CN108681496A - 磁盘故障的预测方法、装置及电子设备 - Google Patents

Abstract

本发明实施例提供了一种磁盘故障的预测方法、装置及电子设备，该方法包括：获取待检测磁盘在指定时间前的N组基本指标数据，其中，N为正整数；利用预先训练的神经网络模型对待检测磁盘在指定时间前的N组基本指标数据进行预测，确定待检测磁盘在指定时间的故障预测结果。在本发明实施例的磁盘故障的预测方法中，可以通过在指定时间前的基本指标数据，预测待检测磁盘在指定时间的故障预测结果，可以根据故障预测结果及时更换磁盘，从而减少磁盘故障对上层业务造成的影响。

Description

磁盘故障的预测方法、装置及电子设备

技术领域

本发明涉及硬件检测技术领域，特别是涉及磁盘故障的预测方法、装置及电子设备。

背景技术

随着计算机技术的发展，互联网中的数据量呈井喷式的发展。数据中心为了适应庞大的存储量，需要添加大量的磁盘。因此，对于偶发的磁盘故障，由于磁盘基数庞大，磁盘故障在数据中心时有发生。磁盘故障会直接影响数据的安全，甚至会造成服务器宕机等严重问题。

在现有磁盘故障检测方法中，获取磁盘的SMART(Self-Monitoring Analysis andReporting Technology，自我检测、分析及报告技术)指标，判断SMART指标是否超过指标阈值，在SMART指标超过指标阈值时，判定磁盘已经发生了故障。

然而，发明人在实现本发明的过程中发现，现有技术至少存在如下问题：

在实际磁盘故障测试过程中，在SMART指标超过指标阈值时，判定磁盘已经发生了故障，存在滞后性，磁盘故障已经对上层业务造成了影响。

发明内容

本发明实施例的目的在于提供一种磁盘故障的预测方法、装置及电子设备，以实现减少磁盘故障对上层业务造成的影响。具体技术方案如下：

第一方面，本发明实施例提供了一种磁盘故障的预测方法，所述方法包括：

获取待检测磁盘在指定时间前的N组基本指标数据，其中，N为正整数；

利用预先训练的神经网络模型对所述待检测磁盘在指定时间前的N组基本指标数据进行预测，确定所述待检测磁盘在所述指定时间的故障预测结果。

可选的，预先训练神经网络模型的步骤包括：

针对预设类型的多个样本磁盘，分别获取每个所述样本磁盘在一时间前连续的M组基本指标数据，其中，所述预设类型包括所述待检测磁盘的类型，M为正整数，且M≥N；

获取各所述样本磁盘在所述一时间的运行状态，其中，所述运行状态为故障状态或正常状态；

利用各所述样本磁盘在所述一时间的运行状态，及所述样本磁盘在一时间前连续的M组基本指标数据，对神经网络模型进行训练，得到所述预先训练的神经网络模型。

可选的，在所述利用预先训练的神经网络模型对N组所述基本指标数据进行预测，确定所述待检测磁盘在所述指定时间的故障预测结果之后，所述方法还包括：

若所述待检测磁盘的故障预测结果连续为故障的次数超过预设异常次数阈值，利用所述待检测磁盘的自诊断程序Selftest对所述待检测磁盘进行检测，得到故障检测结果。

可选的，本发明实施例的磁盘故障的预测方法还包括：

通过所述故障检测结果及所述待检测磁盘在指定时间前的N组基本指标数据，更新所述预先训练的神经网络模型。

可选的，所述基本指标数据包括：自我检测、分析及报告技术SMART指标。

第二方面，本发明实施例提供了一种磁盘故障的预测装置，所述装置包括：

数据获取模块，用于获取待检测磁盘在指定时间前的N组基本指标数据，其中，N为正整数；

故障预测模块，用于利用预先训练的神经网络模型对所述待检测磁盘在指定时间前的N组基本指标数据进行预测，确定所述待检测磁盘在所述指定时间的故障预测结果。

可选的，本发明实施例的磁盘故障的预测装置还包括：

采样模块，用于针对预设类型的多个样本磁盘，分别获取每个所述样本磁盘在一时间前连续的M组基本指标数据，其中，所述预设类型包括所述待检测磁盘的类型，M为正整数，且M≥N；

状态确定模块，用于获取各所述样本磁盘在所述一时间的运行状态，其中，所述运行状态为故障状态或正常状态；

网络训练模块，用于利用各所述样本磁盘在所述一时间的运行状态，及所述样本磁盘在一时间前连续的M组基本指标数据，对神经网络模型进行训练，得到所述预先训练的神经网络模型。

可选的，本发明实施例的磁盘故障的预测装置还包括：

故障检测模块，用于若所述待检测磁盘的故障预测结果连续为故障的次数超过预设异常次数阈值，利用所述待检测磁盘的自诊断程序Selftest对所述待检测磁盘进行检测，得到故障检测结果。

可选的，本发明实施例的磁盘故障的预测装置还包括：

网络更新模块，用于通过所述故障检测结果及所述待检测磁盘在指定时间前的N组基本指标数据，更新所述预先训练的神经网络模型。

可选的，在本发明实施例的磁盘故障的预测装置中，所述基本指标数据包括：自我检测、分析及报告技术SMART指标。

第三方面，本发明实施例提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，所述处理器，所述通信接口，所述存储器通过所述通信总线完成相互间的通信；

所述存储器，用于存放计算机程序；

所述处理器，用于执行存储器上所存放的程序时，实现上述第一方面任一磁盘故障的预测方法。

第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述第一方面任一磁盘故障的预测方法。

第五方面，本发明实施例提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述第一方面任一磁盘故障的预测方法法。

本发明实施例提供的磁盘故障的预测方法、装置及电子设备，获取待检测磁盘在指定时间前的N组基本指标数据，其中，N为正整数；利用预先训练的神经网络模型对待检测磁盘在指定时间前的N组基本指标数据进行预测，确定待检测磁盘在指定时间的故障预测结果。可以通过在指定时间前的基本指标数据，预测待检测磁盘在指定时间的故障预测结果，可以根据故障预测结果及时更换磁盘，从而减少磁盘故障对上层业务造成的影响。当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。

图1为本发明实施例的磁盘故障的预测方法的一种流程示意图；

图2为本发明实施例的神经网络模型训练方法的一种流程示意图；

图3为本发明实施例的磁盘故障的预测装置的一种示意图；

图4为本发明实施例的电子设备的一种示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行描述。

在数据中心等数据存储场景中，为了减少磁盘故障对上层业务造成的影响，本发明实施例提供了一种磁盘故障的预测方法，参见图1，该方法包括：

S101，获取待检测磁盘在指定时间前的N组基本指标数据，其中，N为正整数。

本发明实施例中的磁盘故障的预测方法可以通过预测系统实现，预测系统为任意能够实现本发明实施例的磁盘故障的预测方法的系统。例如：

预测系统可以为一种设备，包括：处理器、存储器、通信接口和总线；处理器、存储器和通信接口通过总线连接并完成相互间的通信；存储器存储可执行程序代码；处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序，以用于执行本发明实施例的磁盘故障的预测方法。

预测系统还可以为一种应用程序，用于在运行时执行本发明实施例的磁盘故障的预测方法。

预测系统还可以为一种存储介质，用于存储可执行代码，可执行代码用于执行本发明实施例的磁盘故障的预测方法。

预测系统可以获取待检测磁盘在指定时间前连续的N组基本指标数据，选取连续的N组基本指标数据，能够增加预测的准确度。在本发明实施例中，可以将一天作为单位时间，将每天中指定时段内的基本指标数据作为一组基本指标数据。当然，还可以将一小时或一周等作为单位时间，单位时间可以根据实际情况进行设定。举例来说，可以将明天作为指定时间，获取待检测磁盘N-1天前至今天的基本指标数据。

可选的，上述基本指标数据包括：自我检测、分析及报告技术SMART指标。

基本指标数据中可以包括SMART指标的Raw_value和value的值，除上述SMART指标外，基本指标数据还可以包括磁盘的类型、厂商及大小等。

在本发明实施例中，基本指标数据包括SMART指标，根据SMART指标预测的磁盘故障与各磁盘供应商认定的故障标准一致，可以减少后续更换磁盘的成本。

S102，利用预先训练的神经网络模型对上述待检测磁盘在指定时间前的N组基本指标数据进行预测，确定上述待检测磁盘在上述指定时间的故障预测结果。

预测系统将待检测磁盘在指定时间前的N组基本指标数据，例如，指定时间前连续的N组基本指标数据，输入到预先训练的神经网络模型中，得到待检测磁盘在指定时间的故障预测结果，故障预测结果为故障状态或正常状态。

可选的，在待检测磁盘的故障预测结果为故障状态时，发送标识待检测磁盘异常的告警信息。在本发明实施例中，在故障预测结果为故障状态时发送告警信息，能够及时发现异常的磁盘，以及时更换或修复磁盘。

在本发明实施例中，可以通过在指定时间前的基本指标数据，预测待检测磁盘在指定时间的故障预测结果，可以根据故障预测结果及时更换磁盘，从而减少磁盘故障对上层业务造成的影响。

可选的，参见图2，预先训练神经网络模型的步骤包括：

S201，针对预设类型的多个样本磁盘，分别获取每个上述样本磁盘在一时间前连续的M组基本指标数据，其中，上述预设类型包括上述待检测磁盘的类型，M为正整数，且M≥N。

预设类型可以根据数据中心中实际磁盘的类型进行设定，预设类型至少包括待检测磁盘的类型。选取预设类型的多个磁盘，作为样本磁盘，在预设类型为多种类型时，每种类型均需要选取多个样本磁盘。上述一时间可以为任意的时间，针对每个样本磁盘上述一时间可以相同也可以不同。但是选取样本磁盘及上述一时间时，应当保证在同一类型的多个样本磁盘中，在上述一时间时，即存在运行状态为故障状态的样本磁盘，又存在运行状态为正常状态的样本磁盘。

S202，获取各上述样本磁盘在上述一时间的运行状态，其中，上述运行状态为故障状态或正常状态。

S203，利用各上述样本磁盘在上述一时间的运行状态，及上述样本磁盘在一时间前连续的M组基本指标数据，对神经网络模型进行训练，得到上述预先训练的神经网络模型。

神经网络模型为任意的神经网络模型，例如BP(Back Propagation，反向传播)神经网络、径向基函数神经网络或Hopfield神经网络等。

可选的，本发明实施例中神经网络模型使用3层神经网络，输入层节点的数量与采集数据的特征数相同，隐藏层按模型调整，输出层包括1个节点，标记磁盘的运行状态为故障状态或正常状态。在神经网络模型训练完成后，还可以选取测试集对神经网络模型进行测试，可以采取上述S201中方法选取测试集。由于磁盘故障是小概率事件，因此可以通过Precision、Recall及F1Score这三个参数表征神经网络模型的准确度。

在本发明实施例中，给出了预先训练神经网络模型的方法，通过预先训练的神经网络模型能够得到指定时间磁盘的故障预测结果，可以根据故障预测结果及时更换磁盘，从而减少磁盘故障对上层业务造成的影响。

可选的，在上述利用预先训练的神经网络模型对N组上述基本指标数据进行预测，确定上述待检测磁盘在上述指定时间的故障预测结果之后，上述方法还包括：

若上述待检测磁盘的故障预测结果连续为故障的次数超过预设异常次数阈值，利用上述待检测磁盘的自诊断程序Selftest对上述待检测磁盘进行检测，得到故障检测结果。

预设异常次数阈值可以根据实际情况进行设定，例如，设定为1、2或5等。预测系统通过本发明实施例的磁盘故障的预测方法，确定多个连续的指定时间中待检测磁盘的故障预测结果。在待检测磁盘的故障预测结果连续为故障的次数超过预设异常次数阈值时，预测系统通过Smartctl工具提供的selftest工具，对待检测磁盘进行检测，这一检测过程较为耗时，平均单块磁盘需要8个小时，将检测结果作为磁盘的故障检测结果。

在本发明实施例中，利用Selftest对待检测磁盘进行检测，得到的故障检测结果准确。

可选的，本发明实施例的磁盘故障的预测方法还包括：

通过上述故障检测结果及上述待检测磁盘在指定时间前的N组基本指标数据，更新上述预先训练的神经网络模型。

在本发明实施例中，故障检测结果及待检测磁盘在指定时间前的N组基本指标数据，更新预先训练的神经网络模型，能够进一步提升神经网络模型预测的准确度，从而增加故障预测结果的准确度。

本发明实施例还提供了一种磁盘故障的预测装置，参见图3，该装置包括：

数据获取模块301，用于获取待检测磁盘在指定时间前的N组基本指标数据，其中，N为正整数。

故障预测模块302，用于利用预先训练的神经网络模型对上述待检测磁盘在指定时间前的N组基本指标数据进行预测，确定上述待检测磁盘在上述指定时间的故障预测结果。

在本发明实施例中，可以通过在指定时间前的基本指标数据，预测待检测磁盘在指定时间的故障预测结果，可以根据故障预测结果及时更换磁盘，从而减少磁盘故障对上层业务造成的影响。

可选的，本发明实施例的磁盘故障的预测装置还包括：

采样模块，用于针对预设类型的多个样本磁盘，分别获取每个所述样本磁盘在一时间前连续的M组基本指标数据，其中，所述预设类型包括所述待检测磁盘的类型，M为正整数，且M≥N；

状态确定模块，用于获取各所述样本磁盘在所述一时间的运行状态，其中，所述运行状态为故障状态或正常状态；

网络训练模块，用于利用各所述样本磁盘在所述一时间的运行状态，及所述样本磁盘在一时间前连续的M组基本指标数据，对神经网络模型进行训练，得到所述预先训练的神经网络模型。

在本发明实施例中，给出了预先训练神经网络模型的方法，通过预先训练的神经网络模型能够得到指定时间磁盘的故障预测结果，可以根据故障预测结果及时更换磁盘，从而减少磁盘故障对上层业务造成的影响。

可选的，本发明实施例的磁盘故障的预测装置还包括：

故障检测模块，用于若所述待检测磁盘的故障预测结果连续为故障的次数超过预设异常次数阈值，利用所述待检测磁盘的自诊断程序Selftest对所述待检测磁盘进行检测，得到故障检测结果。

在本发明实施例中，利用Selftest对待检测磁盘进行检测，得到的故障检测结果准确。

可选的，本发明实施例的磁盘故障的预测装置还包括：

网络更新模块，用于通过所述故障检测结果及所述待检测磁盘在指定时间前的N组基本指标数据，更新所述预先训练的神经网络模型。

在本发明实施例中，故障检测结果及待检测磁盘在指定时间前的N组基本指标数据，更新预先训练的神经网络模型，能够进一步提升神经网络模型预测的准确度，从而增加故障预测结果的准确度。

可选的，在本发明实施例的磁盘故障的预测装置中，所述基本指标数据包括：自我检测、分析及报告技术SMART指标。

在本发明实施例中，基本指标数据包括SMART指标，根据SMART指标预测的磁盘故障与各磁盘供应商认定的故障标准一致，可以减少后续更换磁盘的成本。

本发明实施例还提供了一种电子设备，如图4所示，包括处理器401、通信接口402、存储器403和通信总线404，其中，处理器401，通信接口402，存储器403通过通信总线404完成相互间的通信，

存储器403，用于存放计算机程序；

处理器401，用于执行存储器403上所存放的程序时，实现如下步骤：

获取待检测磁盘在指定时间前的N组基本指标数据，其中，N为正整数；

利用预先训练的神经网络模型对上述待检测磁盘在指定时间前的N组基本指标数据进行预测，确定上述待检测磁盘在上述指定时间的故障预测结果。

在本发明实施例中，可以通过在指定时间前的基本指标数据，预测待检测磁盘在指定时间的故障预测结果，可以根据故障预测结果及时更换磁盘，从而减少磁盘故障对上层业务造成的影响。

可选的，上述处理器401用于执行存储器403上所存放的程序时，还能够实现上述任一磁盘故障的预测方法

上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

通信接口用于上述电子设备与其他设备之间的通信。

存储器可以包括随机存取存储器(Random Access Memory，简称RAM)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。

上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例中任一磁盘故障的预测方法。

在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一磁盘故障的预测方法。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (11)

1.一种磁盘故障的预测方法，其特征在于，所述方法包括：

获取待检测磁盘在指定时间前的N组基本指标数据，其中，N为正整数；

利用预先训练的神经网络模型对所述待检测磁盘在指定时间前的N组基本指标数据进行预测，确定所述待检测磁盘在所述指定时间的故障预测结果。

2.根据权利要求1所述的方法，其特征在于，预先训练神经网络模型的步骤包括：

针对预设类型的多个样本磁盘，分别获取每个所述样本磁盘在一时间前连续的M组基本指标数据，其中，所述预设类型包括所述待检测磁盘的类型，M为正整数，且M≥N；

获取各所述样本磁盘在所述一时间的运行状态，其中，所述运行状态为故障状态或正常状态；

利用各所述样本磁盘在所述一时间的运行状态，及所述样本磁盘在一时间前连续的M组基本指标数据，对神经网络模型进行训练，得到所述预先训练的神经网络模型。

3.根据权利要求1所述的方法，其特征在于，在所述利用预先训练的神经网络模型对N组所述基本指标数据进行预测，确定所述待检测磁盘在所述指定时间的故障预测结果之后，所述方法还包括：

若所述待检测磁盘的故障预测结果连续为故障的次数超过预设异常次数阈值，利用所述待检测磁盘的自诊断程序Selftest对所述待检测磁盘进行检测，得到故障检测结果。

4.根据权利要求3所述的方法，其特征在于，所述方法还包括：

通过所述故障检测结果及所述待检测磁盘在指定时间前的N组基本指标数据，更新所述预先训练的神经网络模型。

5.根据权利要求1-4任一所述的方法，其特征在于，所述基本指标数据包括：自我检测、分析及报告技术SMART指标。

6.一种磁盘故障的预测装置，其特征在于，所述装置包括：

数据获取模块，用于获取待检测磁盘在指定时间前的N组基本指标数据，其中，N为正整数；

故障预测模块，用于利用预先训练的神经网络模型对所述待检测磁盘在指定时间前的N组基本指标数据进行预测，确定所述待检测磁盘在所述指定时间的故障预测结果。

7.根据权利要求6所述的装置，其特征在于，所述装置还包括：

采样模块，用于针对预设类型的多个样本磁盘，分别获取每个所述样本磁盘在一时间前连续的M组基本指标数据，其中，所述预设类型包括所述待检测磁盘的类型，M为正整数，且M≥N；

状态确定模块，用于获取各所述样本磁盘在所述一时间的运行状态，其中，所述运行状态为故障状态或正常状态；

网络训练模块，用于利用各所述样本磁盘在所述一时间的运行状态，及所述样本磁盘在一时间前连续的M组基本指标数据，对神经网络模型进行训练，得到所述预先训练的神经网络模型。

8.根据权利要求6所述的装置，其特征在于，所述装置还包括：

故障检测模块，用于若所述待检测磁盘的故障预测结果连续为故障的次数超过预设异常次数阈值，利用所述待检测磁盘的自诊断程序Selftest对所述待检测磁盘进行检测，得到故障检测结果。

9.根据权利要求8所述的装置，其特征在于，所述装置还包括：

网络更新模块，用于通过所述故障检测结果及所述待检测磁盘在指定时间前的N组基本指标数据，更新所述预先训练的神经网络模型。

10.根据权利要求6-9任一所述的装置，其特征在于，所述基本指标数据包括：自我检测、分析及报告技术SMART指标。

11.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，所述处理器，所述通信接口，所述存储器通过所述通信总线完成相互间的通信；

所述存储器，用于存放计算机程序；

所述处理器，用于执行存储器上所存放的程序时，实现权利要求1-5任一所述的方法步骤。