CN105589795A - 基于预测模型的磁盘故障预测方法及装置 - Google Patents
基于预测模型的磁盘故障预测方法及装置 Download PDFInfo
- Publication number
- CN105589795A CN105589795A CN201410845353.1A CN201410845353A CN105589795A CN 105589795 A CN105589795 A CN 105589795A CN 201410845353 A CN201410845353 A CN 201410845353A CN 105589795 A CN105589795 A CN 105589795A
- Authority
- CN
- China
- Prior art keywords
- disk
- information
- failure
- forecast model
- back ground
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明提出了基于预测模型的磁盘故障预测方法及装置,其中,所述方法包括:(A1)收集海量磁盘的基础信息、历史运行信息和故障信息;(A2)分析所收集的海量磁盘的基础信息、历史运行信息和故障信息以确定与磁盘发生故障强相关的要素,并基于所确定的与磁盘发生故障强相关的要素构建预测模型;(A3)基于所述预测模型预测每个正在运行的磁盘发生故障的概率以及数量。本发明所公开的基于预测模型的磁盘故障预测方法及装置能够预测磁盘故障发生概率以及数量。
Description
技术领域
本发明涉及磁盘故障预测方法及装置,更具体地,涉及基于预测模型的磁盘故障预测方法及装置。
背景技术
目前,随着计算机和网络应用的日益广泛以及不同领域的业务种类的日益丰富,基于海量数据存储的云计算技术的应用变得越来越广泛,由此,随着用于存储海量数据的机械式硬盘(例如SAS硬盘以及SATA硬盘)的数量的显著增长,其发生故障的概率以及不良影响也越来越大,因此,对磁盘故障进行处理和维护变得越来越重要。
在现有的技术方案中,通常通过有限的冗余备份的方式来在磁盘发生故障的情况下确保数据处理和系统运行的连续性。
然而,现有的技术方案存在如下问题:有限的冗余备份的方式仅能够在少量磁盘损坏的情况下保证数据处理和系统运行的连续性,而在较多磁盘发生故障的情况下,该方式难于保证系统的稳定运行和数据处理效率,此外,由于不能预估发生故障的磁盘的数量,因此难于准确地准备用于应急和备份的磁盘的数量,由此使得维护成本上升。
因此,存在如下需求:提供能够预测磁盘故障发生概率以及数量的基于预测模型的磁盘故障预测方法及装置。
发明内容
为了解决上述现有技术方案所存在的问题,本发明提出了能够预测磁盘故障发生概率以及数量的基于预测模型的磁盘故障预测方法及装置。
本发明的目的是通过以下技术方案实现的:
一种基于预测模型的磁盘故障预测方法,所述基于预测模型的磁盘故障预测方法包括下列步骤:
(A1)收集海量磁盘的基础信息、历史运行信息和故障信息;
(A2)分析所收集的海量磁盘的基础信息、历史运行信息和故障信息以确定与磁盘发生故障强相关的要素,并基于所确定的与磁盘发生故障强相关的要素构建预测模型;
(A3)基于所述预测模型预测每个正在运行的磁盘发生故障的概率以及数量。
在上面所公开的方案中,优选地,所述预测模型是线性预测模型。
在上面所公开的方案中,优选地,所述方法还包括:周期性地检测并记录每个正在运行的磁盘的运行状态信息,并且在磁盘发生故障时记录故障发生时间、故障原因以及发生故障时该磁盘的运行状态。
在上面所公开的方案中,优选地,所述基础信息包括磁盘类型、磁盘生产商、磁盘出厂信息,所述历史运行信息包括运行时间、运行环境以及基于时间序列的运行状态信息,所述故障信息包括故障发生时间、故障原因。
在上面所公开的方案中,优选地,所述步骤(A2)进一步包括:分析磁盘的基础信息、历史运行信息和故障信息意之间的相关性以确定与磁盘发生故障强相关的要素,并将所确定的强相关要素作为采样点而构建所述线性预测模型。
在上面所公开的方案中,优选地,所述步骤(A3)进一步包括:获取各个磁盘的基础信息和当前运行信息并基于所述线性预测模型计算并预测每个磁盘未来一天或一周内发生故障的概率,并且基于所预测的概率确定未来一天或一周内可能会发生故障的磁盘的数量。
本发明的目的也可以通过以下技术方案实现:
一种基于预测模型的磁盘故障预测装置,所述基于预测模型的磁盘故障预测装置包括:
信息收集单元,所述信息收集单元收集海量磁盘的基础信息、历史运行信息和故障信息,并将所收集的海量磁盘的基础信息、历史运行信息和故障信息传送至模型构建单元;
模型构建单元,所述模型构建单元分析所述海量磁盘的基础信息、历史运行信息和故障信息以确定与磁盘发生故障强相关的要素,并基于所确定的与磁盘发生故障强相关的要素构建预测模型,以及将所述预测模型提供给故障预测单元;
故障预测单元,所述故障预测单元基于所述预测模型预测每个正在运行的磁盘发生故障的概率以及数量。
在上面所公开的方案中,优选地,所述预测模型是线性预测模型。
在上面所公开的方案中,优选地,所述装置还包括信息记录单元,所述信息记录单元周期性地检测并记录每个正在运行的磁盘的运行状态信息,并且在磁盘发生故障时记录故障发生时间、故障原因以及发生故障时该磁盘的运行状态。
在上面所公开的方案中,优选地,所述基础信息包括磁盘类型、磁盘生产商、磁盘出厂信息,所述历史运行信息包括运行时间、运行环境以及基于时间序列的运行状态信息,所述故障信息包括故障发生时间、故障原因。
在上面所公开的方案中,优选地,所述模型构建单元以如下方式构建所述线性预测模型:分析磁盘的基础信息、历史运行信息和故障信息意之间的相关性以确定与磁盘发生故障强相关的要素,并将所确定的强相关要素作为采样点而构建所述线性预测模型。
在上面所公开的方案中,优选地,所述故障预测单元以如下方式预测每个正在运行的磁盘发生故障的概率以及数量:获取各个磁盘的基础信息和当前运行信息并基于所述线性预测模型计算并预测每个磁盘未来一天或一周内发生故障的概率,并且基于所预测的概率确定未来一天或一周内可能会发生故障的磁盘的数量。
本发明所公开的基于预测模型的磁盘故障预测方法及装置具有以下优点:能够预测磁盘故障发生概率以及数量,由此能够确保系统的稳定运行和数据处理的效率,并且能够预估发生故障的磁盘的数量,从而能够更准确地准备用于应急和备份的磁盘,使得维护便捷且成本较低。
附图说明
结合附图,本发明的技术特征以及优点将会被本领域技术人员更好地理解,其中:
图1是根据本发明的实施例的基于预测模型的磁盘故障预测方法的流程图;
图2是根据本发明的实施例的基于预测模型的磁盘故障预测装置的示意性结构图。
具体实施方式
图1是根据本发明的实施例的基于预测模型的磁盘故障预测方法的流程图。如图1所示,本发明所公开的基于预测模型的磁盘故障预测方法包括下列步骤:(A1)收集海量磁盘的基础信息、历史运行信息和故障信息;(A2)分析所收集的海量磁盘的基础信息、历史运行信息和故障信息以确定与磁盘发生故障强相关的要素,并基于所确定的与磁盘发生故障强相关的要素构建预测模型;(A3)基于所述预测模型预测每个正在运行的磁盘发生故障的概率以及数量。
优选地,在本发明所公开的基于预测模型的磁盘故障预测方法中,所述预测模型是线性预测模型。
优选地,本发明所公开的基于预测模型的磁盘故障预测方法还包括:周期性地(例如10秒或者1分钟)检测并记录每个正在运行的磁盘的运行状态信息,并且在磁盘发生故障时记录故障发生时间、故障原因以及发生故障时该磁盘的运行状态。
优选地,在本发明所公开的基于预测模型的磁盘故障预测方法中,所述基础信息包括但不限于磁盘类型、磁盘生产商、磁盘出厂信息,所述历史运行信息包括但不限于运行时间、运行环境(即使用场景,例如,如果是海量数据处理环境则涉及大量的读写操作,如果是虚拟化环境,则仅涉及少量的读写操作)以及基于时间序列的运行状态信息,所述故障信息包括但不限于故障发生时间、故障原因。
优选地,在本发明所公开的基于预测模型的磁盘故障预测方法中,所述步骤(A2)进一步包括:分析磁盘的基础信息、历史运行信息和故障信息意之间的相关性以确定与磁盘发生故障强相关的要素(例如运行时间、访问频度等等),并将所确定的强相关要素作为采样点而构建所述线性预测模型(例如,所述线性预测模型的时间单位为“天”)。
优选地,在本发明所公开的基于预测模型的磁盘故障预测方法中,所述步骤(A3)进一步包括:获取各个磁盘的基础信息和当前运行信息并基于所述线性预测模型计算并预测每个磁盘未来一天或一周内发生故障的概率,并且基于所预测的概率确定未来一天或一周内可能会发生故障的磁盘的数量(例如发生故障的概率大于预定阈值的磁盘的数量)。
由上可见,本发明所公开的基于预测模型的磁盘故障预测方法具有下列优点:能够预测磁盘故障发生概率以及数量,由此能够确保系统的稳定运行和数据处理的效率,并且能够预估发生故障的磁盘的数量,从而能够更准确地准备用于应急和备份的磁盘,使得维护便捷且成本较低。
图2是根据本发明的实施例的基于预测模型的磁盘故障预测装置的示意性结构图。如图2所示,本发明所公开的基于预测模型的磁盘故障预测装置包括信息收集单元1、模型构建单元2和故障预测单元3。所述信息收集单元1收集海量磁盘的基础信息、历史运行信息和故障信息,并将所收集的海量磁盘的基础信息、历史运行信息和故障信息传送至模型构建单元2。所述模型构建单元2分析所述海量磁盘的基础信息、历史运行信息和故障信息以确定与磁盘发生故障强相关的要素,并基于所确定的与磁盘发生故障强相关的要素构建预测模型,以及将所述预测模型提供给故障预测单元3。所述故障预测单元3基于所述预测模型预测每个正在运行的磁盘发生故障的概率以及数量。
优选地,在本发明所公开的基于预测模型的磁盘故障预测装置中,所述预测模型是线性预测模型。
优选地,本发明所公开的基于预测模型的磁盘故障预测装置还包括信息记录单元4,所述信息记录单元4周期性地(例如10秒或者1分钟)检测并记录每个正在运行的磁盘的运行状态信息,并且在磁盘发生故障时记录故障发生时间、故障原因以及发生故障时该磁盘的运行状态。
优选地,在本发明所公开的基于预测模型的磁盘故障预测装置中,所述基础信息包括但不限于磁盘类型、磁盘生产商、磁盘出厂信息,所述历史运行信息包括但不限于运行时间、运行环境(即使用场景,例如,如果是海量数据处理环境则涉及大量的读写操作,如果是虚拟化环境,则仅涉及少量的读写操作)以及基于时间序列的运行状态信息,所述故障信息包括但不限于故障发生时间、故障原因。
优选地,在本发明所公开的基于预测模型的磁盘故障预测装置中,所述模型构建单元2以如下方式构建所述线性预测模型:分析磁盘的基础信息、历史运行信息和故障信息意之间的相关性以确定与磁盘发生故障强相关的要素(例如运行时间、访问频度等等),并将所确定的强相关要素作为采样点而构建所述线性预测模型(例如,所述线性预测模型的时间单位为“天”)。
优选地,在本发明所公开的基于预测模型的磁盘故障预测装置中,所述故障预测单元3以如下方式预测每个正在运行的磁盘发生故障的概率以及数量:获取各个磁盘的基础信息和当前运行信息并基于所述线性预测模型计算并预测每个磁盘未来一天或一周内发生故障的概率,并且基于所预测的概率确定未来一天或一周内可能会发生故障的磁盘的数量(例如发生故障的概率大于预定阈值的磁盘的数量)。
由上可见,本发明所公开的基于预测模型的磁盘故障预测装置具有下列优点:能够预测磁盘故障发生概率以及数量,由此能够确保系统的稳定运行和数据处理的效率,并且能够预估发生故障的磁盘的数量,从而能够更准确地准备用于应急和备份的磁盘,使得维护便捷且成本较低。
尽管本发明是通过上述的优选实施方式进行描述的,但是其实现形式并不局限于上述的实施方式。应该认识到:在不脱离本发明主旨和范围的情况下,本领域技术人员可以对本发明做出不同的变化和修改。
Claims (12)
1.一种基于预测模型的磁盘故障预测方法,所述基于预测模型的磁盘故障预测方法包括下列步骤:
(A1)收集海量磁盘的基础信息、历史运行信息和故障信息;
(A2)分析所收集的海量磁盘的基础信息、历史运行信息和故障信息以确定与磁盘发生故障强相关的要素,并基于所确定的与磁盘发生故障强相关的要素构建预测模型;
(A3)基于所述预测模型预测每个正在运行的磁盘发生故障的概率以及数量。
2.根据权利要求1所述的基于预测模型的磁盘故障预测方法,其特征在于,所述预测模型是线性预测模型。
3.根据权利要求2所述的基于预测模型的磁盘故障预测方法,其特征在于,所述方法还包括:周期性地检测并记录每个正在运行的磁盘的运行状态信息,并且在磁盘发生故障时记录故障发生时间、故障原因以及发生故障时该磁盘的运行状态。
4.根据权利要求3所述的基于预测模型的磁盘故障预测方法,其特征在于,所述基础信息包括磁盘类型、磁盘生产商、磁盘出厂信息,所述历史运行信息包括运行时间、运行环境以及基于时间序列的运行状态信息,所述故障信息包括故障发生时间、故障原因。
5.根据权利要求4所述的基于预测模型的磁盘故障预测方法,其特征在于,所述步骤(A2)进一步包括:分析磁盘的基础信息、历史运行信息和故障信息意之间的相关性以确定与磁盘发生故障强相关的要素,并将所确定的强相关要素作为采样点而构建所述线性预测模型。
6.根据权利要求5所述的基于预测模型的磁盘故障预测方法,其特征在于,所述步骤(A3)进一步包括:获取各个磁盘的基础信息和当前运行信息并基于所述线性预测模型计算并预测每个磁盘未来一天或一周内发生故障的概率,并且基于所预测的概率确定未来一天或一周内可能会发生故障的磁盘的数量。
7.一种基于预测模型的磁盘故障预测装置,所述基于预测模型的磁盘故障预测装置包括:
信息收集单元,所述信息收集单元收集海量磁盘的基础信息、历史运行信息和故障信息,并将所收集的海量磁盘的基础信息、历史运行信息和故障信息传送至模型构建单元;
模型构建单元,所述模型构建单元分析所述海量磁盘的基础信息、历史运行信息和故障信息以确定与磁盘发生故障强相关的要素,并基于所确定的与磁盘发生故障强相关的要素构建预测模型,以及将所述预测模型提供给故障预测单元;
故障预测单元,所述故障预测单元基于所述预测模型预测每个正在运行的磁盘发生故障的概率以及数量。
8.根据权利要求7所述的基于预测模型的磁盘故障预测装置,其特征在于,所述预测模型是线性预测模型。
9.根据权利要求8所述的基于预测模型的磁盘故障预测装置,其特征在于,所述装置还包括信息记录单元,所述信息记录单元周期性地检测并记录每个正在运行的磁盘的运行状态信息,并且在磁盘发生故障时记录故障发生时间、故障原因以及发生故障时该磁盘的运行状态。
10.根据权利要求9所述的基于预测模型的磁盘故障预测装置,其特征在于,所述基础信息包括磁盘类型、磁盘生产商、磁盘出厂信息,所述历史运行信息包括运行时间、运行环境以及基于时间序列的运行状态信息,所述故障信息包括故障发生时间、故障原因。
11.根据权利要求10所述的基于预测模型的磁盘故障预测装置,其特征在于,所述模型构建单元以如下方式构建所述线性预测模型:分析磁盘的基础信息、历史运行信息和故障信息意之间的相关性以确定与磁盘发生故障强相关的要素,并将所确定的强相关要素作为采样点而构建所述线性预测模型。
12.根据权利要求11所述的基于预测模型的磁盘故障预测装置,其特征在于,所述故障预测单元以如下方式预测每个正在运行的磁盘发生故障的概率以及数量:获取各个磁盘的基础信息和当前运行信息并基于所述线性预测模型计算并预测每个磁盘未来一天或一周内发生故障的概率,并且基于所预测的概率确定未来一天或一周内可能会发生故障的磁盘的数量。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410845353.1A CN105589795A (zh) | 2014-12-31 | 2014-12-31 | 基于预测模型的磁盘故障预测方法及装置 |
PCT/CN2015/097409 WO2016107402A1 (zh) | 2014-12-31 | 2015-12-15 | 基于预测模型的磁盘故障预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410845353.1A CN105589795A (zh) | 2014-12-31 | 2014-12-31 | 基于预测模型的磁盘故障预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105589795A true CN105589795A (zh) | 2016-05-18 |
Family
ID=55929393
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410845353.1A Pending CN105589795A (zh) | 2014-12-31 | 2014-12-31 | 基于预测模型的磁盘故障预测方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN105589795A (zh) |
WO (1) | WO2016107402A1 (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106598791A (zh) * | 2016-09-12 | 2017-04-26 | 湖南微软创新中心有限公司 | 一种基于机器学习的工业设备故障预防性识别方法 |
CN106598486A (zh) * | 2016-11-11 | 2017-04-26 | 工业和信息化部电信研究院 | 一种云服务数据存储持久性评估装置和方法 |
CN107239388A (zh) * | 2017-05-27 | 2017-10-10 | 郑州云海信息技术有限公司 | 一种监测告警方法及系统 |
CN107479836A (zh) * | 2017-08-29 | 2017-12-15 | 郑州云海信息技术有限公司 | 磁盘故障监控方法、装置以及存储系统 |
CN107728929A (zh) * | 2016-08-10 | 2018-02-23 | 先智云端数据股份有限公司 | 用于云端服务系统中数据保护的方法 |
CN107957935A (zh) * | 2017-11-23 | 2018-04-24 | 上海联影医疗科技有限公司 | 设备的控制方法和装置、计算机可读存储介质 |
CN108376553A (zh) * | 2018-02-28 | 2018-08-07 | 北京奇艺世纪科技有限公司 | 一种视频服务器的磁盘的监控方法及系统 |
CN108763002A (zh) * | 2018-05-25 | 2018-11-06 | 郑州云海信息技术有限公司 | 基于机器学习预测cpu故障的方法及系统 |
CN109032891A (zh) * | 2018-07-23 | 2018-12-18 | 郑州云海信息技术有限公司 | 一种云计算服务器硬盘故障预测方法及装置 |
CN109240867A (zh) * | 2018-09-18 | 2019-01-18 | 鸿秦(北京)科技有限公司 | 硬盘故障预测方法 |
CN109474474A (zh) * | 2018-12-07 | 2019-03-15 | 天津津航计算技术研究所 | 基于泊松分布故障模型的无线传感器网络故障检测系统 |
CN109495313A (zh) * | 2018-12-07 | 2019-03-19 | 天津津航计算技术研究所 | 基于泊松分布故障模型的无线传感器网络故障检测方法 |
CN109962857A (zh) * | 2017-12-26 | 2019-07-02 | 中国电信股份有限公司 | 流量控制方法、装置及计算机可读存储介质 |
CN111258788A (zh) * | 2020-01-17 | 2020-06-09 | 上海商汤智能科技有限公司 | 磁盘故障预测方法、装置及计算机可读存储介质 |
CN113447290A (zh) * | 2021-06-25 | 2021-09-28 | 上海三一重机股份有限公司 | 一种工程机械故障预警方法、装置及工程机械 |
WO2021238258A1 (zh) * | 2020-05-28 | 2021-12-02 | 苏州浪潮智能科技有限公司 | 一种磁盘故障预测方法和系统 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111381990B (zh) * | 2020-03-16 | 2023-10-20 | 上海威固信息技术股份有限公司 | 一种基于流特征的磁盘故障预测方法及装置 |
CN114697203B (zh) * | 2022-03-31 | 2023-07-25 | 浙江省通信产业服务有限公司 | 一种网络故障的预判方法、装置、电子设备及存储介质 |
CN116126593B (zh) * | 2023-01-10 | 2023-09-08 | 华南高科(广东)股份有限公司 | 一种云平台环境下的数据备份系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6574754B1 (en) * | 2000-02-14 | 2003-06-03 | International Business Machines Corporation | Self-monitoring storage device using neural networks |
CN102129397A (zh) * | 2010-12-29 | 2011-07-20 | 深圳市永达电子股份有限公司 | 一种自适应磁盘阵列故障预测方法及系统 |
CN103116531A (zh) * | 2013-01-25 | 2013-05-22 | 浪潮(北京)电子信息产业有限公司 | 存储系统故障预测方法和装置 |
CN103646114A (zh) * | 2013-12-26 | 2014-03-19 | 北京百度网讯科技有限公司 | 硬盘smart数据中特征数据提取方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102981930A (zh) * | 2012-11-15 | 2013-03-20 | 浪潮电子信息产业股份有限公司 | 一种磁盘阵列多级数据自动修复的方法 |
-
2014
- 2014-12-31 CN CN201410845353.1A patent/CN105589795A/zh active Pending
-
2015
- 2015-12-15 WO PCT/CN2015/097409 patent/WO2016107402A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6574754B1 (en) * | 2000-02-14 | 2003-06-03 | International Business Machines Corporation | Self-monitoring storage device using neural networks |
CN102129397A (zh) * | 2010-12-29 | 2011-07-20 | 深圳市永达电子股份有限公司 | 一种自适应磁盘阵列故障预测方法及系统 |
CN103116531A (zh) * | 2013-01-25 | 2013-05-22 | 浪潮(北京)电子信息产业有限公司 | 存储系统故障预测方法和装置 |
CN103646114A (zh) * | 2013-12-26 | 2014-03-19 | 北京百度网讯科技有限公司 | 硬盘smart数据中特征数据提取方法和装置 |
Non-Patent Citations (1)
Title |
---|
敖志刚: "《下一代因特网及其新技术》", 31 January 2013 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107728929A (zh) * | 2016-08-10 | 2018-02-23 | 先智云端数据股份有限公司 | 用于云端服务系统中数据保护的方法 |
CN106598791A (zh) * | 2016-09-12 | 2017-04-26 | 湖南微软创新中心有限公司 | 一种基于机器学习的工业设备故障预防性识别方法 |
CN106598791B (zh) * | 2016-09-12 | 2020-08-21 | 湖南微软创新中心有限公司 | 一种基于机器学习的工业设备故障预防性识别方法 |
CN106598486B (zh) * | 2016-11-11 | 2019-08-02 | 工业和信息化部电信研究院 | 一种云服务数据存储持久性评估装置和方法 |
CN106598486A (zh) * | 2016-11-11 | 2017-04-26 | 工业和信息化部电信研究院 | 一种云服务数据存储持久性评估装置和方法 |
CN107239388A (zh) * | 2017-05-27 | 2017-10-10 | 郑州云海信息技术有限公司 | 一种监测告警方法及系统 |
CN107479836A (zh) * | 2017-08-29 | 2017-12-15 | 郑州云海信息技术有限公司 | 磁盘故障监控方法、装置以及存储系统 |
CN107957935A (zh) * | 2017-11-23 | 2018-04-24 | 上海联影医疗科技有限公司 | 设备的控制方法和装置、计算机可读存储介质 |
CN109962857B (zh) * | 2017-12-26 | 2022-08-30 | 中国电信股份有限公司 | 流量控制方法、装置及计算机可读存储介质 |
CN109962857A (zh) * | 2017-12-26 | 2019-07-02 | 中国电信股份有限公司 | 流量控制方法、装置及计算机可读存储介质 |
CN108376553A (zh) * | 2018-02-28 | 2018-08-07 | 北京奇艺世纪科技有限公司 | 一种视频服务器的磁盘的监控方法及系统 |
CN108763002A (zh) * | 2018-05-25 | 2018-11-06 | 郑州云海信息技术有限公司 | 基于机器学习预测cpu故障的方法及系统 |
CN109032891A (zh) * | 2018-07-23 | 2018-12-18 | 郑州云海信息技术有限公司 | 一种云计算服务器硬盘故障预测方法及装置 |
CN109240867A (zh) * | 2018-09-18 | 2019-01-18 | 鸿秦(北京)科技有限公司 | 硬盘故障预测方法 |
CN109495313B (zh) * | 2018-12-07 | 2021-08-27 | 天津津航计算技术研究所 | 基于泊松分布故障模型的无线传感器网络故障检测方法 |
CN109474474B (zh) * | 2018-12-07 | 2021-08-27 | 天津津航计算技术研究所 | 基于泊松分布故障模型的无线传感器网络故障检测系统 |
CN109495313A (zh) * | 2018-12-07 | 2019-03-19 | 天津津航计算技术研究所 | 基于泊松分布故障模型的无线传感器网络故障检测方法 |
CN109474474A (zh) * | 2018-12-07 | 2019-03-15 | 天津津航计算技术研究所 | 基于泊松分布故障模型的无线传感器网络故障检测系统 |
CN111258788A (zh) * | 2020-01-17 | 2020-06-09 | 上海商汤智能科技有限公司 | 磁盘故障预测方法、装置及计算机可读存储介质 |
CN111258788B (zh) * | 2020-01-17 | 2024-04-12 | 上海商汤智能科技有限公司 | 磁盘故障预测方法、装置及计算机可读存储介质 |
WO2021238258A1 (zh) * | 2020-05-28 | 2021-12-02 | 苏州浪潮智能科技有限公司 | 一种磁盘故障预测方法和系统 |
CN113447290A (zh) * | 2021-06-25 | 2021-09-28 | 上海三一重机股份有限公司 | 一种工程机械故障预警方法、装置及工程机械 |
Also Published As
Publication number | Publication date |
---|---|
WO2016107402A1 (zh) | 2016-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105589795A (zh) | 基于预测模型的磁盘故障预测方法及装置 | |
CN109739739B (zh) | 磁盘故障的预测方法、设备及存储介质 | |
US10147048B2 (en) | Storage device lifetime monitoring system and storage device lifetime monitoring method thereof | |
CN109558287B (zh) | 一种固态硬盘寿命预测方法、装置和系统 | |
CN110413227B (zh) | 一种硬盘设备的剩余使用寿命在线预测方法和系统 | |
US11558272B2 (en) | Methods and systems for predicting time of server failure using server logs and time-series data | |
US20150205657A1 (en) | Predicting failure of a storage device | |
US20090161243A1 (en) | Monitoring Disk Drives To Predict Failure | |
CN102576326B (zh) | 操作监测设备、操作监测方法和程序存储介质 | |
CN103207820B (zh) | 基于raid卡日志的硬盘的故障定位方法及装置 | |
US20120151276A1 (en) | Early Detection of Failing Computers | |
US11030038B2 (en) | Fault prediction and detection using time-based distributed data | |
CN111371832A (zh) | 一种数据存储、检测方法及设备 | |
US20150370587A1 (en) | Computer-readable recording medium having stored therein outputting program, output apparatus and outputting method | |
US10996861B2 (en) | Method, device and computer product for predicting disk failure | |
US8082275B2 (en) | Service model flight recorder | |
JP6413537B2 (ja) | 障害予兆通報装置および予兆通報方法、予兆通報プログラム | |
US9529655B2 (en) | Determining alert criteria in a network environment | |
US11777824B2 (en) | Anomaly detection method and apparatus | |
CN111104342A (zh) | 用于存储的方法、电子设备和计算机程序产品 | |
US11126501B2 (en) | Method, device and program product for avoiding a fault event of a disk array | |
US8732525B2 (en) | User-coordinated resource recovery | |
CN103902454A (zh) | 一种软件故障的定位方法和装置 | |
CN105607973B (zh) | 一种虚拟机系统中设备故障处理的方法、装置及系统 | |
CN111176945A (zh) | 节点故障定位方法、装置、设备及计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160518 |