随着云计算、大数据等技术的迅猛发展,数据爆发式增长对存储系统的容量、性能、可靠性提出巨大挑战。基于三维（Three-dimensional,3D）NAND（Not-And）闪存的固态硬盘（Solid-state Drive,SSD）因大容量、高性能、低功耗等特点在存储系统中逐渐取代传统硬盘成为主流存储设备。得益于三维堆叠、多阶存储单元、以及空间压缩等技术,闪存存储容量以指数速度增长。然而闪存存储容量增长技术牺牲了存储介质的性能与可靠性,给存储设备与系统带来一系列性能与可靠性问题,解决这些问题归根结底需要深入理解存储介质特性。而随着闪存厂商技术的差异化发展,3D NAND闪存特性表现愈发复杂和难以理解,存储介质特性理解与系统优化需求之间的差距日益增大,为此急需对3D NAND闪存特性开展全面深入的刻画与建模研究。现有研究工作缺乏对3D NAND闪存性能、可靠性、阈值电压分布等特性的多层次刻画,在充分利用3D NAND闪存介质特性优化系统性能和可靠性方面还有所欠缺。针对此现状,对多家厂商、不同结构、不同类型的7种型号3D NAND闪存芯片进行性能、可靠性在编程/擦除次数、数据保存时间、读干扰等多维干扰因素组合下的全面覆盖性测试。多层次、系统性地分析了3D NAND闪存性能、可靠性、阈值电压分布等特性与干扰因素之间的关联关系,定性定量地刻画各层次特性表现、敏感性差异以及阈值电压漂移规律,给出多应用场景下优化闪存存储系统性能与可靠性的可行性建议与部分低收益分析,为闪存特性建模与特性应用提供理论和数据支撑。不同厂商、类型、堆叠架构闪存型号间的特性差异对现有特性建模方法的通用性构成严重挑战,3D NAND闪存中多维干扰因素与差异因素严重影响现有特性建模方法的扩展性和模型精度。针对现有特性建模方法在通用性与精度方面的差距与不足,将机器学习算法引入3D NAND闪存特性建模,充分考虑多维干扰因素与多层次差异因素的协同作用,提出通用的阈值电压分布与误码率建模方法。实验结果表明,与现有最优阈值电压模型相比,基于神经网络的阈值电压模型可获得4.91倍精度及2.19倍的“精度/开销比”;与现有最优误码率模型相比,在不增加额外开销的情况下,基于Light GBM（Light Gradient Boosting Machine）的误码率模型最高可获得108倍预测稳定性和8.67倍精度。3D NAND闪存容量增长导致闪存测试时间开销呈数倍至数十倍增加,高密度大容量3D NAND闪存中存在特性数据获取效率低下的问题。针对此提出一种错误生成方法,通过小样本特性数据学习以高效地构建大容量特性数据样本集。该方法利用条件生成对抗网络（Conditional Generative Adversarial Networks,c GAN）学习3D NAND闪存多维干扰因素组合下的错误特征并生成相应的错误特征数据。实验结果表明,与实际测量数据相比,该方法生成闪存层间错误分布的平均相对偏差最低达2.88%,闪存块的总错误分布相对偏差最低达2.9%。在保证真实性和多样性的前提下,CPU运行c GAN模型每秒可生成2400条数据样本,与测试同等规模样本数据集开销相比,生成的开销可以忽略不计。