nand cid 存储芯片 emmc，Nand flash，Nor flash之间有什么区别

发布时间 : 2025-01-20

作者 : 小编

访问数量 : 23

扫码分享至微信

存储芯片 emmc、Nand flash、Nor flash之间有什么区别

随着存储领域的发展，有很多不同的存储介质，今天ICMAX就带大家来分一分emmc、Nand flash、Nor flash之间的区别。

一、定义及区别

emmc：全称为embeded MultiMedia Card，是一种嵌入式非易失性存储器系统，由Nand flash和Nand flash控制器组成，以BGA方式封装在一款chip上。

Nand flash：一种存储数据介质；若要读取其中的数据，需要外接的主控电路。

Nor flash：也是一种存储介质；它的存储空间一般比较小，但它可以不用初始化，可以在其内部运行程序，一般在其存储一些初始化内存的固件代码。

这里主要重点讲的是emmc 和Nand flash 之间的区别，主要区别如下：

(1) 在组成结构上：emmc存储芯片简化了存储器的设计，将NAND Flash芯片和控制芯片以MCP技术封装在一起，省去零组件耗用电路板的面积，同时也让手机厂商或是计算机厂商在设计新产品时的便利性大大提高。而NAND Flash仅仅只是一块存储设备，若要进行数据传输的话，只能通过主机端的控制器来进行操作，两者的结构图如下：

(2) 在功能上：eMMC则在其内部集成了 Flash Controller，包括了协议、擦写均衡、坏块管理、ECC校验、电源管理、时钟管理、数据存取等功能。相比于直接将NAND Flash接入到Host 端，eMMC屏蔽了 NAND Flash 的物理特性，可以减少 Host 端软件的复杂度，让 Host 端专注于上层业务，省去对 NAND Flash 进行特殊的处理。同时，eMMC通过使用Cache、Memory Array 等技术，在读写性能上也比 NAND Flash要好很多。而NAND Flash 是直接接入 Host 端的，Host 端通常需要有 NAND Flash Translation Layer，即 NFTL 或者 NAND Flash 文件系统来做坏块管理、ECC等的功能。另一方面，emmc的读写速度也比NAND Flash的读写速度快，emmc的读写可高达每秒50MB到100MB以上；

二、emmc的初始化和数据通信

emmc与主机之间通信的结构图：

其中包括Card Interface（CMD，DATA，CLK）、Memory core interface、总线接口控制（Card Interface Controller）、电源控制、寄存器组。

图中寄存器组的功能见下表：

CID: 卡身份识别寄存器 128bit,只读，厂家号，产品号，串号，生产日期。

RCA: 卡地址寄存器，可写的16bit寄存器，存有Device identification模式由host分配的通信地址，host会在代码里面记录这个地址，MMC则存入RCA寄存器，默认值为0x0001。保留0x0000以用来将all device设置为等待CMD7命令状态。

CSD: 卡专有数据寄存器部分可读写128bit，卡容量，最大传输速率，读写操作的最大电流、电压，读写擦出块的最大长度等。

SCR: 卡配置寄存器，可写的 64bit 是否用Security特性(LINUX不支持)，以及数据位宽（1bit或4bit）。

OCR: 卡操作电压寄存器 32位，只读，每隔0.1V占1位，第31位卡上电过程是否完成。

（5）Device Identification Mode和初始化

MMC通过发CMD的方式来实现卡的初始化和数据通信

Device Identification Mode包括3个阶段Idle State、Ready State、Identification State。

Idle State下，eMMC Device会进行内部初始化，Host需要持续发送CMD1命令，查询eMMC Device是否已经完成初始化，同时进行工作电压和寻址模式协商：eMMC Device 在接收到这些信息后，会将OCR的内容（MMC出厂就烧录在里面的卡的操作电压值）通过 Response 返回给 Host，其中包含了 eMMC Device 是否完成初始化的标志位、设备工作电压范围 Voltage Range 和存储访问模式 Memory Access Mode 信息。

如果 eMMC Devcie 和 Host 所支持的工作电压和寻址模式不匹配，那么 eMMC Device 会进入Inactive State。

Ready State，MMC完成初始化后，就会进入该阶段。

在该 State 下，Host 会发送 CMD2命令，获取eMMC Device 的CID。

CID，即 Device identification number，用于标识一个 eMMC Device。它包含了 eMMC Device 的制造商、OEM、设备名称、设备序列号、生产年份等信息，每一个 eMMC Device 的 CID 都是唯一的，不会与其他的 eMMC Device 完全相同。

eMMC Device 接收到CMD2后，会将 127 Bits 的CID的内容通过 Response返回给 Host。

Identification State，发送完 CID 后，eMMC Device就会进入该阶段。

Host 会发送参数包含 16 Bits RCA 的CMD3命令，为eMMC Device 分配 RCA。设定完 RCA 后，eMMC Devcie 就完成了 Devcie Identification，进入 Data Transfer Mode。

注：emmc初始化和数据通信的过程，有点类似USB协议，USB控制器去发送请求给USB设备，以IN包和OUT包的形式去建立与USB设备之间的通信，默认状态下，USB设备也是0地址的，与控制器分配设备地址。（感兴趣的可以看一下USB2.0的协议，主要是第8和9章内容）

三、eMMC工作电压和上电过程

根据工作电压的不同，MMC卡可以分为两类：

High Voltage MultiMediaCard，工作电压为3.3V左右。

Dual Voltage MultiMediaCard，工作电压有两种，1.70V~1.95V和2.7V~3.6V，CPU可以根据需要切换

我所使用的eMMC实测工作电压VCC为2.80V~2.96V，VCCQ为1.70V~1.82V。

其中VCC为MMC Controller/Flash Controller的供电电压，VCCQ为Memory和Controller之间I/O的供电。

上电初始化阶段MMC时钟频率为400KHz，需要等电压调整到它要求的VCC时（host去获取OCR中记录的电压值，上面有说），MMC时钟才会调整到更高的正常工作频率。

时间序列预测中的组合演化建模

题目：

Modeling Combinatorial Evolution in Time Series Prediction

作者：

Wenjie Hu, Yang Yang, Zilong You, Zongtao Liu, Xiang Ren

来源：

Machine Learning

Submitted on 10 May 2019 (v1), last revised 20 May 2019 (this version, v2)

文档链接：

https://arxiv.org/pdf/1905.05006v2.pdf

代码链接：

https://github.com/VachelHU/ESGRN

摘要

时间序列建模旨在捕捉支撑观测数据及其演化的内在因素。然而，现有的研究大多忽略了这些因素之间的演化关系，而正是这些因素导致了给定时间序列的组合演化。本文提出用演化状态图结构来表示时间序列数据内部因子之间的时变关系。因此，我们提出进化图递归网络(EGRN)来学习这些因素的表示，以及给定的时间序列，使用一个图神经网络框架。然后将学习到的表示方法应用到时间序列分类任务中。从我们的实验结果来看，基于6个真实世界的数据集，我们的方法明显优于10个最先进的基线方法(例如，在准确性方面+5%，在F1方面平均+15%)。此外，我们还证明，由于图结构的可解释性得到了改善，我们的方法也能够解释预测事件的逻辑原因。

英文原文

Time series modeling aims to capture the intrinsic factors underpinning observed data and its evolution. However, most existing studies ignore the evolutionary relations among these factors, which are what cause the combinatorial evolution of a given time series. In this paper, we propose to represent time-varying relations among intrinsic factors of time series data by means of an evolutionary state graph structure. Accordingly, we propose the Evolutionary Graph Recurrent Networks (EGRN) to learn representations of these factors, along with the given time series, using a graph neural network framework. The learned representations can then be applied to time series classification tasks. From our experiment results, based on six real-world datasets, it can be seen that our approach clearly outperforms ten state-of-the-art baseline methods (e.g. +5% in terms of accuracy, and +15% in terms of F1 on average). In addition, we demonstrate that due to the graph structure's improved interpretability, our method is also able to explain the logical causes of the predicted events.

时间序列分类与进化状态图

本文的贡献如下: 1.我们提出了进化状态图来表示时间序列的组合演化。2.我们设计并实现了一种新的（EGRN，Evolutionary Graph Recurrent Networks）方法来量化表示进化状态图的动态结构信息。然后将其加入到时间序列分类任务中。3.我们构建了大量的实验来证明我们的方法优于10种最先进的基线方法。

最近，各种各样的图(神经)网络[5]被开发出来，以支持图结构表示的关系推理。现有的图网络需要一个显式的图作为输入。然而，在实践中直接观察潜在状态或它们之间的关系是困难的。此外，这些方法只能以静态图作为输入，而状态之间的关系可能会随着时间而变化。据我们所知，现有的研究还没有成功地捕捉到时间序列与潜在状态之间复杂的动态关系的组合演化。

我们提出的进化图递归网络(EGRN)可以在所构造的进化状态图上对时间序列的组合进化进行建模，并应用于时间序列分类事件Y的推理。

图2：我们提出的模型概述。 片段（n-1，n，n +1）被识别为具有不同概率的四个状态。两个段之间的演化表示为演化状态图，其中每个节点表示一个状态，边缘是前后概率的乘积。实线表示通过的消息，虚线表示反馈的消息。每个节点都有一个具有不同灰度的条，它表示每个节点的当前隐藏矢量，并通过边缘相互影响。它们的信息通过类似LSTM的结构传播。

如图2（c）所示，与GGSNN中采用的类似GRU的结构不同，我们采用类似LSTM的结构[22]来对传播进行建模。

实验结果

数据集

六个数据集来构建我们的实验，包括四个公共数据集和两个真实世界的数据集。两个公共数据集来自UCR时间序列分类档案，其余两个来自Kaggle。其中一个真实世界的数据集是由主要的移动服务提供商中国电信提供的，另一个数据集是由主要的电力公司国家电网提供的。

Earthquakes。 这个数据集来自UCR，跨度从1967年12月1日至2003年，每一数据点都是里氏震级每小时读数的平均值。WormTwoClass。 该数据集来自UCR，用于时间序列分类任务DJIA 30 Stock Time Series (DJIA30)。 该数据集来自Kaggle，包含30家DJIA公司中的29家的历史股价，时间跨度为2006年1月1日到2018年1月1日。Web Trafc Time Series Forecasting (WebTraffic） 。数据集来自Kaggle，从2015年7月1日到2016年12月31日。每个数据点是特定维基百科文章的每日浏览量。Information Networks Supervision (INS) .本数据集由中国电信提供。它由大约242K的网络流系列组成，每个网络流系列描述了不同服务器每小时的进出流量，时间跨度从2017年4月1日到2017年5月10日。Watt-hour Meter Clock Error (MCE). 该数据集由中国国家电网提供。它由大约400万个时钟误差序列组成，每一个都描述了与标准时间相比的偏差时间，以及每周不同瓦时计的通信延迟，持续时间为2016年2月至2016年2月。

基线方法

NN-ED, NN-DTW and NN-CID: 最近邻分类。

Fast Shapelets (FS): 一个快速的shapelets算法。

Time Series Forest (TSF): 这是一种从每个系列的间隔中获得特征的树集成方法。

SAX-VSM: 是一个字典方法，从每个系列的间隔中获取特征。

MC-DCNN: 一种用于时间序列分类的多通道深度卷积神经网络。

RNN: 循环神经网络

GGSNN: 门控图神经网络

NLNN: 非本地神经网络

EGRN: 这是一种捕获不同状态并将其分布信息作为节点向量h的方法。

EGRN* :（星号*） 表示在传播中使用GRU结构。

实验结果分析

表1 比较了多种模型的分类。 对于公共数据集，由于其相对平衡的正/负比率，我们使用准确性作为度量。

与预期一样，我们的方法与其他基线相比获得了最好的性能 ，因为状态的分布模式可以提供与时间序列相关的更有用的信息。同时，由于全局记忆的影响，类lstm结构略好于类grue结构。它们都可以应用于演化状态图的传播。由于预先选择的数字|V |，计算复杂度不随时间窗口的增加而增加。

状态编号|V |如何影响性能?

如图3所示，分类性能曲线与轮廓线评分曲线较为一致，说明状态数|V |对线段自身的模式较为敏感。 在不同的数据集上，性能是不同的，并不一定会随着状态数的增加而改善。状态数的峰值不同;此外，当状态数对于所有数据集都太大时，性能会变差，这可能是由于过大的特征空间或不合适的数据量造成的。我们的结论是，|V |是一个经验确定的参数，可以通过评估状态分配的质量来设置。

结论

本文研究了时间序列数据的组合演化问题。提出了一种新的基于图神经网络的时间序列分类模型，该模型能够捕捉时间序列内部因素之间复杂的动态关系，并学习分类任务的有效表示 。为了验证我们提出的模型的有效性，我们在公共数据集和真实数据集上进行了大量的实验。实验结果表明，我们的模型明显优于11种最先进的基线方法。同时，通过两个案例研究，我们发现了一些有意义的状态之间的关系，这些关系可以揭示预测事件的逻辑原因

存储芯片 emmc、Nand flash、Nor flash之间有什么区别

时间序列预测中的组合演化建模

时间序列预测中的组合演化建模

摘要

英文原文

时间序列分类与进化状态图

实验结果

结论

关于我们

产品中心

服务与支持