数据处理方法、装置和计算机闪存设备

技术领域

本公开涉及计算机闪存领域，且更为具体地，涉及一种数据处理方法、装置和计算机闪存设备。

背景技术

固态硬盘是用固态电子存储芯片阵列而制成的硬盘，相比传统机械硬盘具有性能强、体积小、无噪音等优点，被广泛应用于军事、车载、工控、视频监控、网络监控、网络中断等诸多领域。目前固态硬盘的寿命往往由于闪存磨损导致误码率提高，进而出现读取干扰。

在发送由于读取干扰导致误差过限或校验错误之前，搬移有效数据，从而避免性能下降、数据丢失。而在现有技术中，通过设定一个固定的阈值，当某个超级区块的读取干扰达到这个阈值时，就触发搬移数据的操作。但是由于计算机闪存设备在寿命后期，会越来越不稳定，如果用一个固定的阈值来判断是否需要处理读取干扰，则无法准确地搬移数据，导致性能下降甚至丢失数据。因此，期待一种解决方案。

发明内容

有鉴于此，本公开提出了一种数据处理方法、装置和计算机闪存设备，其可以通过监测计算机闪存设备的健康状态和读取干扰程度，来动态地确定阈值，进而更准确地判断何时需要进行数据迁移，避免性能下降和数据丢失。

根据本公开的一方面，提供了一种数据处理装置，其应用于计算机闪存设备，所述数据处理装置，包括：

数据采集模块，用于获取预定时间段内多个预定时间点的计算机闪存设备的坏块数量和所述多个预定时间点的所述计算机闪存设备的读取干扰错误率；

数据预处理模块，用于对所述多个预定时间点的所述计算机闪存设备的坏块数量和所述多个预定时间点的所述计算机闪存设备的读取干扰错误率进行数据预处理以得到上采样坏块时序输入向量和上采样读取干扰错误率时序输入向量；

时序关联特征提取模块，用于提取所述上采样坏块时序输入向量和所述上采样读取干扰错误率时序输入向量之间的时序关联特征以得到感知增强坏块-读取干扰参数关联矩阵；以及

动态阈值确定模块，用于基于所述感知增强坏块-读取干扰参数关联矩阵，确定动态阈值。

根据本公开的另一方面，提供了一种数据处理方法，包括：

获取预定时间段内多个预定时间点的计算机闪存设备的坏块数量和所述多个预定时间点的所述计算机闪存设备的读取干扰错误率；

对所述多个预定时间点的所述计算机闪存设备的坏块数量和所述多个预定时间点的所述计算机闪存设备的读取干扰错误率进行数据预处理以得到上采样坏块时序输入向量和上采样读取干扰错误率时序输入向量；

提取所述上采样坏块时序输入向量和所述上采样读取干扰错误率时序输入向量之间的时序关联特征以得到感知增强坏块-读取干扰参数关联矩阵；以及

基于所述感知增强坏块-读取干扰参数关联矩阵，确定动态阈值。

根据本公开的再一方面，提供了一种计算机闪存设备，其中，所述计算机闪存设备包括如前所述的数据处理装置，所述计算机闪存设备通过所述数据处理装置确定动态阈值。

根据本公开的实施例，其首先获取预定时间段内多个预定时间点的计算机闪存设备的坏块数量和所述多个预定时间点的所述计算机闪存设备的读取干扰错误率，接着，对所述多个预定时间点的所述计算机闪存设备的坏块数量和所述多个预定时间点的所述计算机闪存设备的读取干扰错误率进行数据预处理以得到上采样坏块时序输入向量和上采样读取干扰错误率时序输入向量，然后，提取所述上采样坏块时序输入向量和所述上采样读取干扰错误率时序输入向量之间的时序关联特征以得到感知增强坏块-读取干扰参数关联矩阵，最后，基于所述感知增强坏块-读取干扰参数关联矩阵，确定动态阈值。这样，可以避免性能下降和数据丢失。

根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

附图说明

包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。

图1示出根据本公开的实施例的数据处理装置的框图。

图2示出根据本公开的实施例的数据处理装置中所述数据预处理模块的框图。

图3示出根据本公开的实施例的数据处理装置中所述时序关联特征提取模块的框图。

图4示出根据本公开的实施例的数据处理装置中所述关联特征提取单元的框图。

图5示出根据本公开的实施例的数据处理装置中所述动态阈值确定模块的框图。

图6示出根据本公开的实施例的数据处理方法的流程图。

图7示出根据本公开的实施例的数据处理方法的架构示意图。

图8示出根据本公开的实施例的数据处理装置的应用场景图。

具体实施方式

下面将结合附图对本公开实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本公开的部分实施例，而不是全部的实施例。基于本公开实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，也属于本公开保护的范围。

如本公开和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

针对上述技术问题，本公开的技术构思是通过监测计算机闪存设备的健康状态和读取干扰程度，来动态地确定阈值，进而更准确地判断何时需要进行数据迁移，避免性能下降和数据丢失。更具体地，监测闪存设备中的坏块数量(无法正常擦写或读取的坏块)，以评估设备的健康状况；监测设备的读取干扰错误率(读取干扰是由于相邻闪存单元的读取操作对当前单元产生影响而导致的误码)，以评估设备的读取干扰程度。

基于此，图1示出根据本公开的实施例的数据处理装置的框图示意图。如图1所示，根据本公开实施例的数据处理装置100，包括：数据采集模块110，用于获取预定时间段内多个预定时间点的计算机闪存设备的坏块数量和所述多个预定时间点的所述计算机闪存设备的读取干扰错误率；数据预处理模块120，用于对所述多个预定时间点的所述计算机闪存设备的坏块数量和所述多个预定时间点的所述计算机闪存设备的读取干扰错误率进行数据预处理以得到上采样坏块时序输入向量和上采样读取干扰错误率时序输入向量；时序关联特征提取模块130，用于提取所述上采样坏块时序输入向量和所述上采样读取干扰错误率时序输入向量之间的时序关联特征以得到感知增强坏块-读取干扰参数关联矩阵；以及，动态阈值确定模块140，用于基于所述感知增强坏块-读取干扰参数关联矩阵，确定动态阈值。

相应地，在本公开的技术方案中，首先，获取预定时间段内多个预定时间点的闪存设备的坏块数量和所述多个预定时间点的所述闪存设备的读取干扰错误率。接着，对所述多个预定时间点的所述计算机闪存设备的坏块数量和所述多个预定时间点的所述计算机闪存设备的读取干扰错误率进行数据预处理以得到上采样坏块时序输入向量和上采样读取干扰错误率时序输入向量。也就是，对时序离散数据进行结构化处理，以转化为便于计算机读取与识别的向量表示。

在本公开的一个具体示例中，对所述多个预定时间点的所述计算机闪存设备的坏块数量和所述多个预定时间点的所述计算机闪存设备的读取干扰错误率进行数据预处理以得到上采样坏块时序输入向量和上采样读取干扰错误率时序输入向量的编码过程，包括：先将所述多个预定时间点的所述闪存设备的坏块数量和所述多个预定时间点的所述闪存设备的读取干扰错误率按照时间维度排列为坏块时序输入向量和读取干扰错误率时序输入向量；随后，对所述坏块时序输入向量和所述读取干扰错误率时序输入向量进行上采样处理以得到上采样坏块时序输入向量和上采样读取干扰错误率时序输入向量。

相应地，如图2所示，所述数据预处理模块120，包括：向量化单元121，用于将所述多个预定时间点的所述计算机闪存设备的坏块数量和所述多个预定时间点的所述计算机闪存设备的读取干扰错误率按照时间维度排列为坏块时序输入向量和读取干扰错误率时序输入向量；以及，上采样单元122，用于对所述坏块时序输入向量和所述读取干扰错误率时序输入向量进行上采样处理以得到所述上采样坏块时序输入向量和所述上采样读取干扰错误率时序输入向量。应可以理解，数据预处理模块120包括向量化单元121和上采样单元122两个单元。向量化单元121的功能是将多个预定时间点的计算机闪存设备的坏块数量和读取干扰错误率按照时间维度排列为坏块时序输入向量和读取干扰错误率时序输入向量。这意味着该单元将时间序列数据转换为向量形式，以便后续处理和分析。例如，如果有10个时间点的坏块数量数据和读取干扰错误率数据，向量化单元将这些数据转换为两个向量，其中一个向量表示坏块时序输入，另一个向量表示读取干扰错误率时序输入。上采样单元122的功能是对坏块时序输入向量和读取干扰错误率时序输入向量进行上采样处理，以得到上采样坏块时序输入向量和上采样读取干扰错误率时序输入向量。上采样是一种信号处理技术，它可以增加数据的采样率或时间分辨率，在这种情况下，上采样单元可能会对输入向量进行插值或重复采样，以增加数据点的数量或提高时间分辨率，这样做的目的是为了更精细地表示时间序列数据，以便后续的分析和建模。换言之，向量化单元用于将时间序列数据转换为向量形式，而上采样单元用于增加数据点的数量或提高时间分辨率，以便更好地处理和分析数据。这些预处理步骤可以帮助提取有用的特征并准备数据用于后续的机器学习或其他分析任务。

值得一提的是，上采样处理是一种信号处理技术，用于增加数据的采样率或时间分辨率。在时间序列数据分析中，上采样可以通过插值或重复采样来增加数据点的数量或提高时间分辨率。以下是上采样处理的一些用途和好处：1.增加数据点数量：上采样可以通过插值或重复采样来增加数据点的数量，这对于某些任务可能很有用，例如在机器学习中，更多的数据点可以提供更多的样本用于模型训练，有助于提高模型的准确性和泛化能力。2.提高时间分辨率：上采样可以提高时间分辨率，即在时间轴上更细致地表示数据点，这对于需要更精细的时间分析的任务很有用，例如信号处理、音频处理或视频处理等领域。3.平滑数据：在上采样过程中，可以使用插值方法对数据进行平滑处理，以减少噪音或不必要的波动，这可以提高数据的质量和可读性，并有助于更好地理解数据的趋势和模式。4.辅助特征提取：上采样可以提供更多的数据点，从而增加了特征提取的机会，在某些情况下，特征提取算法可能需要更多的数据点才能准确地捕捉到数据中的有用特征。上采样可以提供这些额外的数据点，有助于提高特征提取的效果。总的来说，上采样处理可以增加数据的数量、提高时间分辨率、平滑数据以及辅助特征提取，这些都有助于更好地分析和理解时间序列数据，并在后续的任务中获得更好的结果。

考虑到随着固态硬盘使用时间的增加和闪存芯片的磨损，会逐渐产生坏块。同时，固态硬盘的读取干扰错误率也与使用时间和磨损程度相关。闪存芯片在使用过程中，由于擦除和写入操作的频繁进行，会产生读取干扰，导致读取操作时出现误码。随着芯片的磨损增加，读取干扰错误率可能会逐渐升高。也就是说，坏块数量和计算机闪存设备的读取干扰错误率在时间维度上会呈现一定的隐含特征和动态变化。此外，单独观察坏块数量或读取干扰错误率可能无法全面反映闪存设备的状况。闪存设备的坏块数量增加可能表示芯片磨损加剧，但并不能确定读取干扰错误率的具体影响程度。同样，读取干扰错误率的增加可能提示芯片的磨损，但并不能准确判断坏块数量的变化情况。

因而，在本公开的技术方案中，提取所述上采样坏块时序输入向量和所述上采样读取干扰错误率时序输入向量之间的时序关联特征以得到感知增强坏块-读取干扰参数关联矩阵。也就是，综合利用坏块数量与读取干扰错误率之间的时序关联与协同关系，来表征固态硬盘的健康状况。

在本公开的一个具体示例中，提取所述上采样坏块时序输入向量和所述上采样读取干扰错误率时序输入向量之间的时序关联特征以得到感知增强坏块-读取干扰参数关联矩阵的编码过程，包括：先将所述上采样坏块时序输入向量和所述上采样读取干扰错误率时序输入向量通过基于一维卷积神经网络块模型的设备参数时序特征提取器以得到坏块时序特征向量和读取干扰时序特征向量；然后，计算所述坏块时序特征向量和所述读取干扰时序特征向量之间的坏块-读取干扰参数关联矩阵；再将所述坏块-读取干扰参数关联矩阵通过十字交叉注意力模块以得到感知增强坏块-读取干扰参数关联矩阵。

相应地，如图3所示，所述时序关联特征提取模块130，包括：时序分析单元131，用于对所述上采样坏块时序输入向量和所述上采样读取干扰错误率时序输入向量进行时序分析以得到坏块时序特征向量和读取干扰时序特征向量；以及，关联特征提取单元132，用于提取所述坏块时序特征向量和所述读取干扰时序特征向量之间的关联特征以得到所述感知增强坏块-读取干扰参数关联矩阵。值得一提的是，时序关联特征提取模块130包括时序分析单元131和关联特征提取单元132两个单元。时序分析单元131的功能是对上采样坏块时序输入向量和上采样读取干扰错误率时序输入向量进行时序分析，以得到坏块时序特征向量和读取干扰时序特征向量，这意味着该单元会对输入的时序数据进行分析和处理，提取出与时间相关的特征，例如，它可以计算统计指标(如均值、方差)、频域特征(如频谱能量)或时域特征(如自相关函数)等，以获得反映时间序列模式和变化的特征向量。关联特征提取单元132的功能是提取坏块时序特征向量和读取干扰时序特征向量之间的关联特征，以得到感知增强坏块-读取干扰参数关联矩阵，这意味着该单元会分析两个特征向量之间的关系，并提取出它们之间的相关性或相互作用，这可以通过各种方法实现，如相关系数计算、主成分分析、互信息等。关联特征提取单元的目标是捕捉到坏块和读取干扰之间的关联性，从而提供有关它们之间相互影响的信息。换言之，时序分析单元用于对上采样的时序输入向量进行分析，提取与时间相关的特征向量，关联特征提取单元则进一步分析这些特征向量之间的关联性，提取它们之间的相关特征，以生成感知增强坏块-读取干扰参数关联矩阵。这些步骤有助于从时序数据中提取有用的特征，并捕捉到坏块和读取干扰之间的关联关系，为后续的分析和建模提供更丰富的信息。

更具体地，所述时序分析单元131，用于：将所述上采样坏块时序输入向量和所述上采样读取干扰错误率时序输入向量通过基于一维卷积神经网络块模型的设备参数时序特征提取器以得到所述坏块时序特征向量和所述读取干扰时序特征向量。值得一提的是，一维卷积神经网络块模型是一种用于处理时序数据的神经网络结构，它在一维数据上应用卷积操作，通过学习卷积核的权重来提取时序数据中的特征。这种模型通常由多个卷积层、池化层和激活函数组成，可以有效地捕捉到时序数据中的局部和全局模式。一维卷积神经网络块模型通过卷积操作可以有效地提取时序数据中的特征，卷积核可以捕捉到不同时间尺度上的模式，从而帮助识别数据中的重要特征，通过训练网络，模型可以自动学习到适合特定任务的特征表示。一维卷积神经网络块模型在卷积操作中考虑了局部关联性，即每个输出特征点仅与输入序列中的局部窗口相关，这使得模型能够更好地捕捉到时序数据中的局部模式和变化。一维卷积神经网络块模型中的卷积核在整个输入序列上共享参数，这样可以大大减少模型的参数量，提高模型的训练效率和泛化能力。一维卷积神经网络块模型具有平移不变性，即对于输入序列的平移操作，模型的输出保持不变，这对于时序数据中的平移不变性任务很有用，如语音识别中的语音音素识别。即，一维卷积神经网络块模型是一种适用于时序数据的神经网络结构，具有特征提取能力、局部关联性、参数共享和平移不变性等优势。在时序分析单元中使用这种模型可以有效地提取坏块时序特征向量和读取干扰时序特征向量，从而为后续的关联特征提取提供更丰富的信息。

更具体地，如图4所示，所述关联特征提取单元132，包括：关联矩阵计算子单元1321，用于计算所述坏块时序特征向量和所述读取干扰时序特征向量之间的坏块-读取干扰参数关联矩阵；以及，注意力编码子单元1322，用于将所述坏块-读取干扰参数关联矩阵通过十字交叉注意力模块以得到所述感知增强坏块-读取干扰参数关联矩阵。应可以理解，关联特征提取单元132包括关联矩阵计算子单元1321和注意力编码子单元1322两个子单元。关联矩阵计算子单元1321的功能是计算坏块时序特征向量和读取干扰时序特征向量之间的坏块-读取干扰参数关联矩阵，这意味着该子单元会对两个特征向量进行计算，以获得它们之间的相关性或相互作用的度量，常见的计算方法包括相关系数、协方差矩阵等。关联矩阵提供了描述坏块和读取干扰之间关联关系的数值表示。注意力编码子单元1322的功能是将坏块-读取干扰参数关联矩阵通过十字交叉注意力模块进行编码，以得到感知增强坏块-读取干扰参数关联矩阵，十字交叉注意力模块是一种注意力机制，可以对关联矩阵中的不同元素进行加权，以突出重要的关联信息，通过注意力编码，可以将关联矩阵中的信息进行聚焦和增强，从而得到更具表征性的感知增强坏块-读取干扰参数关联矩阵。换言之，关联矩阵计算子单元用于计算坏块时序特征向量和读取干扰时序特征向量之间的关联矩阵，提供了描述它们之间关联关系的数值表示。注意力编码子单元通过十字交叉注意力模块对关联矩阵进行编码，以突出重要的关联信息，得到感知增强坏块-读取干扰参数关联矩阵。这些步骤有助于从时序特征中提取关联特征，并为后续的任务(如分类、回归等)提供更具表征性的数据表示。

值得一提的是，十字交叉注意力模块是一种注意力机制，用于对输入的关联矩阵进行编码和加权，它的设计灵感来自于注意力机制中的自注意力(self-attention)机制，但应用于关联矩阵的编码过程。在十字交叉注意力模块中，关联矩阵被视为一个二维的特征图，其中每个元素表示两个特征向量之间的关联程度，该模块通过对关联矩阵的行和列进行注意力计算，引入了横向和纵向的交叉注意力。具体来说，十字交叉注意力模块的计算过程如下：1.横向注意力计算：对于每一行，模块计算注意力权重，用于对该行的元素进行加权，这意味着模块可以关注行中的重要元素，并抑制不重要的元素。2.纵向注意力计算：对于每一列，模块计算注意力权重，用于对该列的元素进行加权，这使得模块可以关注列中的重要元素，并抑制不重要的元素。3.加权和融合：将横向和纵向的注意力权重应用于关联矩阵的行和列，得到加权的行和列特征表示，最后，将加权的行和列特征进行融合，得到编码后的关联矩阵。十字交叉注意力模块的作用是对关联矩阵中的不同元素进行加权，以突出重要的关联信息，并抑制不重要的信息。通过引入横向和纵向的注意力计算，模块能够在关联矩阵的行和列方向上进行信息交互和整合。这样可以提高关联矩阵的表达能力，使得编码后的关联矩阵更具有区分度和表征性，有助于后续任务的处理和分析。

进而，将所述感知增强坏块-读取干扰参数关联矩阵通过解码器以得到解码值，所述解码值用于表示动态阈值。

相应地，如图5所示，所述动态阈值确定模块140，包括：特征分布增益单元141，用于对所述感知增强坏块-读取干扰参数关联矩阵进行特征分布增益以得到优化感知增强坏块-读取干扰参数关联矩阵；以及，解码单元142，用于将所述优化感知增强坏块-读取干扰参数关联矩阵通过解码器以得到解码值，所述解码值用于表示动态阈值。应可以理解，动态阈值确定模块140包括特征分布增益单元141和解码单元142两个单元。特征分布增益单元141的功能是对感知增强坏块-读取干扰参数关联矩阵进行特征分布增益，以得到优化的感知增强坏块-读取干扰参数关联矩阵。在这个单元中，通过对关联矩阵中的特征分布进行调整，可以改善关联矩阵的表达能力和区分度。特征分布增益的方法可以包括归一化、平滑化、缩放等操作，以使得关联矩阵更好地反映数据的特征和关联性。解码单元142的功能是将优化的感知增强坏块-读取干扰参数关联矩阵通过解码器进行解码，以得到解码值。这些解码值用于表示动态阈值。解码器可以是一种逆操作，用于将优化的关联矩阵重新映射回原始的数值范围或数据表示。解码值可以是数值、概率、分类标签等，用于表示动态阈值的具体含义和应用。换言之，特征分布增益单元用于对感知增强坏块-读取干扰参数关联矩阵进行特征分布增益，以优化关联矩阵的表达能力。解码单元通过解码器将优化的关联矩阵解码为解码值，用于表示动态阈值。这些步骤有助于根据关联矩阵的特征分布和优化结果确定动态阈值，以便在后续的任务中进行阈值判断、分类或其他决策操作。

在本公开的技术方案中，所述坏块时序特征向量和所述读取干扰时序特征向量分别表达所述闪存设备的坏块数量和读取干扰错误率沿时序方向的局部关联特征，由此，所述坏块时序特征向量和所述读取干扰时序特征向量之间的坏块-读取干扰参数关联矩阵可以表达坏块数量特征和读取干扰错误率特征在全时域下的高阶关联特征，如果将该全时域高阶关联特征作为前景对象特征，则在通过十字交叉注意力模块时，在进行全时域下的局部时域空间关联特征分布强化的同时，也会引入与全时域高阶关联特征的特征分布干涉相关的背景分布噪声，并且，所述感知增强坏块-读取干扰参数关联矩阵也进一步具有局部时域和全局时域下的分级空间关联特征表达，由此，期望基于所述感知增强坏块-读取干扰参数关联矩阵的分布特性来增强其表达效果。因此，本公开的申请人对所述感知增强坏块-读取干扰参数关联矩阵进行基于概率密度特征模仿范式的分布增益。

相应地，在一个具体示例中，所述特征分布增益单元141，用于：以如下优化公式对所述感知增强坏块-读取干扰参数关联矩阵进行特征分布增益以得到所述优化感知增强坏块-读取干扰参数关联矩阵；其中，所述优化公式为：

其中，M是所述感知增强坏块-读取干扰参数关联矩阵，N是所述感知增强坏块-读取干扰参数关联矩阵的尺度，即宽度乘以高度，m

这里，基于标准柯西分布对于自然高斯分布在概率密度上的特征模仿范式，所述基于概率密度特征模仿范式的分布增益可以将特征尺度作为模仿掩码，在高维特征空间内区分前景对象特征和背景分布噪声，从而基于高维特征的时域分级关联来对高维空间进行特征空间映射的关联语义认知的分布软匹配，来获得高维特征分布的无约束的分布增益，提升所述感知增强坏块-读取干扰参数关联矩阵基于特征分布特性的表达效果，也就提升了所述感知增强坏块-读取干扰参数关联矩阵通过解码器得到的解码值的准确性。

综上，基于本公开实施例的数据处理装置100被阐明，其可以通过监测计算机闪存设备的健康状态和读取干扰程度，来动态地确定阈值，进而更准确地判断何时需要进行数据迁移，避免性能下降和数据丢失。

如上所述，根据本公开实施例的所述数据处理装置100可以实现在各种终端设备中，例如具有应用于计算机闪存设备的算法的服务器等。在一个示例中，数据处理装置100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该数据处理装置100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该数据处理装置100同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该数据处理装置100与该终端设备也可以是分立的设备，并且该数据处理装置100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

进一步地，本公开的实施例还提供了一种计算机闪存设备，其中，所述计算机闪存设备包括如前任一所述的数据处理装置，所述计算机闪存设备通过所述数据处理装置确定动态阈值。

图6示出根据本公开的实施例的数据处理方法的流程图。图7示出根据本公开的实施例的数据处理方法的系统架构的示意图。如图6和图7所示，根据本公开实施例的数据处理方法，其包括：S110，获取预定时间段内多个预定时间点的计算机闪存设备的坏块数量和所述多个预定时间点的所述计算机闪存设备的读取干扰错误率；S120，对所述多个预定时间点的所述计算机闪存设备的坏块数量和所述多个预定时间点的所述计算机闪存设备的读取干扰错误率进行数据预处理以得到上采样坏块时序输入向量和上采样读取干扰错误率时序输入向量；S130，提取所述上采样坏块时序输入向量和所述上采样读取干扰错误率时序输入向量之间的时序关联特征以得到感知增强坏块-读取干扰参数关联矩阵；以及，S140，基于所述感知增强坏块-读取干扰参数关联矩阵，确定动态阈值。

在一种可能的实现方式中，对所述多个预定时间点的所述计算机闪存设备的坏块数量和所述多个预定时间点的所述计算机闪存设备的读取干扰错误率进行数据预处理以得到上采样坏块时序输入向量和上采样读取干扰错误率时序输入向量，包括：将所述多个预定时间点的所述计算机闪存设备的坏块数量和所述多个预定时间点的所述计算机闪存设备的读取干扰错误率按照时间维度排列为坏块时序输入向量和读取干扰错误率时序输入向量；以及，对所述坏块时序输入向量和所述读取干扰错误率时序输入向量进行上采样处理以得到所述上采样坏块时序输入向量和所述上采样读取干扰错误率时序输入向量。

这里，本领域技术人员可以理解，上述数据处理方法中的各个步骤的具体操作已经在上面参考图1到图5的数据处理装置的描述中得到了详细介绍，并因此，将省略其重复描述。

图8示出根据本公开的实施例的数据处理装置的应用场景图。如图8所示，在该应用场景中，首先，获取预定时间段内多个预定时间点的计算机闪存设备的坏块数量(例如，图8中所示意的D1)和所述多个预定时间点的所述计算机闪存设备的读取干扰错误率(例如，图8中所示意的D2)，然后，将所述多个预定时间点的所述计算机闪存设备的坏块数量和所述多个预定时间点的所述计算机闪存设备的读取干扰错误率输入至部署有应用于计算机闪存设备的算法的服务器中(例如，图8中所示意的S)，其中，所述服务器能够使用所述应用于计算机闪存设备的算法对所述多个预定时间点的所述计算机闪存设备的坏块数量和所述多个预定时间点的所述计算机闪存设备的读取干扰错误率进行处理以得到用于表示动态阈值的解码值。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。