接着SSD科普十一讲到这里，NAND 内部已经完成了第一次判决。
cell 的阈值电压，经过 Vread 试探；bitline 上那一点微弱的电压变化，经过 sense amp 判断；最后，一串 0 和 1 被锁存在 page buffer 里。
看起来，数据已经读出来了。
但问题是：
这串 0 和 1，不一定全是对的。
因为 sense amp 做的事情，本质上只是一次物理判决。
它判断的是：在当前这个 Vread 下，这个 cell 到底像是导通，还是不像导通。
它并不知道这个 cell 当初真正写进去的是什么。
所以，NAND 第一次读出来的结果，只能叫：
原始读出数据。
它不是最终答案。因此这一章节，简单的介绍下ECC。
1. NAND 真正可怕的，不是一个 bit 会错，而是 bit 太多了
先看一个最基本的概念：
原始误码率。
它的意思很简单：
在没有纠错之前，NAND 原始读出来的数据里，有多少 bit 是错的。
比如读出 10 亿个 bit，里面有 1000 个 bit 错了，那么原始误码率就是：
1000 / 10 亿 = 10^-6。
这个数看起来可能很小。
但 NAND 的问题是：它不是只存几个 bit。它存的是几十亿、几百亿、几千亿个 bit。
所以，只要容量足够大，哪怕单个 bit 出错概率很低，整个芯片、整个 SSD 遇到错误的概率也会被迅速放大。
单 bit 错误率只是底层概率。真正影响产品可靠性的，是这些错误落到一个页、一个纠错单元、一颗芯片之后，会不会超过纠错能力。
这句话很重要：
NAND 不是因为每个 bit 都特别不可靠，才需要 ECC。 而是因为 bit 太多了，小概率错误会被容量放大。
2. ECC 不是事后魔法，而是写入时就提前埋下“校验线索”
很多人容易把 ECC 理解成：读出来错了，后面有个算法帮忙修。这个说法不算错，但太浅了。
ECC 能修，不是因为它有魔法，而是因为写入时就提前做了准备。
SSD 写数据时，不是只把用户数据写进 NAND。它还会根据这批数据，额外生成一部分校验信息，也一起写进去。
也就是说，真正写入 NAND 的并不是单纯的：
用户数据
而是：
用户数据 + 校验信息
这些校验信息，就像给原始数据加上的“数学指纹”。
读回来的时候，ECC 会检查：这批用户数据，和当初一起写进去的校验信息，关系还能不能对上？
如果能对上，说明这串数据看起来合理。 如果对不上，说明里面一定有些 bit 已经变了。
这时 ECC 要做的事情，不是重新去看 cell 里的电荷，也不是重新观察 bitline 电压。
到了 ECC 这一层，底层模拟世界已经结束了。
ECC 面对的，是一串已经被 NAND 判好的 0 和 1。
它要判断的是：
这串 0 和 1，还是不是一个“合法结果”？
3. 什么叫“合法结果”？
这一步是理解 ECC 的关键。
可以先不看公式，用一个简单例子理解。
假设有一套非常粗糙的校验规则：
每 8 个 bit 后面，多放 1 个校验 bit。这个校验 bit 规定：前面 8 个 bit 里，1 的个数必须是偶数。
比如前 8 个 bit 是：
10110010
这里有 4 个 1，是偶数。那校验 bit 就可以写成 0，表示“规则满足”。
读回来以后，如果变成：
10110011
这时前 8 个 bit 里有 5 个 1，规则不满足了。
ECC 一看就知道：这串数据不对劲。
当然，真实 NAND 用的 ECC 比这个复杂得多，不是这么简单的奇偶校验。 但底层思想类似：
写入时加一些冗余规则，读出时检查这些规则是否还能成立；如果不成立，就说明数据被破坏了。
《Inside NAND Flash Memories》第 14 章里讲到的“综合征”，本质上就是这个检查结果。
如果综合征等于 0，说明读出来的数据看起来像一个合法结果。 如果综合征不等于 0，说明读出来的数据里面有错误。
可以把综合征理解成一个报警器：
综合征 = 0：暂时没发现矛盾； 综合征 ≠ 0：这串数据不合法，里面有 bit 可能错了。
但注意：
发现有错，不等于一定能修。
能不能修，要看错误数量有没有超过 ECC 的能力。
4. ECC 怎么“猜”出原来的数据？
这才是最重要的地方。
ECC 不是知道标准答案。它没有穿越回写入现场。
它做的是一件更接近“推断”的事情：
读出来的数据如果不合法，那就在所有可能的合法数据里，找一个最接近当前读出结果的。
也就是说，ECC 问的是：
当前这串 0 和 1，最像是从哪个合法结果被扰动过来的？
这就是为什么《Inside NAND Flash Memories》第 14 章里会讲“最大可能解码”。
它不是说 ECC 能看到真相。它是说，在所有可能的原始数据里，选一个最可能的。
前面 NAND 物理读取是在猜：
这个 cell 的阈值电压，最可能落在哪个区间？
到了 ECC 这里，又是在猜：
这串已经读出来的 0 和 1，最可能是从哪个合法数据变坏过来的？
所以 ECC 不是把“确定答案”拿回来。它是在有限错误范围内，做一次数学上的最可能修正。
5. 为什么 ECC 只能救有限个错误？
这里要讲一个非常关键的概念：
距离。
这个词听起来很数学，其实意思很简单：
两串 bit 之间，有多少个位置不一样。
比如：
101100 101000
只有一个位置不一样，距离就是 1。
再比如：
101100 001001
有三个位置不一样，距离就是 3。
ECC 为什么关心距离？
因为所有合法数据之间，必须拉开足够距离。
如果两个合法结果只差 1 个 bit，那么只要读的时候错 1 个 bit，就可能从一个合法结果变得像另一个合法结果。
这样 ECC 就分不清了。
但如果两个合法结果之间差得很远，比如相差 7 个 bit，那么少量错误不会轻易把一个合法结果伪装成另一个合法结果。
所以，ECC 的本质就是：
通过增加校验信息，让合法数据之间拉开距离。
距离越大，能发现的错误越多，能纠正的错误也越多。
ECC的纠错能力和最小距离有关。如果一个纠错码要能纠正 t 个 bit 错误，那么任意两个合法结果之间，至少要相差 2t + 1 个 bit。
这就解释了为什么 ECC 不是无限强。
如果错误太多，读出来的数据可能已经离原来的合法结果太远，甚至更像另一个合法结果。这时候 ECC 就可能失败。
于是 SSD 只能进入下一步：
重新读取，换参考电压，读重试，甚至动用更复杂的软解码。
6. BCH：早期 NAND 常用的 bit 级纠错
有很多种类的纠错码，其中 BCH 是 NAND 里非常重要的一类。
可以先这样理解 BCH：它是按 bit 来纠错的。
也就是说，它关心的是：
这一串 bit 里面，哪些具体位置被翻错了？
BCH 的解码过程可以概括成三步：
第一步，计算综合征。 先判断读出来的数据有没有矛盾。
举个简单例子：ECC 怎么知道是哪个 bit 错了？
为了理解“综合征”到底是什么，我们先不看 BCH 里复杂的多项式和有限域运算，而是看一个极简的单 bit 纠错例子。
假设现在有 7 个 bit：
第1位第2位第3位第4位第5位第6位第7位
写入时，ECC 会给这 7 个 bit 设计几组校验规则。可以先把它想象成有 3 个检查员：
检查员A：检查第1、3、5、7位检查员B：检查第2、3、6、7位检查员C：检查第4、5、6、7位
每个检查员只负责一件事：看自己负责的那几位，是否还满足写入时设定好的校验规则。
为了方便理解，先假设规则是：
每一组里面，1 的个数必须是偶数。
如果数据没有出错，三个检查员重新检查一遍，都会觉得正常。
也就是：
A 不报警B 不报警C 不报警
这就说明：
暂时没有发现矛盾。
这个“报警结果”，就可以理解成综合征。
现在假设 NAND 读取时，第 5 位被读反了。
原来它是 0，结果读出来变成了 1；或者原来它是 1，结果读出来变成了 0。
那会发生什么？
我们看第 5 位被哪些检查员检查。
第5位在 A 这一组里；第5位不在 B 这一组里；第5位在 C 这一组里。
所以第 5 位一旦翻转，受到影响的是 A 和 C。
结果就是：
A 报警B 不报警C 报警
也就是说，报警组合是：
A、C 同时报警，B 没报警
ECC 看到这个组合，就可以反推出：
最可能出错的是第 5 位。
为什么？
因为第 5 位刚好只会影响 A 和 C，不会影响 B。
于是，ECC 只要把第 5 位翻回来，数据就被修正了。
这个例子想说明的不是“真实 BCH 就是这么简单”。真实 NAND 里的 BCH 要复杂得多。因为实际情况里，一个纠错单元里可能不只错 1 个 bit，而是同时错很多 bit。
比如：
第5位错了第19位错了第103位也错了
这时候，报警结果就不会像刚才那样，直接指向一个位置。多个错误会混在一起，留下更复杂的错误痕迹。
所以 BCH 解码才需要三步：
第一步，计算综合征。 也就是先看读出来的数据违反了哪些校验规则。
第二步，根据综合征推导错误位置多项式。 也就是把这些复杂的错误痕迹，整理成一个数学表达式。
第三步，搜索错误位置。 也就是找出到底哪些 bit 最可能被 NAND 读错了。
最后，再把这些位置上的 bit 翻回来。
所以，综合征可以先理解成一组“报警灯”。没有错误时，报警灯全灭。有错误时，某些报警灯会亮。亮灯的组合，就留下了错误的痕迹。
对于最简单的 1bit 错误，这个痕迹可以直接指向出错位置。对于真实 BCH 这种能纠多个 bit 的纠错码，就要通过更复杂的数学方法，把这些痕迹还原成具体错误位置。
这就是 ECC 能“救数据”的原因。
它不是凭空知道原始答案。它是通过写入时留下的校验规则，观察哪些规则被破坏了，再反推出哪些 bit 最可能被读错。
BCH 解码比编码复杂得多。编码相对简单，解码要计算综合征、求错误定位多项式、再找根。
翻成人话就是：
写的时候，加校验信息不算太难；读的时候，要从一堆错误痕迹里反推出错的位置，这才麻烦。
这也符合 SSD 的现实：
读路径比写路径更依赖纠错能力。 越到寿命后期，读数据越像在救火。
7. 为什么后来又需要 LDPC？
如果 BCH 能纠错，那为什么现代 TLC、QLC SSD 又大量使用 LDPC？
原因在于：NAND 越来越不适合只靠“硬判决”。
所谓硬判决，就是 NAND 读完以后，只告诉你：这是 0或者这是 1。没有更多信息。
但在 NAND 里，两个同样被判成 0 的 cell，可靠程度可能完全不同:
一个 cell 的阈值电压离边界很远。它被判成 0，很稳。 另一个 cell 的阈值电压几乎贴着边界。它也被判成 0，但这个 0 很危险。 稍微换一点 Vread，或者温度、电荷、噪声再变一点，它可能就会被判成 1。
硬判决的问题就在这里：它把“很稳的 0”和“很悬的 0”，都压成同一个 0。这等于丢掉了大量有价值的信息。
所以会区分硬判决和软判决。硬判决只使用 0/1；软判决还会使用可靠度信息，例如这个判断有多大把握。
这就是 LDPC 的价值。LDPC 不只是看：是 0 还是 1。
它还希望知道：
这个 0 有多可靠？ 这个 1 离边界有多近？ 哪些 bit 最可疑？ 哪些 bit 基本不用怀疑？
有了这些信息，纠错算法就能把精力集中在最可疑的位置上。
这也是为什么 TLC、QLC 时代，软信息越来越重要。
因为一个 cell 里塞的状态越来越多：TLC 要分 8 个状态；QLC 要分 16 个状态。
状态越多，相邻状态之间的距离越近。 距离越近，越容易出现边界附近的危险 cell。
这时候，只靠一次硬判决，很容易信息不够。 需要多次读取、不同参考电压、更多可靠度信息，才能把数据救回来。
用 LDPC 和 BCH 的比较也说明了这个趋势：LDPC 可以利用软信息，在高密度 NAND 场景下获得更强的纠错表现。
8. 所以，ECC 也是“猜测”的一部分
回到第十一章文章的标题：
NAND 读取的本质：不是读取，而是猜测
现在这个“猜测”就不只是物理层面的了。
它至少有两层。
第一层: 是 NAND 内部的物理猜测。
它用 Vread 去试探 cell 的阈值电压；用 bitline 上那点微弱的变化判断导通与否；最后由 sense amp 把结果拍成 0 或 1。
第二层: 是 ECC 的数学猜测。
它拿到这串 0 和 1 之后，检查它和校验信息之间是否自洽；如果不自洽，就反推哪些 bit 最可能被判错；如果错误数量还在能力范围内，就把它们修回来。
所以，主机最后看到的确定数据，不是 NAND 天然吐出来的确定答案。它是经过两次处理之后得到的结果：
先由物理电路从模拟信号里判出来；再由纠错算法从错误痕迹里救回来。这才是 NAND 读取真正复杂的地方。
你以为 SSD 读数据，是把一串 0 和 1 从 NAND 里拿出来。
但真实情况更像是：
NAND 先给出一个可能有错的初稿； ECC 再拿着校验信息检查这份初稿； 发现哪里不合理，就尝试修正； 修正成功，才交给主机。
所以，SSD 读出来的数据之所以看起来可靠，不是因为 NAND 底层从来不犯错。
恰恰相反：
NAND 底层一直可能犯错。只是 ECC 在背后不断把这些错误压下去。
最终你看到的是一个确定的文件。但这个确定结果背后，是一整套和不确定性搏斗的机制。
不是 NAND 天然清楚。而是 ECC 把它救清楚了。
Alipay 
Wechat