The threshold voltage distribution (TVD) data of NAND flash affects the reliability and lifetime prediction of data. However, the TVD data varies depending on the user’s characteristics or usage frequency, and this changes the distribution of error bits. In this paper, we propose a federated learning algorithm to solve this problem. The federated learning algorithm trains the server model by aggregating the models learned by users without collecting their data. This method is advantageous for communication efficiency and privacy protection. The proposed algorithm makes the server model mimic the error bit estimation of user models. To do this, it calculates the reliability of each user model and generates pseudo error bits by weighted averaging the estimates of reliable user models. This way, the server model can cope with various user data distributions and improve the performance of error bit estimation. The experimental results show that the proposed algorithm performs more accurate and stable error bit estimation than existing algorithms.
낸드 플래시의 산포(Threshold voltage distribution, TVD) 데이터는 데이터의 신뢰도와 수명 예측에 영향을 미치는 중요한 요소이다. 하지만 산포 데이터는 사용자의 특성이나 사용 횟수에 따라 다양하게 변화하고, 이로 인해 에러 비트 개수의 분포도 달라진다. 본 논문에서는 이러한 문제를 해결하기 위해 연합학습 알고리즘을 제안한다. 연합학습 알고리즘은 중앙 서버가 사용자들의 데이터를 수집하지 않고, 사용자들이 학습한 모델들을 취합하여 서버 모델을 학습시키는 방식이다. 이 방식은 통신 효율과 프라이버시 보호에 유리하다. 제안하는 알고리즘은 서버 모델이 사용자 모델들의 에러 비트 추정을 모사하도록 한다. 이를 위해 각 사용자 모델의 신뢰도를 산정하고, 신뢰도가 높은 사용자 모델의 추정을 가중 평균하여 의사 에러 비트를 생성한다. 이렇게 하면 서버 모델은 다양한 사용자 데이터 분포에 대응할 수 있고, 에러 비트 추정의 성능을 향상시킬 수 있다. 실험 결과 제안하는 알고리즘은 기존 알고리즘보다 더 정확하고 안정적인 에러 비트 추정을 수행함을 보여준다.
