CN109739739B - 磁盘故障的预测方法、设备及存储介质 - Google Patents
磁盘故障的预测方法、设备及存储介质 Download PDFInfo
- Publication number
- CN109739739B CN109739739B CN201811632163.6A CN201811632163A CN109739739B CN 109739739 B CN109739739 B CN 109739739B CN 201811632163 A CN201811632163 A CN 201811632163A CN 109739739 B CN109739739 B CN 109739739B
- Authority
- CN
- China
- Prior art keywords
- disk
- training
- information file
- prediction
- disk 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明公开了一种磁盘故障的预测方法、设备及存储介质,所述预测方法包括:根据在线采集获得的磁盘相关的信息文件,构建输入特征;根据所述输入特征,加载当前的磁盘故障预测模型对磁盘故障进行预测,或者,对当前的磁盘故障预测模型进行增量训练,得到更新的磁盘故障预测模型,加载所述更新的磁盘故障预测模型对磁盘故障进行预测。本发明有效提高对磁盘故障主动性预测的准确率,并且实现了磁盘故障预测模型的在线训练和在线预测双重功能,避免了传统离线训练的滞后性,提高了预测模型的动态性和适应性,大幅度提升了网络存储系统运行的稳定性,并降低了其运维成本;并极大提高了磁盘预测的可靠性。
Description
技术领域
本发明涉及存储系统技术领域,特别是涉及一种磁盘故障的预测方法、设备及存储介质。
背景技术
伴随着互联网和物联网的快速发展,信息数据量正在以数量级的速度增长,然而对这些海量数据进行存储、信息挖掘等处理过程涉及到存储系统,存储系统的安全性是保证用户信息数据的安全性、持久性的基础。而硬盘在数据存储中处于核心的地位,硬盘/磁盘的正常运行是确保数据有效性和安全性的基础。
为了确保存储系统的正常运行,当前普遍采用软件检测结合人工巡查的保障方式,但是这样的管理方式,存储系统的运维效率和效果都不满人意。一方面,为保证存储系统全天候的正常运行,每一个数据存储点都需要投入大量的人力进行现场维护进行24小时的维护,这对运维人员的精力是一种巨大的挑战;另一方面,自动化检测软件和人工巡查方式通常只能发现和处理在线且已失效的硬盘,此时,轻则降低了计算机网络系统的性能,重则可能会导致计算机系统的瘫痪。
目前,在一些磁盘故障检测方式中,只能实现磁盘故障的检测功能,无法实现磁盘故障提前预测。在另一些磁盘故障检测方式中,只是通过简单的阈值判断来预测磁盘的故障,无法较准确的预测磁盘的故障时间。因此,如何提高对磁盘故障主动性预测,以保证磁盘的正常运行,从而保证网络中存储系统可靠性和安全性,现有技术中未给出有效的解决方案。
发明内容
为了克服上述缺陷,本发明要解决的技术问题是提供一种磁盘故障的预测方法、设备及存储介质,用以至少提高对磁盘故障主动性预测的准确率。
为解决上述技术问题,本发明实施例中的一种磁盘故障的预测方法,包括:
根据在线采集获得的磁盘相关的信息文件,构建输入特征;
根据所述输入特征,加载当前的磁盘故障预测模型对磁盘故障进行预测,或者,对当前的磁盘故障预测模型进行增量训练,得到更新的磁盘故障预测模型,加载所述更新的磁盘故障预测模型对磁盘故障进行预测。
可选地,所述根据在线采集获得的磁盘相关的信息文件,构建输入特征;根据所述输入特征,加载当前的磁盘故障预测模型对磁盘故障进行预测,或者,对当前的磁盘故障预测模型进行增量训练,包括:
根据所述磁盘相关的信息文件,判断是否对磁盘故障进行直接预测;
若是,根据所述磁盘相关的信息文件,构建磁盘故障预测特征;根据所述磁盘故障预测特征,加载当前的磁盘故障预测模型对磁盘故障进行预测;
若否,根据所述磁盘相关的信息文件,构建磁盘故障训练特征和标签;根据所述磁盘故障训练特征和标签,对当前的磁盘故障预测模型进行增量训练。
可选地,所述根据所述磁盘故障训练特征和标签,对当前的磁盘故障预测模型进行增量训练之前,包括:
通过合成少数类过采样技术SMOTE对所述磁盘故障训练特征进行上采样处理。
可选地,在第一次训练过程中的当前的磁盘故障预测模型为预先构造的全连人工神经网络模型。
可选地,所述根据在线采集获得的磁盘相关的信息文件,构建输入特征之前,包括:
获取在线采集的磁盘的自我监测、分析及报告技术SMART数据;
从所述SMART数据中获得所述磁盘相关的信息文件。
可选地,所述根据所述磁盘相关的信息文件,判断是否对磁盘故障进行直接预测,包括:
在所述磁盘相关的信息文件为磁盘基本信息文件和SMART数据信息文件时,判定对磁盘故障进行直接预测;
在所述磁盘相关的信息文件为磁盘基本信息文件、SMART数据信息文件和离线磁盘文件时,判定不对磁盘故障进行直接预测。
可选地,所述根据在线采集获得的磁盘相关的信息文件,构建输入特征,包括:
根据所述磁盘相关的信息文件中的每个参数的方差和均值,得到多维度的输入特征。
可选地,所述根据所述磁盘相关的信息文件中的每个参数的方差和均值,得到多维度的输入特征,包括:
根据所述每个参数的原始值和转换值的方差和均值,得到所述多维度的输入特征。
为解决上述技术问题,本发明实施例中的一种磁盘故障的预测设备,包括处理器和存储器;所述存储器用于存储磁盘故障的预测程序,所述处理器用于运行所述程序,以实现如上所述方法的步骤。
为解决上述技术问题,本发明实施例中的一种计算机存储介质,存储有磁盘故障的预测程序;所述程序可被至少一个处理器执行,以实现如上所述方法的步骤。
本发明实施例有益效果如下:
上述的各个实施例有效提高对磁盘故障主动性预测的准确率,并且实现了磁盘故障预测模型的在线训练和在线预测双重功能,避免了传统离线训练的滞后性,提高了预测模型的动态性和适应性,大幅度提升了网络存储系统运行的稳定性,并降低了其运维成本;并且,在磁盘预测的输入特征构建中使用的是磁盘全程监控数据,而不是只使用了最新时间段的监控数据,极大提高了磁盘预测的可靠性。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1是本发明实施例中一种磁盘故障的预测方法的主流程图;
图2是本发明实施例中磁盘故障预测模型的架构图;
图3是实现本发明实施例中预测方法所涉及的软件模块示意图;
图4是本发明实施例中磁盘SMART数据采集模块的实现框架图;
图5是本发明实施例中磁盘SMART数据解析模块的实现框架图;
图6是本发明实施例中磁盘故障预测特征构建模块的实现框架图;
图7是本发明实施例中磁盘故障训练特征构建模块的实现框架图;
图8是本发明实施例中磁盘故障预测模型在线预测实现流程图;
图9是本发明实施例中磁盘故障预测模型在线训练实现流程图;
图10是本发明实施例中磁盘故障预测结果反馈模块实现流程图;
图11是本发明实施例中一种可选地磁盘故障的预测方法的流程图;
图12是本发明实施例中神经网络模型框架图;
图13是本发明实施例中重映射扇区计数参数value值和raw_value值示意图;
图14是本发明实施例中当前待映射扇区计数参数value值和raw_value值示意图;
图15是本发明实施例中又一种可选地磁盘故障的预测方法的流程图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
在后续的描述中,使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明,其本身没有特定的意义。因此,“模块”、“部件”或“单元”可以混合地使用。
使用用于区分元件的诸如“第一”、“第二”等前缀仅为了有利于本发明的说明,其本身没有特定的意义。
实施例一
本发明实施例提供一种磁盘故障的预测方法,如图1所示,所述方法包括:
S101,根据在线采集获得的磁盘相关的信息文件,构建输入特征;
S102,根据所述输入特征,加载当前的磁盘故障预测模型对磁盘故障进行预测,或者,对当前的磁盘故障预测模型进行增量训练,得到更新的磁盘故障预测模型,加载所述更新的磁盘故障预测模型对磁盘故障进行预测。
其中,磁盘相关的信息文件可以包括磁盘基本信息文件、SMART(Self-MonitoringAnalysis and Reporting Technology,自我监测、分析及报告技术)数据信息文件和离线磁盘文件。输入特征可以包括用于对磁盘故障进行预测的磁盘故障预测特征和用于对磁盘故障预测模型进行增量训练的磁盘故障训练特征和标签。在本发明实施例中为了描述清楚简洁,磁盘故障预测模型可以描述为预测模型、故障预测模型。
本发明实施例有效提高对磁盘故障主动性预测的准确率,并且实现了磁盘故障预测模型的在线训练和在线预测双重功能,避免了传统离线训练的滞后性,提高了预测模型的动态性和适应性,大幅度提升了网络存储系统运行的稳定性,并降低了其运维成本;并且,在磁盘预测的输入特征构建中使用的是磁盘全程监控数据,而不是只使用了最新时间段的监控数据(比如最近的5周或10天的监控数据),极大提高了磁盘预测的可靠性。
其中,在一些实施方式中,所述根据在线采集获得的磁盘相关的信息文件,构建输入特征;根据所述输入特征,加载当前的磁盘故障预测模型对磁盘故障进行预测,或者,对当前的磁盘故障预测模型进行增量训练,可选地,包括:
根据所述磁盘相关的信息文件,判断是否对磁盘故障进行直接预测;
若是,根据所述磁盘相关的信息文件,构建磁盘故障预测特征;根据所述磁盘故障预测特征,加载当前的磁盘故障预测模型对磁盘故障进行预测;
若否,根据所述磁盘相关的信息文件,自动化构建磁盘故障训练特征和标签;根据所述磁盘故障训练特征和标签,对当前的磁盘故障预测模型进行增量训练。
其中,在第一次训练过程中的当前的磁盘故障预测模型为预先构造的全连人工神经网络模型。在本发明实施例中,如图2所示,磁盘预测模型采用的是人工全连神经网络模型(简称神经网络模型),而不是常用的机器学习模型(例如支持向量机、决策树等),人工神经网络模型具有很强的特征学习能力,从而可以进一步提高对磁盘故障主动性预测的准确率。
为了解决磁盘故障预测中模型训练数据样本不平衡问题,避免了预测模型无法对数量少的类别样本识别的问题,提高模型的准确率,获得更好的效果;在一些实施方式中,所述根据所述磁盘故障训练特征和标签,对当前的磁盘故障预测模型进行增量训练之前,可选地包括:
通过合成少数类过采样技术SMOTE对所述磁盘故障训练特征进行上采样处理。
为了进一步提高对磁盘故障主动性预测的准确率,在一些实施方式中,通过对特定的磁盘SMART数据的方差和均值进行分析,构建预测模型的输入特征,而不是直接使用SMART的原始数据和阈值作为预测模型输入特征,也就是说,所述根据在线采集获得的磁盘相关的信息文件,构建输入特征,包括:
根据所述磁盘相关的信息文件中的每个参数的方差和均值,得到多维度的输入特征。
其中,所述根据所述磁盘相关的信息文件中的每个参数的方差和均值,得到多维度的输入特征,可以包括:
根据所述每个参数的原始值raw_value和转换值value的方差和均值,得到所述多维度的输入特征。也就是说,磁盘相关的信息文件中的每个SMART数据项(即参数)包括但不限于:底层数据读取错误率、主轴起旋时间、重映射扇区计数、寻道错误率、通电时间累计、I/O错误检测与校正、温度、当前待映射扇区计数、脱机无法校正的扇区计数、Ultra ATA访问校验错误率的raw_value和value的SMART数据。
当然,为了在提高对磁盘故障主动性预测的准确率的基础上,降低预测、增量训练的复杂度,并提高效率,在一些实施方式中,对得到多维度的输入特征进行PCA主成分分析,取主成分中的前N个维度,其中N大于0。
在一些实施方式中,所述根据所述磁盘相关的信息文件,判断是否对磁盘故障进行直接预测,也可以包括:
在所述磁盘相关的信息文件为磁盘基本信息文件和SMART数据信息文件时,判定对磁盘故障进行直接预测;
在所述磁盘相关的信息文件为磁盘基本信息文件、SMART数据信息文件和离线磁盘文件时,判定不对磁盘故障进行直接预测。
其中,在一些实施方式中,所述根据在线采集获得的磁盘相关的信息文件,构建输入特征之前,包括:
获取在线采集的磁盘的自我监测、分析及报告技术SMART数据;
从所述SMART数据中获得所述磁盘相关的信息文件。
例如,定时进行磁盘的SMART数据的采集,对采集的SMART数据进行解析,解析出磁盘相关的信息文件;
本发明实施例中通过磁盘的SMART数据分析磁盘当前的健康状况,对与故障发生高度相关的磁盘SMART数据进行相关的统计,构建磁盘故障预测模型的输入特征。
以下基于软件模块的形式,来详细描述本发明实施例的各个实施方式,也就是说,在具体实现过程中,可以通过软件模块来实现相应步骤。如图3所示,在本发明实施例中可以包括以下软件模块:磁盘SMART数据采集模块、磁盘SMART数据解析模块、模型预测特征构建模块、模型训练特征构建模块、神经网络模型在线预测模块、神经网络模型在线训练模块、以及磁盘故障预测结果反馈模块。其中各个软件模块具体的实现的步骤如下:
磁盘SMART数据采集模块:该模块为磁盘数据自动化采集脚本,采用python(计算机程序设计语言)实现,其构成如图4所示,包括:定时器、磁盘SMART数据采集脚本、以及数据文件上传脚本组成,定时器定时触发数据采集脚本进行SMART数据采集,采集完毕后通过数据文件脚本以.txt形式上传给磁盘SMART数据解析模块。
磁盘SMART数据解析模块:该模块为脚本程序,采用python实现,其构成如图5所示,包括:定时器、数据解析模块(即数据解析脚本)两部分组成,定时器定时触发数据解析脚本运行对磁盘SMART数据采集模块上传的磁盘SMART数据进行解析,自动筛选出坏盘基本信息,并生成磁盘基本信息文件、SMART数据信息文件、离线磁盘文件三个文件,并将文件传递给模型预测特征构建模块和模型训练特征构建模块进行相应的特征构建。
模型预测特征构建模块:该模块为脚本程序,采用python实现,其构成如图6所示,其定时检测磁盘SMART解析数据文件更新情况,根据磁盘基本信息文件、SMART数据信息文件,构建磁盘故障预测特征,并生成磁盘故障预测特征文件传递给人工神经网络模型预测模块进行预测处理。
模型训练特征构建模块:该模块为脚本程序,采用python实现,其构成如图7所示,其定时检测磁盘SMART解析数据文件更新情况,根据磁盘基本信息文件、SMART数据信息文件、离线磁盘文件,构建磁盘故障训练特征和标签,并生成磁盘故障训练特征和标签文件传递给神经网络模型训练模块进行预测模型训练。
人工神经网络模型在线预测模块:该模块为脚本程序,采用python,实现其构成如图8所示,其主要实现了故障预测模型的加载、预测、结果输出操作,该模型在获取到磁盘故障预测特征文件之后触发磁盘故障预测脚本,对预测数据进行预测,并将预测结果和磁盘的基本信息反馈给磁盘故障预测结果反馈模块。
人工神经网络模型在线训练模块:该模块为脚本程序,采用python实现,实现其构成如图9所示,其主要实现了故障预测模型的训练、模型输出、更新信号输出操作,该模块获取到磁盘故障训练特征和标签文件后触发磁盘故障训练脚本,完成预测模型训练后将模型进行保存并发出模型更新信号。
磁盘故障预测结果反馈模块:该模块为脚本程序,采用python实现,实现其构成如图10所示,其将神经网络模型预测模块反馈信息进行解析,反馈到计算机网络存储系统的监控软件界面中。
实施例二
基于实施例一的各实施方式,本发明实施例提供一种可选地磁盘故障的预测方法,以下结合西数品牌中SATA_HDD磁盘,对其故障预测在进行详细说明,如图11所示,本发明实施例中磁盘故障的预测方法可以包括:
步骤S0:构建西数品牌中SATA_HDD磁盘故障预测模型;
详细地,本发明实施例采用人工全连神经网络模型对磁盘故障进行预测,模型的具体设计如图12所示;
其中,模型采用的是4层的人工全连神经网络模型,包括1个输入层、2个隐含层、1个输出层,其中输入层神经元节点数根据输入特征维度确定,输出层节点数根据输出维度确定。
人工全连神经网络其余配置信息为:神经元的激活函数类型选择、模型权重和偏置值采用的是随机数初始化方式选择、采用模型求解方式的选择、代价函数的构造(采用交叉熵损失函数或者二次方差代价函数)、以及使用正则化方法的选择、模型的训练迭代次数设置、学习率为配置等。
S0的模型构建完毕后,等待S8步骤对模型进行训练。
步骤S1:接受磁盘状态数据采集指令。
在本实施例中磁盘SMART数据采集指令采用的是周期性自动触发方式,具体为:自动化采集脚本中设置一个定时任务,定时触发对西数SATA_HDD接口磁盘的SMART数据采集任务程序脚本,时间粒度为1小时。
步骤S2:对西数SATA_HDD磁盘指定的指定的磁盘SMART数据进行采集。
例如,定时任务触发数据采集任务对西数SATA_HDD磁盘SMART数据进行采集,SMART数据内容为:底层数据读取错误率、主轴起旋时间、重映射扇区计数、寻道错误率、通电时间累计、串口降速错误计数、温度、当前待映射扇区计数、脱机无法校正的扇区计数、Ultra ATA访问校验错误率总共10个ID的raw_value和value数据,获得西数SATA_HDD磁盘的SMART原始数据后以文本的形式上传到服务器。
步骤S3:对西数SATA_HDD磁盘SMART采集的原始数据进行解析,并获得磁盘相关的信息文件。
例如,在S3中设置一个定时任务,定时对前端上传的西数SATA_HDD磁盘的SMART监测数据进行解析,时间粒度为一天,即一天处理一次SMART检测数据并进行磁盘寿命状态评估。其中相关的信息文件包括磁盘基本信息文件(base.csv)、离线磁盘基本信息文件(offline.csv)、SMART数据信息文件(param.csv)三部分组成。
磁盘基本信息文件(base.csv)包括:所有磁盘的IP信息、局点信息、型号信息、品牌/厂商信息、接口类型信息、存储介质类型信息、采集时间戳等信息;
离线磁盘基本信息文件(offline.csv)包括:所有离线磁盘(即坏盘)的IP信息、局点信息、型号信息、品牌/厂商信息、接口类型信息、存储介质类型信息、采集时间戳等信息;
SMART数据信息文件(param.csv)包括:所有的磁盘的SMART检测数据,包括底层数据读取错误率、主轴起旋时间、重映射扇区计数、寻道错误率、通电时间累计、I/O错误检测与校正、温度、当前待映射扇区计数、脱机无法校正的扇区计数、Ultra ATA访问校验错误率总共10个ID的raw_value和value数据。
步骤S4:进行数据是否执行直接预测判断,如果是,则跳转到S5;如果否,则跳转到S6。
步骤S5:构建磁盘故障预测特征。
例如,根据S3步骤中磁盘SMART数据的特点,经过对如图12和图13所示的SMART参数分析,其中,每个图中的左侧图示对应value值,右侧图示对应raw_value值。本发明实施例选择了相应的磁盘SMART参数的统计量作为磁盘故障预测的特征,具体选择如下:
底层数据读取错误率参数(001)value值的方差和均值,及其raw_value值的方差和均值;
主轴起旋时间参数(003)value的方差,及其raw_value值的方差;
重映射扇区计数参数(005)value值的方差和均值,及其raw_value值的方差和均值;
寻道错误率(007)value值的方差和均值,及其raw_value值的方差和均值;
通电时间累计参数(009)value值的方差和均值,及其raw_value值的方差和均值;
串口降速错误计数(183)value值的方差和均值,及其raw_value值的方差和均值;
温度(194)value值的方差和均值,及其raw_value值的方差和均值;
当前待映射扇区计数(197)value值的方差和均值,及其raw_value值的方差和均值;
脱机无法校正的扇区计数(198)value值的方差和均值,及其raw_value值的方差和均值;
Ultra ATA访问校验错误率(199)value值的方差和均值,及其raw_value值的方差和均值。总共38个特征维度,并对构建的特征进行PCA主成分分析,取主成分中的前30个维度。获得磁盘故障预测特征后跳到S7。
步骤S6:构建磁盘故障训练特征及标签。
例如,该步骤的特征分析和构建部分与S5中相同,不在重复,该步骤与S5不同部分在于,一方面,步骤S6对训练特征进行标签,对每一个特征信息归类,以便训练;另一方面,由于在磁盘中好盘和坏盘的分布不平衡,所以采用了SMOTE技术对训练样本的特征进行了上采样,使得训练中好盘和坏盘的样本数相等。获取磁盘训练特征后跳到S8。
步骤S7:加载神经网络模型(即磁盘故障预测模型)对磁盘寿命状态(即磁盘故障)进行在线预测。
例如,在S5之后生成的磁盘预测特征文件,然后调用磁盘故障预测神经网络模型对待预测样本数据进行预测,并将预测结果返回,返回的信息包括:磁盘故障归类预测信息、磁盘的IP信息、磁盘局点信息、磁盘接口类型、磁盘品牌/厂商信息、以及磁盘型号信息等。
步骤S8:对当前的磁盘寿命预测模型进行在线增量训练,预测模型训练完毕之后跳转到S9。
步骤S9:磁盘故障预测模型更新,模型更新完毕之后等待跳转到S7。
步骤S10:磁盘故障预测结果输出。
详细地,对S7中生成的预测结果和信息进行解析,获取磁盘的故障归类预测信息、IP信息、局点信息、接口类型、品牌/厂商信息、以及型号信息,以显示在磁盘监控软件交互终端中。
实施例三
基于实施例一的各实施方式,本发明实施例提供一种可选地磁盘故障的预测方法,以下结合附图以希捷品牌中SATA_HDD接口磁盘,对其故障预测在进行详细说明,如图15所示,本发明实施例中磁盘故障的预测方法可以包括:
步骤S0’:构建希捷SATA_HDD磁盘实施例的磁盘故障预测模型。可以按照实施例二中的S0实现。
步骤S1’:接受磁盘状态数据采集指令。
步骤S2’:对希捷SATA_HDD磁盘指定的指定的磁盘SMART数据进行采集。
例如,定时任务触发数据采集任务对SMART数据进行采集,SMART数据内容为:底层数据读取错误率、主轴起旋时间、重映射扇区计数、寻道错误率、串口降速错误计数、温度、脱机无法校正的扇区计数、Ultra ATA访问校验错误率总共8个id的raw_value和value数据,比西数的SATA_HDD磁盘少了两个SMART采集项,获得希捷SATA_HDD磁盘的SMART原始数据后以文本的形式上传到服务器。
步骤S3’:对希捷SATA_HDD磁盘SMART采集的原始数据进行解析并获得磁盘相关的信息文件。
步骤S4’:进行数据数据是否执行预测判断,如果是,则跳转到S5’;如果否,则跳转到S6’。
步骤S5’:构建磁盘故障预测特征。
例如,根据S3’步骤中磁盘SMART数据的特点,经过对如图13和图14所示的SMART参数分析,本发明实施例选择了相应的磁盘SMART参数的统计量作为磁盘故障预测的特征,具体选择如下:
底层数据读取错误率参数(001)value值的方差和均值,及其raw_value值的方差和均值;
主轴起旋时间参数(003)value的方差,及其raw_value值的方差;
重映射扇区计数参数(005)value值的方差和均值,及其raw_value值的方差和均值;
寻道错误率(007)value值得方差和均值,及其raw_value值得方差和均值;
串口降速错误计数(183)value值的方差和均值,及其raw_value值的方差和均值;
温度(194)value值的方差和均值,及其raw_value值的方差和均值;
脱机无法校正的扇区计数(198)value值的方差和均值,及其raw_value值的方差和均值;
Ultra ATA访问校验错误率(199)value值的方差和均值,及其raw_value值的方差和均值。总共38个特征维度,并对构建的特征进行PCA主成分分析,取主成分中的前30个维度。获得磁盘故障预测特征后跳到S7’。
步骤S6’:构建磁盘故障训练特征及标签。
步骤S7’:加载神经网络模型对磁盘寿命状态进行在线预测。
步骤S8’:对当前的磁盘寿命预测模型进行在线增量训练,预测模型训练完毕之后跳转到S9’。
步骤S9’:磁盘故障预测模型更新,模型更新完毕之后等待跳转到S7。
步骤S10’:磁盘故障预测结果输出。
其中上述步骤S0’-S10’的具体实现可以参阅实施例二中的S0-S10。
本发明实施例提供了一种基于人工全连神经网络模型和SMART磁盘参数直接预测磁盘故障状态的方法,并实现了人工全连神经网络预测模型的在线训练和预测的功能,实现了计算机网络存储系统中磁盘故障预测和警告的自动化,提供了存储系统运维的效率。
实施例四
本发明实施例提供一种磁盘故障的预测设备,所述设备包括处理器和存储器;所述存储器用于存储磁盘故障的预测程序,所述处理器用于运行所述程序,以实现实施例一至实施例三任一实施方式所述方法的步骤。
实施例五
本发明实施例提供一种计算机存储介质,所述介质存储有磁盘故障的预测程序;所述程序可被至少一个处理器执行,以实现如实施例一至实施例三任一实施方式所述方法的步骤。
其中实施例四和实施例五在具体实现时,可以参阅实施例一至实施例三,具有相应的技术效果。
需要说明的是,在本文中,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、物品或者装置不仅包括那些要素,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、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中,在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分;例如,一个物理组件可以具有多个功能,或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (8)
1.一种磁盘故障的预测方法,其特征在于,所述方法包括:
根据在线采集获得的磁盘相关的信息文件,判断是否对磁盘故障进行直接预测;
在判断所述磁盘相关的信息文件为磁盘基本信息文件和SMART数据信息文件时,判定对磁盘故障进行直接预测,并根据所述磁盘基本信息文件和SMART数据信息文件,构建磁盘故障预测特征,根据所述磁盘故障预测特征,加载当前的磁盘故障预测模型对磁盘故障进行预测;
在所述磁盘相关的信息文件为磁盘基本信息文件、SMART数据信息文件和离线磁盘文件时,判定不对磁盘故障进行直接预测,并根据所述磁盘基本信息文件、SMART数据信息文件和离线磁盘文件,构建磁盘故障训练特征和标签,根据所述磁盘故障训练特征和标签,对当前的磁盘故障预测模型进行增量训练。
2.如权利要求1所述的方法,其特征在于,所述根据所述磁盘故障训练特征和标签,对当前的磁盘故障预测模型进行增量训练之前,包括:
通过合成少数类过采样技术SMOTE对所述磁盘故障训练特征进行上采样处理。
3.如权利要求1所述的方法,其特征在于,在第一次训练过程中的当前的磁盘故障预测模型为预先构造的全连人工神经网络模型。
4.如权利要求1所述的方法,其特征在于,所述方法还包括:
获取在线采集的磁盘的自我监测、分析及报告技术SMART数据;
从所述SMART数据中获得所述磁盘相关的信息文件。
5.如权利要求1-4中任意一项所述的方法,其特征在于,所述构建磁盘故障预测特征或构建磁盘故障训练特征包括:
根据所述磁盘相关的信息文件中的每个参数的方差和均值,得到多维度的输入特征作为磁盘故障预测特征或磁盘故障训练特征。
6.如权利要求5所述的方法,其特征在于,所述根据所述磁盘相关的信息文件中的每个参数的方差和均值,得到多维度的输入特征,包括:
根据所述每个参数的原始值和转换值的方差和均值,得到所述多维度的输入特征。
7.一种磁盘故障的预测设备,其特征在于,所述设备包括处理器和存储器;所述存储器用于存储磁盘故障的预测程序,所述处理器用于运行所述程序,以实现如权利要求1至6中任一项所述方法的步骤。
8.一种计算机存储介质,其特征在于,所述介质存储有磁盘故障的预测程序;所述程序可被至少一个处理器执行,以实现如权利要求1至6中任意一项所述方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811632163.6A CN109739739B (zh) | 2018-12-28 | 2018-12-28 | 磁盘故障的预测方法、设备及存储介质 |
PCT/CN2019/113115 WO2020134442A1 (zh) | 2018-12-28 | 2019-10-24 | 磁盘故障的预测方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811632163.6A CN109739739B (zh) | 2018-12-28 | 2018-12-28 | 磁盘故障的预测方法、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109739739A CN109739739A (zh) | 2019-05-10 |
CN109739739B true CN109739739B (zh) | 2020-10-02 |
Family
ID=66362137
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811632163.6A Active CN109739739B (zh) | 2018-12-28 | 2018-12-28 | 磁盘故障的预测方法、设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109739739B (zh) |
WO (1) | WO2020134442A1 (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109739739B (zh) * | 2018-12-28 | 2020-10-02 | 南京中兴软件有限责任公司 | 磁盘故障的预测方法、设备及存储介质 |
CN110347538B (zh) * | 2019-06-13 | 2020-08-14 | 华中科技大学 | 一种存储设备故障预测方法和系统 |
CN110399238B (zh) * | 2019-06-27 | 2023-09-22 | 浪潮电子信息产业股份有限公司 | 一种磁盘故障预警方法、装置、设备及可读存储介质 |
CN110515752B (zh) * | 2019-08-23 | 2022-04-22 | 浪潮(北京)电子信息产业有限公司 | 一种磁盘设备寿命预测方法及装置 |
CN111124732A (zh) * | 2019-12-20 | 2020-05-08 | 浪潮电子信息产业股份有限公司 | 一种磁盘故障的预测方法、系统、设备及存储介质 |
CN111158981A (zh) * | 2019-12-26 | 2020-05-15 | 西安邮电大学 | 一种cdn硬盘可靠运行状态的实时监控方法及系统 |
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 |
CN111414286B (zh) * | 2020-03-06 | 2021-11-09 | 同济大学 | 一种基于深度学习的不平衡硬盘数据的故障诊断方法 |
CN111414289A (zh) * | 2020-03-16 | 2020-07-14 | 上海威固信息技术股份有限公司 | 一种基于迁移学习的磁盘故障预测方法及装置 |
CN112115004B (zh) * | 2020-07-29 | 2022-02-11 | 西安交通大学 | 一种基于反向传播贝叶斯深度学习的硬盘寿命预测方法 |
CN114327241A (zh) * | 2020-09-29 | 2022-04-12 | 伊姆西Ip控股有限责任公司 | 管理磁盘的方法、电子设备和计算机程序产品 |
CN112596964B (zh) * | 2020-12-15 | 2024-05-17 | 中国建设银行股份有限公司 | 磁盘故障的预测方法及装置 |
CN112652351A (zh) * | 2020-12-25 | 2021-04-13 | 平安科技(深圳)有限公司 | 硬件状态检测方法、装置、计算机设备及存储介质 |
CN112764960A (zh) * | 2021-01-27 | 2021-05-07 | 北京明略昭辉科技有限公司 | 磁盘故障预测、检测及无感知更换的方法及系统 |
CN113076217B (zh) * | 2021-04-21 | 2024-04-12 | 扬州万方科技股份有限公司 | 基于国产平台的磁盘故障预测方法 |
CN113971003A (zh) * | 2021-10-17 | 2022-01-25 | 中国船舶重工集团公司第七一六研究所 | 一种磁盘smart数据的在线采样装置与方法 |
CN116701150B (zh) * | 2023-06-19 | 2024-01-16 | 深圳市银闪科技有限公司 | 一种基于物联网的存储数据安全监管系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108205424A (zh) * | 2017-12-29 | 2018-06-26 | 北京奇虎科技有限公司 | 基于磁盘的数据迁移方法、装置及电子设备 |
CN108228377A (zh) * | 2017-12-29 | 2018-06-29 | 华中科技大学 | 一种面向磁盘故障检测的smart阈值优化方法 |
CN108681496A (zh) * | 2018-05-09 | 2018-10-19 | 北京奇艺世纪科技有限公司 | 磁盘故障的预测方法、装置及电子设备 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7313550B2 (en) * | 2002-03-27 | 2007-12-25 | Council Of Scientific & Industrial Research | Performance of artificial neural network models in the presence of instrumental noise and measurement errors |
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 |
CN104503874A (zh) * | 2014-12-29 | 2015-04-08 | 南京大学 | 一种云计算平台的硬盘故障预测方法 |
CN107025154B (zh) * | 2016-01-29 | 2020-12-01 | 阿里巴巴集团控股有限公司 | 磁盘的故障预测方法和装置 |
CN106897178B (zh) * | 2017-02-21 | 2020-06-23 | 曲阜师范大学 | 一种基于极限学习机的慢盘检测方法及系统 |
CN107273273A (zh) * | 2017-06-27 | 2017-10-20 | 郑州云海信息技术有限公司 | 一种分布式集群硬件故障预警方法及系统 |
CN108845760A (zh) * | 2018-05-28 | 2018-11-20 | 郑州云海信息技术有限公司 | 一种硬盘维护方法、装置、设备及可读存储介质 |
CN109739739B (zh) * | 2018-12-28 | 2020-10-02 | 南京中兴软件有限责任公司 | 磁盘故障的预测方法、设备及存储介质 |
-
2018
- 2018-12-28 CN CN201811632163.6A patent/CN109739739B/zh active Active
-
2019
- 2019-10-24 WO PCT/CN2019/113115 patent/WO2020134442A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108205424A (zh) * | 2017-12-29 | 2018-06-26 | 北京奇虎科技有限公司 | 基于磁盘的数据迁移方法、装置及电子设备 |
CN108228377A (zh) * | 2017-12-29 | 2018-06-29 | 华中科技大学 | 一种面向磁盘故障检测的smart阈值优化方法 |
CN108681496A (zh) * | 2018-05-09 | 2018-10-19 | 北京奇艺世纪科技有限公司 | 磁盘故障的预测方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
WO2020134442A1 (zh) | 2020-07-02 |
CN109739739A (zh) | 2019-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109739739B (zh) | 磁盘故障的预测方法、设备及存储介质 | |
CN108647136B (zh) | 基于smart信息和深度学习的硬盘损坏预测方法及装置 | |
CN108052528B (zh) | 一种存储设备时序分类预警方法 | |
US11403164B2 (en) | Method and device for determining a performance indicator value for predicting anomalies in a computing infrastructure from values of performance indicators | |
US10410135B2 (en) | Systems and/or methods for dynamic anomaly detection in machine sensor data | |
US11558272B2 (en) | Methods and systems for predicting time of server failure using server logs and time-series data | |
US11288577B2 (en) | Deep long short term memory network for estimation of remaining useful life of the components | |
US11748185B2 (en) | Multi-factor cloud service storage device error prediction | |
CN110413227B (zh) | 一种硬盘设备的剩余使用寿命在线预测方法和系统 | |
US11868101B2 (en) | Computer system and method for creating an event prediction model | |
US11030038B2 (en) | Fault prediction and detection using time-based distributed data | |
US11307916B2 (en) | Method and device for determining an estimated time before a technical incident in a computing infrastructure from values of performance indicators | |
AU2019275633B2 (en) | System and method of automated fault correction in a network environment | |
CN111459692B (zh) | 用于预测驱动器故障的方法、设备和计算机程序产品 | |
CN111984511B (zh) | 一种基于二分类的多模型磁盘故障预测方法和系统 | |
Patri et al. | Predicting failures from oilfield sensor data using time series shapelets | |
US11675643B2 (en) | Method and device for determining a technical incident risk value in a computing infrastructure from performance indicator values | |
CN109032891A (zh) | 一种云计算服务器硬盘故障预测方法及装置 | |
CN112527572A (zh) | 磁盘故障预测方法、装置、计算机可读存储介质及服务器 | |
CN111124732A (zh) | 一种磁盘故障的预测方法、系统、设备及存储介质 | |
CN111061581A (zh) | 一种故障检测方法、装置及设备 | |
JP2021533482A (ja) | イベント監視装置、方法及びプログラム | |
US20210372647A1 (en) | Method and system for automatic detection of malfunctions/inefficient household electronic heating device | |
CN112530505A (zh) | 硬盘延迟检测方法、装置及计算机可读存储介质 | |
CN114398235A (zh) | 基于融合学习和假设检验的内存回收趋势预警装置及方法 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20190617 Address after: 210012 No. 68, Bauhinia Road, Ningnan street, Yuhuatai District, Nanjing, Jiangsu Applicant after: Nanjing Zhongxing Software Co., Ltd. Address before: 518000 Zhongnan communication tower, South China Road, Nanshan District high tech Industrial Park, Shenzhen, Guangdong Applicant before: ZTE Corporation |
|
GR01 | Patent grant | ||
GR01 | Patent grant |