Muestra las diferencias entre dos versiones de la página.
Ambos lados, revisión anterior Revisión previa Próxima revisión | Revisión previa Próxima revisión Ambos lados, revisión siguiente | ||
clase:asir:fhw:2eval:tema06 [2021/01/21 13:05] admin |
clase:asir:fhw:2eval:tema06 [2022/02/26 11:56] admin [Ejercicios] |
||
---|---|---|---|
Línea 59: | Línea 59: | ||
* CHS (Cylinder-Head-Sector): | * CHS (Cylinder-Head-Sector): | ||
* LBA (Logical block addressing): | * LBA (Logical block addressing): | ||
+ | |||
+ | {{: | ||
Línea 64: | Línea 66: | ||
* [[https:// | * [[https:// | ||
* [[https:// | * [[https:// | ||
+ | * [[https:// | ||
==== Métodos de grabación magnética ==== | ==== Métodos de grabación magnética ==== | ||
- | Existen | + | Existen |
* LMR (Longitudinal Magnetic Recording): Los datos se guardan de forma longitudinal. | * LMR (Longitudinal Magnetic Recording): Los datos se guardan de forma longitudinal. | ||
Línea 87: | Línea 90: | ||
El problema fue que algunos fabricantes, | El problema fue que algunos fabricantes, | ||
+ | |||
+ | |||
+ | * HAMR (Heat-assisted magnetic recording): Es como PMR pero el disco se calienta con un láser , lo que hace que las densidades sean aun mayores. Esta tecnología es la que está consiguiendo que tengamos discos de decenas de TB actualmente. Su mayor impulsor es Seagate. Los problemas de HARM son las elevadas temperaturas (400 ºC), el coste energético de calentar el disco y dudas sobre la fiabilidad del láser a largo plazo. | ||
+ | |||
+ | {{: | ||
+ | |||
+ | * MAMR (Microwave-Assisted Magnetic Recording): Es como PRM pero el disco se bombardea con un campo de microondas, lo que hace que las densidades sean aun mayores. Esta tecnología es la que está consiguiendo que tengamos discos de decenas de TB actualmente. Su mayor impulsor es Western Digital. | ||
+ | |||
+ | * EAMR (energy assisted magnetic recording): Es como se llaman a las dos tecnologías de MARM y EARM. Ya que ambas han aparecido a la vez y tienen capacidades similares. | ||
Línea 92: | Línea 104: | ||
* [[https:// | * [[https:// | ||
* [[https:// | * [[https:// | ||
- | * [[https:// | + | |
- | * [[https:// | + | * [[https:// |
- | * [[https:// | + | * [[https:// |
- | * [[https:// | + | * [[https:// |
- | * [[https:// | + | * El fraude de WD en sus discos duros: |
- | * {{demanda-2020.05.29-malone-v-western-digital-corporation-red-nas-smr.pdf |Demandando a Western Digital}} | + | * [[https:// |
+ | * {{demanda-2020.05.29-malone-v-western-digital-corporation-red-nas-smr.pdf |Demandando a Western Digital}} | ||
+ | | ||
+ | * [[https:// | ||
+ | * [[https:// | ||
+ | * [[https:// | ||
+ | * [[https:// | ||
Línea 113: | Línea 130: | ||
* Muy rápidos | * Muy rápidos | ||
* Tienen un número limitado de escrituras. | * Tienen un número limitado de escrituras. | ||
+ | |||
+ | |||
+ | Vamos ahora una serie de gráficas para comprar la capacidad y el precio de los SSD vs los HDD en 2022 | ||
+ | |||
+ | * En la siguiente gráfica podemos ver las diferencias de capacidades y precios de distintos SSD y HDD. | ||
+ | |||
+ | {{ : | ||
+ | |||
+ | <sxh python> | ||
+ | import matplotlib.pyplot as plt | ||
+ | import numpy as np | ||
+ | from sklearn.linear_model import LinearRegression | ||
+ | from matplotlib.ticker import AutoMinorLocator | ||
+ | |||
+ | figure=plt.figure(figsize=(18, | ||
+ | axes = figure.add_subplot() | ||
+ | |||
+ | axes.xaxis.set_minor_locator(AutoMinorLocator(2)) | ||
+ | axes.yaxis.set_minor_locator(AutoMinorLocator(2)) | ||
+ | axes.set_facecolor("# | ||
+ | axes.grid(visible=True, | ||
+ | axes.grid(visible=True, | ||
+ | axes.tick_params(axis=' | ||
+ | axes.tick_params(axis=' | ||
+ | axes.tick_params(axis=' | ||
+ | axes.tick_params(axis=' | ||
+ | |||
+ | axes.set_xlabel(' | ||
+ | axes.set_ylabel(' | ||
+ | axes.set_title(" | ||
+ | |||
+ | |||
+ | axes.xaxis.set_ticks(np.arange(0.0, | ||
+ | axes.yaxis.set_ticks(np.arange(0, | ||
+ | |||
+ | |||
+ | x=[0.5, | ||
+ | y=[101, | ||
+ | axes.scatter(x, | ||
+ | |||
+ | |||
+ | x=[2, | ||
+ | y=[48, | ||
+ | axes.scatter(x, | ||
+ | |||
+ | axes.legend() | ||
+ | </ | ||
+ | |||
+ | * En la siguiente gráfica podemos ver una regresión lineal del precio de los discos HDD para poder saber cuales son mas caros o baratos. | ||
+ | |||
+ | {{ : | ||
+ | |||
+ | <sxh python> | ||
+ | import matplotlib.pyplot as plt | ||
+ | import numpy as np | ||
+ | from sklearn.linear_model import LinearRegression | ||
+ | from matplotlib.ticker import AutoMinorLocator | ||
+ | |||
+ | figure=plt.figure(figsize=(18, | ||
+ | axes = figure.add_subplot() | ||
+ | |||
+ | axes.xaxis.set_minor_locator(AutoMinorLocator(2)) | ||
+ | axes.yaxis.set_minor_locator(AutoMinorLocator(2)) | ||
+ | axes.set_facecolor("# | ||
+ | axes.grid(visible=True, | ||
+ | axes.grid(visible=True, | ||
+ | axes.tick_params(axis=' | ||
+ | axes.tick_params(axis=' | ||
+ | axes.tick_params(axis=' | ||
+ | axes.tick_params(axis=' | ||
+ | |||
+ | axes.set_xlabel(' | ||
+ | axes.set_ylabel(' | ||
+ | axes.set_title(" | ||
+ | |||
+ | axes.xaxis.set_ticks(np.arange(0.0, | ||
+ | axes.yaxis.set_ticks(np.arange(0, | ||
+ | |||
+ | |||
+ | x=[2, | ||
+ | y=[48, | ||
+ | axes.scatter(x, | ||
+ | |||
+ | model = LinearRegression().fit(list(zip(x)), | ||
+ | x_recta=[min(x), | ||
+ | y_recta = model.predict(list(zip(x_recta))) | ||
+ | axes.plot(x_recta, | ||
+ | </ | ||
+ | |||
+ | * En la siguiente gráfica podemos ver una regresión lineal del precio de los discos SSD para poder saber cuales son mas caros o baratos. | ||
+ | |||
+ | {{ : | ||
+ | |||
+ | <sxh python> | ||
+ | import matplotlib.pyplot as plt | ||
+ | import numpy as np | ||
+ | from sklearn.linear_model import LinearRegression | ||
+ | from matplotlib.ticker import AutoMinorLocator | ||
+ | |||
+ | figure=plt.figure(figsize=(18, | ||
+ | axes = figure.add_subplot() | ||
+ | |||
+ | axes.xaxis.set_minor_locator(AutoMinorLocator(2)) | ||
+ | axes.yaxis.set_minor_locator(AutoMinorLocator(2)) | ||
+ | axes.set_facecolor("# | ||
+ | axes.grid(visible=True, | ||
+ | axes.grid(visible=True, | ||
+ | axes.tick_params(axis=' | ||
+ | axes.tick_params(axis=' | ||
+ | axes.tick_params(axis=' | ||
+ | axes.tick_params(axis=' | ||
+ | |||
+ | axes.set_xlabel(' | ||
+ | axes.set_ylabel(' | ||
+ | axes.set_title(" | ||
+ | |||
+ | axes.xaxis.set_ticks(np.arange(0.0, | ||
+ | axes.yaxis.set_ticks(np.arange(0, | ||
+ | |||
+ | |||
+ | x=[0.5, | ||
+ | y=[101, | ||
+ | axes.scatter(x, | ||
+ | |||
+ | model = LinearRegression().fit(list(zip(x)), | ||
+ | x_recta=[min(x), | ||
+ | y_recta = model.predict(list(zip(x_recta))) | ||
+ | axes.plot(x_recta, | ||
+ | </ | ||
Mas información: | Mas información: | ||
Línea 167: | Línea 313: | ||
Con esos dos datos podemos calcular cuantos terabytes se pueden escribir como media cada dia o TBWPD (TeraBytes Written Per Day). | Con esos dos datos podemos calcular cuantos terabytes se pueden escribir como media cada dia o TBWPD (TeraBytes Written Per Day). | ||
- | $$TeraBytes \quad Written \quad Per \quad Day \quad (TBWPD)=\frac{TWB}{365*Años \quad de \quad garantía}$$ | + | $$TeraBytes \quad Written \quad Per \quad Day \quad (TBWPD)=\frac{TBW}{365*Años \quad de \quad garantía}$$ |
Pero realmente el dato que acabamos de calcular | Pero realmente el dato que acabamos de calcular | ||
Línea 456: | Línea 602: | ||
* Micro SD | * Micro SD | ||
* M.2 Key E | * M.2 Key E | ||
+ | * [[https:// | ||
Mas información: | Mas información: | ||
Línea 666: | Línea 813: | ||
* Si no tienes SSD, busca por internet una captura de pantalla de CrystalDiskInfo de un SSD. | * Si no tienes SSD, busca por internet una captura de pantalla de CrystalDiskInfo de un SSD. | ||
</ | </ | ||
+ | |||
+ | ==== Ejercicio 14 ==== | ||
+ | Lee el siguiente artículo: | ||
+ | |||
+ | [[https:// | ||
+ | |||
+ | Haz un esquema de una placa base y explica en que consiste el problema. | ||
+ | |||
+ | ==== Ejercicio 15 ==== | ||
+ | En Amazon podemos encontrar los siguientes discos: | ||
+ | * {{ : | ||
+ | * {{ : | ||
+ | |||
+ | Indica | ||
+ | * Si en la descripción de alguno de ellos hay algo erroneo. | ||
+ | * ¿Cual te compraría? Razona la respuesta. | ||