在1008小时内写入130TB的数据，写放大为1.2，则TBW加速因子为32，如果短时间内写入更多数据，则TBW加速因子也会相应提升。

温度加速因子

NAND因其固有特性，数据保持力会随着温度的升高而降低。阿伦尼乌斯公式（Arrhenius Equation）指出，在室温 40℃ 下SSD放置 1 年（8670个小时），相当于在 85℃ 的老化室中放置 52 个小时。

JESD 22-A108定义了温度随时间对SSD的影响，执行高温运行寿命（HTOL，High Temperature Operating Life）测试，可确定长时间高温条件下SSD运行的可靠性。协议规定，如果没有特殊要求，SSD需在 125 °C 的结温压力下测试。但企业级SSD一般会设计高温保护逻辑，防止温度过高造成NAND数据保持力下降和元器件的损坏，所以SSD的实际工作温度不会达到125℃。

对于温度加速因子，计算方法如下：

其中：

Ea 为失效模型的活化能 ，一般为0.7 eV；

k 为玻尔兹曼常数，8.617 x 10-5 eV/°K；

T₁ 为工作温度 （标准取值为 55°C 或者 328°K）；

T₂ 为测试加速温度。

MTTF计算示例

假设样本量为 400，测试时间为 1008 小时，加速因子Ai = A（TBW） * A（T） 为10，失败的数量为0，置信度为60%，则 MTTF = MTBF = 4，400，000小时。

注意，MTBF是和温度严格相关的。这一点在OCP Datacenter NVMe SSD Specification中也有提到：

MTBF 2，500，000小时（AFR≤0.35%），对应的SSD运行温度为0℃~50℃；

MTBF 2，000，000小时（AFR≤0.44%），对应的SSD运行温度为0℃~55℃。

但理论和现实总是有差距的。现实中产品意义上的MTBF测试，很难达到10倍的加速因子，TBW加速因子仅能用于测试NAND颗粒的寿命，实际测试中还需要考虑威廉希尔官方网站 和物理接口等硬件部分的可靠性。而这部分，只能靠温度来加速。实际操作中，MTBF=200万小时的测试，需要至少用2000片样品在加速因子作用下，跑满1000小时以上。

05

MTBF 和 AFR 又是什么关系？

除了MTBF指标，还有其他可靠性量化表征指标，如故障率λ（Failure Rate）和年化故障率AFR（Annualized Failure Rate），其中AFR和MTBF又可以相互转化。

故障率λ：SSD关键元器件选型时，需要确保每个元器件的故障率 λ 达标。相比故障率指标，MTBF的定义更加直接，也更适用于表现系统级的可靠性；

AFR：年化故障率，可以更好地了解在任何一年中发生硬盘故障的几率。

MTBF 和 AFR转化公式如下：

MTBFhours = 1/λhours

MTBFyears = 1/（λhours*24*365）

AFR = 365*24hours*λhours = 8760hours/MTBFhours

MTBF 和 AFR 的数值对应关系如下：

企业级SSD产品可靠性MTBF ≥ 2，000，000小时（@55℃），换算为年化失效率AFR ≤ 0.44%，对应FFR（Functional Failure Requirement，SSD在整个磨损寿命时间范围内累积的功能失效率，以5年保修期为参考）≤2.2%。

Memblaze全系列企业级SSD均按照2，000，000小时MTBF @55℃ /2，500，000小时MTBF@50℃为标准，满足55℃/50℃环境下7×24小时稳定不间断运行要求、40℃环境下数据至少3个月断电保持能力以及低于1E-17的UBER不可修复错误率。

06

MTBF的验证

Memblaze自研测试平台Whale系统

在数据可靠性技术领域，Memblaze自研了MemSolid 技术集，以保证企业级数据的一致性和可靠性。通过全路径数据保护、LDPC软判决解码纠错技术、元数据跨Channel备份保护、Die间动态RAID5恢复坏块数据机制，以及重读保护和过温保护等技术，实现了PBlaze可持续的数据一致性保护，保障企业关键业务数据资产始终处于安全可靠的存储环境中。

为确保出厂的SSD产品能够满足MTBF的标准，Memblaze运用十余年在固态硬盘领域的经验积累，以及对用户实际应用的理解，自主研发出MTBF测试平台 —— Whale系统。

它参照JEDEC标准打造，适用于PCIe SSD的研发（DVT）、环境应力（EST，Environmental Stress Test）、数据保持力、生产（老化，ORT，Ongoing Reliability Testing）、RDT等测试。Whale系统预置了最接近客户真实使用场景的测试案例，采用合理的加速因子对RDT阶段产品进行长时间跑测，成为产品量产前的质量保障。

根据Memblaze的出货量和实际故障率统计，PBlaze系列SSD的实际累计产品失效率（CFR，Cumulative Failure Rate）远低于标称的年化故障率。

经过十几年在SSD行业的深耕打磨，Memblaze 已经形成从芯片、软件、硬件、生产、出货等各个环节的严密设计和严格的质量管控体系，能够保证PBlaze系列企业级固态硬盘为客户提供卓越的可靠性，也极大降低了客户系统运行开销（OPEX）和总体拥有成本（TCO），而Memblaze也将继续以匠心精神，不断打磨，不负所期！

责任编辑：haq