CN109634790B - 一种基于循环神经网络的磁盘故障预测方法 - Google Patents

一种基于循环神经网络的磁盘故障预测方法 Download PDF

Info

Publication number
CN109634790B
CN109634790B CN201811398445.4A CN201811398445A CN109634790B CN 109634790 B CN109634790 B CN 109634790B CN 201811398445 A CN201811398445 A CN 201811398445A CN 109634790 B CN109634790 B CN 109634790B
Authority
CN
China
Prior art keywords
data
disk
fault
grade
failure
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.)
Active
Application number
CN201811398445.4A
Other languages
English (en)
Other versions
CN109634790A (zh
Inventor
万继光
王中华
鲁凯
李大平
郑文凯
胡泽鑫
伍信一
瞿晓阳
张超
徐鹏
闫锐
谭志虎
谢长生
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN201811398445.4A priority Critical patent/CN109634790B/zh
Publication of CN109634790A publication Critical patent/CN109634790A/zh
Application granted granted Critical
Publication of CN109634790B publication Critical patent/CN109634790B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
    • G06F11/2205—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using arrangements specific to the hardware being tested
    • G06F11/2221—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using arrangements specific to the hardware being tested to test input/output devices or peripheral units
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
    • G06F11/2257—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using expert systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Debugging And Monitoring (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种于循环神经网络的磁盘故障预测方法，选取用户定义的故障磁盘数据，利用故障磁盘数据构建双层多输出等级的GRU网络模型进行磁盘故障预测，最后平衡不同等级故障磁盘数据解决不同级别数据不平衡的问题。该方法通过划分多等级的方式，延长了预测磁盘故障的时间，提升了在实际系统中的可用性，并且通过将传统神经网络替换为GRU网络并使用基于特征递归消除的随机森林算法来选择关键特征，来简化预测模型复杂度，最后根据不同等级包含时长不同来确定训练数据的取样步长，实现了训练数据的平衡，提高了最终磁盘故障预测的准确度。

Description

一种基于循环神经网络的磁盘故障预测方法
技术领域
本发明属于信息存储技术领域，更具体地，涉及一种基于循环神经网络的磁盘故障预测方法。
背景技术
近年来互联网发展迅速，数据中心规模骤增，故障频率逐渐增大，造成不小的经济损失。研究表明，磁盘故障是现代数据中心出现故障的主要原因之一，尽管单个磁盘年度故障率可能低于1％，但由于数据中心磁盘数量基数大，很多大型数据中心磁盘设备数量都是百万级的，实际年度故障率可能超过10％。Backblaze公司2017磁盘可靠性报告中显示不同厂商磁盘中最高故障率高达29.08％。因此，一般现代磁盘存储系统都会采取各种容错方法来保证系统可靠性。
现有的存储系统容错方法一般可分为两类：一是数据损坏后才对系统进行恢复的被动容错方法；二是磁盘出问题之前就能将其预测出来的主动容错方法。被动容错方法为了对系统进行恢复，通常需要牺牲一定的系统性能，并且被动容错方法通常利用信息冗余来实现数据重构，这无疑会增加系统成本。为了应对被动容错系统的困境，越来越多的研究人员将目光聚焦在主动容错方法上，希望能提前预测出磁盘故障，进而迁移保护有潜在危险的数据。最近，机器学习的发展又对提前预测出磁盘故障的可靠性给予了极大的保障。
现有技术中，基于机器学习的磁盘故障预测方法虽然比传统磁盘预测方法的准确度有了很大提升，但现有的基于机器学习的磁盘故障预测方法大多因为特征选取不当、预测时间短、数据集小以及未考虑数据时序性等原因而导致实用性不高或预测准确度不高。
发明内容
针对现有技术的以上缺点或不足改进需求，本发明提供了一种基于循环神经网络的磁盘故障预测方法，其目的在于提高磁盘故障预测系统的预测准确度并且延长预测时间，通过使用改进的循环神经网络GRU(Gated Recurrent Units，门控循环神经网络)来进行磁盘预测；通过训练数据特征选择和训练数据填充来简化模型复杂度并提高预测准确度；通过多等级磁盘故障预测来延长预测时长。选取的GRU网络是为了解决循环神经网络的梯度消失或梯度爆炸而推出的改进的循环神经网络，更适合处理序列化数据。
为实现上述目的，本发明提供了一种基于循环神经网络的磁盘故障预测方法，该方法包括以下步骤：
选取用户定义的故障磁盘数据；
利用故障磁盘数据构建双层多输出等级的GRU网络模型进行磁盘故障预测；
平衡不同等级故障磁盘数据。
优选地，选取用户定义的故障磁盘数据，包括：
将故障磁盘数据按型号分类，每种型号的故障磁盘数据分为一类；
将每类故障磁盘数据按比例分成两部分；
选取具有用户定义的故障关键特征的磁盘数据。
优选地，将每类故障磁盘数据按比例分成两部分，包括：
将同一型号故障磁盘数据按照时间标注故障等级，筛选掉SMART数据不全的和没序号的数据；
在剩下的数据中进行随机采样，前一部分的数据作为训练数据集，后一部分的数据作为验证数据集。
优选地，将同一型号故障磁盘数据按照时间标注故障等级包括：
将故障磁盘数据按照距离损坏时间点的距离升序排列分为6个等级R1～R6，R1是最接近损坏时间点的等级，R6是距离损坏时间点最远的等级，等级R6可以看作磁盘无故障。优选地，距离磁盘损坏时间点10天内的数据属于等级R1，距离磁盘损坏时间点10天以外、30天以内的数据属于等级R2，距离磁盘损坏时间点30天以外、70天以内的数据属于等级R3，距离磁盘损坏时间点70天以外、150天以内的数据属于等级R4，距离磁盘损坏时间点150天以外、310天以内的数据属于等级R5，距离磁盘损坏时间点310天以外的数据属于等级R6。并且在R1中再按照距离损坏时间点的距离升序排列分为3个等级R1-1～R1-3，R1-1是距离损坏点最近的等级，R1-3是距离损坏点最远的等级。优选地，距离磁盘损坏时间点2天内的数据属于等级R1-1，距离磁盘损坏时间点2天以外、5天以内的数据属于等级R1-2，距离磁盘损坏时间点5天以外、10天以内的数据属于等级R1-3。
优选地，选取具有用户定义的故障关键特征的磁盘数据，包括：
使用用户定义的故障关键特征选出故障磁盘数据并将故障磁盘数据的关键特征值归一化；
输出故障磁盘数据的关键特征重要程度排序。
优选地，利用故障磁盘数据构建双层多输出等级的GRU网络模型进行磁盘故障预测，包括：
构建第一层GRU网络，输出第一层等级预测结果；
构建第二层GRU网络，输出第二层等级预测结果。
优选地，构建第一层GRU网络，输出第一层等级预测结果包括：
将预测结果按照距离损坏时间点的距离升序排列分为6个等级R1～R6，R1是最接近损坏时间点的等级，R6是距离损坏时间点最远的等级，等级R6可以看作磁盘无故障。优选地，距离磁盘损坏时间点10天内的数据属于等级R1，距离磁盘损坏时间点10天以外、30天以内的数据属于等级R2，距离磁盘损坏时间点30天以外、70天以内的数据属于等级R3，距离磁盘损坏时间点70天以外、150天以内的数据属于等级R4，距离磁盘损坏时间点150天以外、310天以内的数据属于等级R5，距离磁盘损坏时间点310天以外的数据属于等级R6。
优选地，构建第二层GRU网络，输出第二层等级预测结果包括：
将等级R1按照距离损坏时间点的距离升序排列分为3个等级R1-1～R1-3，R1-1是距离损坏点最近的等级，R1-3是距离损坏点最远的等级。优选地，距离磁盘损坏时间点2天内的数据属于等级R1-1，距离磁盘损坏时间点2天以外、5天以内的数据属于等级R1-2，距离磁盘损坏时间点5天以外、10天以内的数据属于等级R1-3。
优选地，平衡所述不同等级故障磁盘数据，包括：
根据每个等级数据的时间长度划分权重，确定训练步长；或按照每个等级包含的时间段长短复制数据量，实现每个等级数据量平衡。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下技术特征及有益结果：
(1)本发明提供的基于循环神经网络的磁盘故障预测方法，通过划分多等级的方式，延长了预测磁盘故障的时间，提升了在实际系统中的可用性。
(2)本发明提供的基于循环神经网络的磁盘故障预测方法，通过将传统神经网络替换为GRU网络并使用基于特征递归消除的随机森林算法来选择关键特征，来简化预测模型复杂度。
(3)本发明提供的基于循环神经网络的磁盘故障预测方法，根据不同等级包含时长不同来确定训练数据的取样步长，或按照每个等级包含的时间段长短复制数据量，实现了训练数据的平衡，提高了最终磁盘故障预测的准确度。
附图说明
图1是本发明实施例中公开的磁盘故障预测流程示意图；
图2是本发明实施例中公开的双层多输出的等级设置示意图；
图3是本发明实施例中公开的GRU网络模型结构示意图；
图4是本发明实施例中公开的GRU网络训练流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明使用基于特征递归消除的随机森林算法来选择关键特征，将每一类磁盘的SMART数据中最可能对最终磁盘预测结果有用的特征挑选出来；根据距离磁盘损坏时间点的距离不同来划分不同的磁盘故障等级，距离磁盘故障点越近的等级代表磁盘会在更短的时间内故障；使用GRU网络结构取代传统的循环神经网络使模型复杂度更低且预测准确度更高；使用不同取样步长的方式来平衡各等级的训练数据，平衡数据有利于提高最后的预测准确度。
图1所示，使本发明实施例中的总框架示意图。本实施例使用的SMART数据集来自Backblaze公司，SMART是一组磁盘自检测、状态监控分析技术，是由磁盘厂商制定的一组标准，所有监控记录下来的数据被称为SMART数据，SMART数据记录了磁盘各组件，例如磁头、马达、盘片等部件的状态。
实施例所提供的基于循环神经网络的磁盘故障预测方法，包括：
步骤101中，选取用户定义的故障磁盘数据；
具体地，选取用户定义的故障磁盘数据，包括：
遍历SMART数据，记录所有属性failure＝1的故障磁盘序号和型号；
将故障磁盘数据按型号分类，每种型号的故障磁盘数据分为一类；
将每类故障磁盘数据按比例分成两部分；
选取具有用户定义的故障关键特征的磁盘数据。
具体地，将所述每类故障磁盘数据按比例分成两部分，包括：
将同一型号故障磁盘数据按照时间标注故障等级，筛选掉SMART数据不全的和没序号的数据；
在剩下的数据中进行随机采样，前一部分的数据作为训练数据集，后一部分的数据作为验证数据集。其中训练数据经过筛选、特征提取及标准化等操作后，再送入构建好的GRU网络模型，训练出具有高准确度的磁盘故障等级预测模型。测试数据则不用经过处理直接送入训练好的磁盘故障等级预测模型，即可得到磁盘故障等级预测值。
具体地，选取具有用户定义的故障关键特征的磁盘数据，包括：
使用基于特征递归消除的随机森林算法选出关键特征并将关键特征值归一化；
输出故障磁盘数据的关键特征重要程度排序。
具体包括如下步骤：
S1011.在tensorflow框架下，导入RFE(recursive feature eliminationalgorithm，递归特征消除算法)和随机森林相关库，RFE是一种试图消除不相关或冗余特征的技术，从而选取关键特征，获取更小但更具代表性的数据，RFE通过递归方式，使用外部模型为要素赋予权重，并删除最不相关的特征，重复此过程直至选出想要的特征数量，本方法中使用随机森林作为外部模型；
S1012.直接调用sklearn(scikit-learn)中现有的随机森林模型训练一个随机森林，sklearn是机器学习中常用的、简单高效的数据挖掘和数据分析工具；
S1013.调用sklearn中封装的RFE算法；
S1014.训练模型并输出特征重要程度排序；
进一步的，每类磁盘的SMART数据都要经过上述步骤S1-S4选出9个重要的特征。
其中，如图2所示，将同一型号故障磁盘数据按照时间标注故障等级包括：
将故障磁盘数据按照距离损坏时间点的距离升序排列分为6个等级R1～R6，R1是最接近损坏时间点的等级，R6是距离损坏时间点最远的等级，等级R6可以看作磁盘无故障。优选地，距离磁盘损坏时间点10天内的数据属于等级R1，距离磁盘损坏时间点10天以外、30天以内的数据属于等级R2，距离磁盘损坏时间点30天以外、70天以内的数据属于等级R3，距离磁盘损坏时间点70天以外、150天以内的数据属于等级R4，距离磁盘损坏时间点150天以外、310天以内的数据属于等级R5，距离磁盘损坏时间点310天以外的数据属于等级R6。并且在R1中再按照距离损坏时间点的距离升序排列分为3个等级R1-1～R1-3，R1-1是距离损坏点最近的等级，R1-3是距离损坏点最远的等级。优选地，距离磁盘损坏时间点2天内的数据属于等级R1-1，距离磁盘损坏时间点2天以外、5天以内的数据属于等级R1-2，距离磁盘损坏时间点5天以外、10天以内的数据属于等级R1-3。
步骤102中，利用所述故障磁盘数据构建双层多输出等级的GRU网络模型进行磁盘故障预测；附图3是本发明实施例中的GRU网络模型示意图。如图3所示，输入为一个时间序列的SMART属性数据，图中xt表示t时刻SMART属性数据，经过关键特征提取，xt是一个维数等于关键特征数的矩阵。n为时间序列的长度，即输入n个时刻的所有关键特征来预测该磁盘现在的故障等级。图3中，最终判定结果为R2等级，如果磁盘故障判断为R1等级，则还需将该数据输入到下一个GRU网络中，判断该磁盘是否属于R1-1、R1-2或R1-3。
步骤103中，平衡所述不同等级故障磁盘数据。
具体地，平衡所述不同等级故障磁盘数据，包括：
一种方式是根据每个等级数据的时间长度划分权重，确定训练步长。对每个磁盘所有样本数据标注等级后，从最后一天开始，连续取前20天(序列长度)的数据作为一个序列，或者称为一个时间窗口，然后窗口往前移动一个步长单位继续取。
另一种方式是按照每个等级包含的时间段长短复制数据量，实现每个等级数据量平衡。
附图4是本发明实施例中的GRU网络训练流程示意图。神经网络模型构建之后，需要使用数据进行训练，经过有效的训练后的模型才能使用。
实施例中，GRU网络训练的过程包含如下步骤：
S1031.定义GRU网络并通过前向传播，获得等级预测值；
S1032.设计loss function(损失函数)和反向传播优化算法，损失函数是训练时优化的目标和效果的体现，训练目的就是不断减小损失函数，训练效果如何就是损失函数的大小能控制到多小来衡量的。
S1033.使用训练数据集反复训练，使用之前准备的训练集，使用反向传播优化算法不断训练，当训练精度和损失函数不变或者说保持平衡即可停止训练，通过设置训练次数控制训练次数。
S1034.训练完模型最后是对模型的保存，用于以后的新SMART数据的磁盘故障等级预测。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于循环神经网络的磁盘故障预测方法，其特征在于，包括：
选取用户定义的故障磁盘数据；
利用所述故障磁盘数据构建双层多输出等级的GRU网络模型进行磁盘故障预测；具体包括构建第一层GRU网络，输出第一层等级预测结果，将预测结果按照距离损坏时间点的距离升序排列分为6个等级R1～R6，R1是最接近损坏时间点的等级，R6是距离损坏时间点最远的等级；构建第二层GRU网络，输出第二层等级预测结果，将等级R1按照距离损坏时间点的距离升序排列分为3个等级R1-1～R1-3，R1-1是距离损坏点最近的等级，R1-3是距离损坏点最远的等级；
根据每个等级数据的时间长度划分权重，确定训练步长；或按照每个等级包含的时间段长短复制数据量，实现每个等级数据量平衡。
2.根据权利要求1所述的方法，其特征在于，所述选取用户定义的故障磁盘数据，包括：
遍历SMART数据集，记录所有属性failure＝1的故障磁盘型号；
将所述故障磁盘数据按型号分类，每种型号的故障磁盘数据分为一类；
将所述每类故障磁盘数据按比例分成两部分；
选取具有用户定义的故障关键特征的磁盘数据。
3.根据权利要求2所述的方法，其特征在于，所述将所述每类故障磁盘数据按比例分成两部分，包括：
将同一型号故障磁盘数据按照时间标注故障等级，筛选掉SMART数据不全的和没序号的数据；
在剩下的数据中进行随机采样，前一部分的数据作为训练数据集，后一部分的数据作为验证数据集。
4.根据权利要求2所述的方法，其特征在于，所述选取具有用户定义的故障关键特征的磁盘数据，包括：
使用用户定义的故障关键特征选出故障磁盘数据并将所述故障磁盘数据的关键特征值归一化；
输出所述故障磁盘数据的关键特征重要程度排序。
CN201811398445.4A 2018-11-22 2018-11-22 一种基于循环神经网络的磁盘故障预测方法 Active CN109634790B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811398445.4A CN109634790B (zh) 2018-11-22 2018-11-22 一种基于循环神经网络的磁盘故障预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811398445.4A CN109634790B (zh) 2018-11-22 2018-11-22 一种基于循环神经网络的磁盘故障预测方法

Publications (2)

Publication Number Publication Date
CN109634790A CN109634790A (zh) 2019-04-16
CN109634790B true CN109634790B (zh) 2020-07-10

Family

ID=66068845

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811398445.4A Active CN109634790B (zh) 2018-11-22 2018-11-22 一种基于循环神经网络的磁盘故障预测方法

Country Status (1)

Country Link
CN (1) CN109634790B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110471820B (zh) * 2019-08-05 2023-01-17 南开大学 一种基于循环神经网络的云存储系统磁盘故障预测方法
CN111782491B (zh) * 2019-11-15 2022-03-22 华中科技大学 一种磁盘故障预测方法、装置、设备及存储介质
CN111858265A (zh) * 2020-06-30 2020-10-30 苏州浪潮智能科技有限公司 一种存储系统的存储故障预测方法、系统及装置
CN113076239B (zh) * 2021-04-12 2023-05-23 西安交通大学 一种高性能计算机用混合神经网络故障预测方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9542296B1 (en) * 2014-12-01 2017-01-10 Amazon Technologies, Inc. Disk replacement using a predictive statistical model
CN107392320A (zh) * 2017-07-28 2017-11-24 郑州云海信息技术有限公司 一种使用机器学习预测硬盘故障的方法
CN107578124A (zh) * 2017-08-28 2018-01-12 国网山东省电力公司电力科学研究院 基于多层改进gru神经网络的短期电力负荷预测方法
CN108681747A (zh) * 2018-05-11 2018-10-19 武汉理工大学 基于深度学习的旋转机械故障诊断与状态监测系统及方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
IN2013MU02794A (zh) * 2013-08-27 2015-07-03 Tata Consultancy Services Ltd
US9817601B1 (en) * 2016-07-07 2017-11-14 Nxp Usa, Inc. Method and apparatus for determining feasibility of memory operating condition change using different back bias voltages

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9542296B1 (en) * 2014-12-01 2017-01-10 Amazon Technologies, Inc. Disk replacement using a predictive statistical model
CN107392320A (zh) * 2017-07-28 2017-11-24 郑州云海信息技术有限公司 一种使用机器学习预测硬盘故障的方法
CN107578124A (zh) * 2017-08-28 2018-01-12 国网山东省电力公司电力科学研究院 基于多层改进gru神经网络的短期电力负荷预测方法
CN108681747A (zh) * 2018-05-11 2018-10-19 武汉理工大学 基于深度学习的旋转机械故障诊断与状态监测系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Evaluation of Recurrent Neural Networks for Hard;Fernando Dione S. Lima, Francisco Lucas F. Pereira等;《2018 7th Brazilian Conference on Intelligent Systems》;20181025;第85-90页 *
面向磁盘故障预测的机器学习方法比较;董勇，蒋艳凰，卢宇彤，周恩强;《计算机工程与科学》;20151231;第37卷(第12期);第2200-2207页 *

Also Published As

Publication number Publication date
CN109634790A (zh) 2019-04-16

Similar Documents

Publication Publication Date Title
CN109634790B (zh) 一种基于循环神经网络的磁盘故障预测方法
CN108052528B (zh) 一种存储设备时序分类预警方法
CN110413227B (zh) 一种硬盘设备的剩余使用寿命在线预测方法和系统
US9311176B1 (en) Evaluating a set of storage devices and providing recommended activities
CN112214369A (zh) 基于模型融合的硬盘故障预测模型建立方法及其应用
CN110471820B (zh) 一种基于循环神经网络的云存储系统磁盘故障预测方法
KR101948634B1 (ko) 스마트 컴퓨팅을 위한 시스템 자원의 장애 예측 방법
CN111858108B (zh) 一种硬盘故障预测方法、装置、电子设备和存储介质
CN112966109B (zh) 一种多层级的中文文本的分类方法及其系统
Luo et al. NTAM: neighborhood-temporal attention model for disk failure prediction in cloud platforms
CN112951311A (zh) 一种基于变权重随机森林的硬盘故障预测方法及系统
CN115098389B (zh) 一种基于依赖模型的rest接口测试用例生成方法
CN110175100B (zh) 一种存储盘故障预测方法及预测系统
CN113377733A (zh) 一种针对Hadoop分布式文件系统的存储优化方法
US20220068042A1 (en) Automated prediction of repair based on sensor data
CN111767162A (zh) 一种面向不同型号硬盘的故障预测方法及电子装置
CN114661505A (zh) 存储部件故障处理方法、装置、设备和存储介质
CN111091863A (zh) 一种存储设备故障检测方法及相关装置
CN114491044A (zh) 日志的处理方法及装置
CN113177644A (zh) 一种基于词嵌入和深度时序模型的自动建模系统
CN117573492A (zh) 一种数据库迁移场景下的应用性能检测方法及装置
CN110673997B (zh) 磁盘故障的预测方法及装置
KR20240065183A (ko) 메모리 오류의 예측 방법, 전자 장치 및 컴퓨터 판독 가능한 저장 매체
Wong et al. An approach towards designing a prescriptive analytical logic model for software application root cause analysis
CN115345163A (zh) 一种基于故障数据的外场质量分析方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant