CN109783259B - 慢盘检测方法和装置、存储介质 - Google Patents
慢盘检测方法和装置、存储介质 Download PDFInfo
- Publication number
- CN109783259B CN109783259B CN201711130390.4A CN201711130390A CN109783259B CN 109783259 B CN109783259 B CN 109783259B CN 201711130390 A CN201711130390 A CN 201711130390A CN 109783259 B CN109783259 B CN 109783259B
- Authority
- CN
- China
- Prior art keywords
- slow
- characteristic value
- disk
- determining
- hard disks
- 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
Landscapes
- Debugging And Monitoring (AREA)
Abstract
本申请公开了一种慢盘检测方法和装置、存储介质,属于存储技术领域。所述方法包括:获取对多个被测硬盘进行检测所得到的多个特征值组,每个特征值组包括至少一个特征值,所述至少一个特征值用于反映所述多个被测硬盘的输入输出响应速度;基于所述多个特征值组,采用目标异常检测算法对所述多个被测硬盘进行异常检测;基于第一慢盘阈值和异常检测的结果,确定所述多个被测硬盘中的慢盘,所述第一慢盘阈值根据预设的测试样本库确定。本申请提高了检测慢盘的准确性。本申请用于在存储系统中检测慢盘。
Description
技术领域
本申请涉及存储技术领域,特别涉及一种慢盘检测方法和装置、存储介质。
背景技术
在硬盘的使用过程中,由于硬盘的磁性退化、坏道或振动等原因,硬盘在执行输入输出(英文:input/output,缩写:I/O)操作时的响应时间相对于额定I/O响应时间会增大,这种在执行I/O操作时响应时间增大的硬盘称为慢盘。当存储系统中存在慢盘时,整个存储系统的读写操作会变慢,使得主机的业务处理效率受到影响,严重的情况下,还会导致主机业务的中断。因此,对存储系统中的硬盘进行实时检测,并对检测出的慢盘采取隔离或备份等相关措施,对保障主机的业务处理效率具有重要的意义。
相关技术中,检测慢盘的方法为:在多个检测周期的每个检测周期中,对多个硬盘进行检测,并在每个检测周期中获取每个硬盘执行I/O操作的响应时间,若某个硬盘在某检测周期内的响应时间是其他硬盘的预设倍数(例如:10倍),则确定该硬盘具有一个慢周期,且当该硬盘连续出现预设个数(例如:3个)的慢周期时,则确定该硬盘为慢盘。
但是,相关技术中检测慢盘时的预设倍数和预设个数均是人为设定的阈值,因此,该慢盘检测方法的准确性较低。
发明内容
本申请提供了一种慢盘检测方法和装置、存储介质,可以解决相关技术中检测慢盘时的预设倍数和预设个数均是人为设定的阈值,导致慢盘检测方法的准确性较低的问题。所述技术方案如下:
第一方面,本申请示例性实施例提供了一种慢盘检测方法,该方法可以包括:
获取对多个被测硬盘进行检测所得到的多个特征值组,每个特征值组包括至少一个特征值,所述至少一个特征值用于反映所述多个被测硬盘的输入输出响应速度;
基于所述多个特征值组,采用目标异常检测算法对所述多个被测硬盘进行异常检测;
基于第一慢盘阈值和异常检测的结果,确定所述多个被测硬盘中的慢盘,所述第一慢盘阈值根据预设的测试样本库确定。
需要说明的是,该第一慢盘阈值根据预设的测试样本库确定,无需人为设置阈值,提高了检测慢盘的准确性。
可选地,作为特征值组的一种可实现方式,每个特征值组包括:第一特征值和第二特征值,所述第一特征值用于反映所述多个被测硬盘的平均输入输出响应速度,所述第二特征值用于反映第一被测硬盘的输入输出响应速度相对于所述平均输入输出响应速度的偏差,所述第一被测硬盘为所述多个被测硬盘中输入输出响应速度最慢的被测硬盘。
可选地,作为第一特征值和第二特征值的一种可实现方式,所述第一特征值为所述多个被测硬盘的输入输出响应时间的平均值;
所述第二特征值为输入输出响应时间偏差与目标四分位距的比值,所述输入输出响应时间偏差为所述第一被测硬盘的输入输出响应时间与所述第一特征值的差,所述目标四分位距为所述多个被测硬盘的输入输出响应时间对应的四分位距。
可选地,所述基于第一慢盘阈值和异常检测的结果,确定所述多个被测硬盘中的慢盘的过程,可以包括:
根据检测得到的至少一个异常点,在所述多个特征值组中,确定与所述至少一个异常点对应的至少一个异常特征值组;
判断每个异常特征值组所指示的可疑慢盘;
基于所述第一慢盘阈值和所述至少一个异常特征值组所指示的至少一个可疑慢盘,确定所述多个被测硬盘中的慢盘。
该方案为基于第一慢盘阈值和异常检测的结果,确定多个被测硬盘中的慢盘的一种可实现方式。
在一种可实现方式中,所述基于所述第一慢盘阈值和所述至少一个异常特征值组所指示的至少一个可疑慢盘,确定所述多个被测硬盘中的慢盘的过程,可以包括:
统计每个可疑慢盘被所述至少一个异常特征值组所指示的总次数;
将被指示的次数大于所述第一慢盘阈值的可疑慢盘确定为所述慢盘。
在该可实现方式中,当某一可疑样本慢盘被指示的次数的次数大于预设的第二慢盘阈值时,则可将该可疑样本慢盘确定为真正的慢盘,当某一可疑样本慢盘被指示的次数的次数不大于预设的第二慢盘阈值时,则可确认该可疑样本慢盘不是真正的慢盘,其输入输出响应时间变长是由偶然因素导致的。
在另一种可实现方式中,所述基于所述第一慢盘阈值和所述至少一个异常特征值组所指示的至少一个可疑慢盘,确定所述多个被测硬盘中的慢盘,包括:
基于所述至少一个异常特征值对应的检测时间,按照时间的先后顺序对所述至少一个异常特征值进行排序;
基于排序后的至少一个异常特征值组,统计每个可疑慢盘被异常特征值组连续指示的次数中的最大次数;
将对应的最大次数大于所述第一慢盘阈值的可疑慢盘确定为所述慢盘。
需要说明的是,通过统计可疑样本慢盘被异常特征值组连续指示的次数中的最大次数,并将对应最大次数大于第二慢盘阈值的可疑样本慢盘确定为慢盘,相对于第一种可实现方式,能够进一步排除偶然因素对输入输出响应时间的影响,进一步地提高了慢盘检测的鲁棒性和准确性。
可选地,所述每个特征值组包括:第一特征值和第二特征值,所述第一特征值用于反映所述多个被测硬盘的平均输入输出响应速度,所述第二特征值用于反映第一被测硬盘的输入输出响应速度相对于所述平均输入输出响应速度的偏差,所述第一被测硬盘为所述多个被测硬盘中输入输出响应速度最慢的被测硬盘,相应的,所述判断每个异常特征值组所指示的可疑慢盘的过程,可以包括:
确定第一异常特征值组中的第二特征值,所述第一异常特征值组为所述至少一个异常特征值组中的任一异常特征值组;
将所述第二特征值对应的第一被测硬盘确定为所述第一异常特征值组所指示的可疑慢盘。
该方案为判断每个异常特征值组所指示的可疑慢盘的一种可实现方式。
可选地,在执行所述基于第一慢盘阈值和异常检测的结果,确定所述多个被测硬盘中的慢盘的步骤之前,还可以基于预设的测试样本库和所述目标异常检测算法确定所述第一慢盘阈值。
需要说明的是,由于预设的测试样本库能够反映硬盘的真实输入输出情况,第一慢盘阈值根据预设的测试样本库确定,使得检测慢盘的第一慢盘阈值由硬盘的真实输入输出情况决定,不再由人为设定阈值,提高了确定第一慢盘阈值的自适应性,进而提高了检测慢盘的准确性。
可选地,所述预设的测试样本库中记载有:输入样本和输出样本,所述输入样本为多个样本硬盘的特征值组,所述输出样本为所述多个样本硬盘对应的慢盘信息,相应的,所述基于预设的测试样本库和所述目标异常检测算法确定所述第一慢盘阈值的过程,可以包括:
确定所述目标异常检测算法对所述输入样本的检测结果;
基于所述目标异常检测算法的检测结果和多个初始慢盘阈值,分别根据每个初始慢盘阈值确定所述多个样本硬盘中的慢盘;
确定每个初始慢盘阈值对应的准确度,所述准确度用于反映根据每个初始慢盘阈值确定的慢盘的慢盘信息与所述输出样本中的慢盘信息的匹配程度;
将对应准确度最高的初始慢盘阈值确定为所述第一慢盘阈值。
需要说明的是,基于初始慢盘阈值采用目标异常检测算法对样本硬盘进行检测时,其对应的准确度越高,说明基于该初始慢盘阈值对预设的测试样本库的检测准确性越高,若基于该初始慢盘阈值对多个被测硬盘进行异常检测,可提高检出慢盘的准确性。该方案为在确定第一慢盘阈值的一种可实现方式。
可选地,作为构造多个特征值组的一种可选实现方式,所述获取对多个被测硬盘进行检测所得到的多个特征值组,包括:
在多个检测周期对所述多个被测硬盘进行检测,得到与所述多个检测周期一一对应的多个特征值集合,每个特征值集合包括至少一个特征值;
采用滑窗算法将所述多个特征值集合划分为所述多个特征值组,其中,每个特征值组包括至少一个特征值集合。
需要说明的是,当每个特征值组包括多个特征值集合时,每个特征值组可以包括多个检测周期的信息,基于该特征值组对多个被测硬盘进行异常检测时,可以将被测硬盘在多个检测周期中的输入输出响应时间作为异常检测的参考依据,以判断被测硬盘的响应时间在总体响应过程中是否出现异常,进而提高检测的准确性。并且,该滑窗算法的窗口宽度可以根据实际需要进行设置,能够提高慢盘检测的自适应性。
并且,在执行所述基于所述多个特征值组,采用目标异常检测算法对所述多个被测硬盘进行异常检测的步骤之前,还可以先执行以下步骤:
基于预设的测试样本库,在多个备选异常检测算法中确定所述目标异常检测算法。
需要说明的是,由于不同的算法对不同的样本的敏感程度不同,根据不同的样本确定对应于该样本准确度较高的目标异常检测算法,在根据该目标异常检测算法进行异常检测时,能够提高检测结果的准确性。
可选地,所述预设的测试样本库中记载有:输入样本和输出样本,所述输入样本为多个样本硬盘的特征值组,所述输出样本为所述多个样本硬盘对应的慢盘信息,相应的,所述基于预设的测试样本库,在多个备选异常检测算法中确定所述目标异常检测算法的过程,可以包括:
确定每个备选异常检测算法对所述输入样本的检测结果;
基于每个备选异常检测算法对应的检测结果,根据所述第二慢盘阈值确定所述多个样本硬盘中的慢盘;
确定每个备选异常检测算法的检测结果的准确度,所述准确度用于反映根据每个检测结果确定的慢盘的慢盘信息与所述输出样本中的慢盘信息的匹配程度;
将对应准确度最高的备选异常检测算法确定为所述目标异常检测算法。
需要说明的是,备选异常检测算法的准确度越高,说明该备选异常检测算法对预设的测试样本库的检测准确性越高,若用其对多个被测硬盘进行异常检测,可提高检出慢盘的准确性。该方案为在多个备选异常检测算法中确定目标异常检测算法的一种可实现方式。
可选地,所述多个备选异常检测算法包括:一类支持向量机算法和局部异常因子算法。这两种算法为备选异常检测算法的两种可选算法,实际应用中也可以为其他算法。
第二方面,本申请示例性实施例提供了一种慢盘检测装置,该装置可以包括:
获取模块,用于获取对多个被测硬盘进行检测所得到的多个特征值组,每个特征值组包括至少一个特征值,所述至少一个特征值用于反映所述多个被测硬盘的输入输出响应速度;
检测模块,用于基于所述多个特征值组,采用目标异常检测算法对所述多个被测硬盘进行异常检测;
第一确定模块,用于基于第一慢盘阈值和异常检测的结果,确定所述多个被测硬盘中的慢盘,所述第一慢盘阈值根据预设的测试样本库确定。
其中,每个特征值组可以包括:第一特征值和第二特征值,所述第一特征值用于反映所述多个被测硬盘的平均输入输出响应速度,所述第二特征值用于反映第一被测硬盘的输入输出响应速度相对于所述平均输入输出响应速度的偏差,所述第一被测硬盘为所述多个被测硬盘中输入输出响应速度最慢的被测硬盘。
可选地,所述第一特征值可以为所述多个被测硬盘的输入输出响应时间的平均值;
所述第二特征值可以为输入输出响应时间偏差与目标四分位距的比值,所述输入输出响应时间偏差为所述第一被测硬盘的输入输出响应时间与所述第一特征值的差,所述目标四分位距为所述多个被测硬盘的输入输出响应时间对应的四分位距。
可选地,所述第一确定模块,可以包括:
第一确定子模块,用于根据检测得到的至少一个异常点,在所述多个特征值组中,确定与所述至少一个异常点对应的至少一个异常特征值组;
判断子模块,用于判断每个异常特征值组所指示的可疑慢盘;
第二确定子模块,用于基于所述第一慢盘阈值和所述至少一个异常特征值组所指示的至少一个可疑慢盘,确定所述多个被测硬盘中的慢盘。
其中,所述第二确定子模块,用于:
统计每个可疑慢盘被所述至少一个异常特征值组所指示的总次数;
将被指示的次数大于所述第一慢盘阈值的可疑慢盘确定为所述慢盘。
或者,所述第二确定子模块,用于:
基于所述至少一个异常特征值对应的检测时间,按照时间的先后顺序对所述至少一个异常特征值进行排序;
基于排序后的至少一个异常特征值组,统计每个可疑慢盘被异常特征值组连续指示的次数中的最大次数;
将对应的最大次数大于所述第一慢盘阈值的可疑慢盘确定为所述慢盘。
可选地,所述每个特征值组可以包括:第一特征值和第二特征值,所述第一特征值用于反映所述多个被测硬盘的平均输入输出响应速度,所述第二特征值用于反映第一被测硬盘的输入输出响应速度相对于所述平均输入输出响应速度的偏差,所述第一被测硬盘为所述多个被测硬盘中输入输出响应速度最慢的被测硬盘,
所述判断子模块,用于:
确定第一异常特征值组中的第二特征值,所述第一异常特征值组为所述至少一个异常特征值组中的任一异常特征值组;
将所述第二特征值对应的第一被测硬盘确定为所述第一异常特征值组所指示的可疑慢盘。
可选地,所述装置还可以包括:
第二确定模块,用于基于预设的测试样本库和所述目标异常检测算法确定所述第一慢盘阈值。
可选地,所述预设的测试样本库中记载有:输入样本和输出样本,所述输入样本为多个样本硬盘的特征值组,所述输出样本为所述多个样本硬盘对应的慢盘信息,所述第二确定模块,用于:
确定所述目标异常检测算法对所述输入样本的检测结果;
基于所述目标异常检测算法的检测结果和多个初始慢盘阈值,分别根据每个初始慢盘阈值确定所述多个样本硬盘中的慢盘;
确定每个初始慢盘阈值对应的准确度,所述准确度用于反映根据每个初始慢盘阈值确定的慢盘的慢盘信息与所述输出样本中的慢盘信息的匹配程度;
将对应准确度最高的初始慢盘阈值确定为所述第一慢盘阈值。
可选地,所述获取模块,用于:
在多个检测周期对所述多个被测硬盘进行检测,得到与所述多个检测周期一一对应的多个特征值集合,每个特征值集合包括至少一个特征值;
采用滑窗算法将所述多个特征值集合划分为所述多个特征值组,其中,每个特征值组包括至少一个特征值集合。
可选地,所述装置还可以包括:
第三确定模块,用于基于预设的测试样本库,在多个备选异常检测算法中确定所述目标异常检测算法。
可选地,所述预设的测试样本库中记载有:输入样本和输出样本,所述输入样本为多个样本硬盘的特征值组,所述输出样本为所述多个样本硬盘对应的慢盘信息,所述第三确定模块,用于:
确定每个备选异常检测算法对所述输入样本的检测结果;
基于每个备选异常检测算法对应的检测结果,根据所述第二慢盘阈值确定所述多个样本硬盘中的慢盘;
确定每个备选异常检测算法的检测结果的准确度,所述准确度用于反映根据每个检测结果确定的慢盘的慢盘信息与所述输出样本中的慢盘信息的匹配程度;
将对应准确度最高的备选异常检测算法确定为所述目标异常检测算法。
可选地,所述多个备选异常检测算法包括:一类支持向量机算法和局部异常因子算法。
本申请示例性实施例提供的慢盘检测装置,获取模块获取对多个被测硬盘进行检测所得到的多个特征值组,检测模块基于多个特征值组,采用目标异常检测算法对多个被测硬盘进行异常检测,第一确定模块基于第一慢盘阈值和异常检测的结果,确定多个被测硬盘中的慢盘,该第一慢盘阈值根据预设的测试样本库确定,无需人为设置阈值,提高了检测慢盘的准确性。并且,采用该慢盘检测方法能够同时检测出存储系统中存在的多个慢盘,相对于相关技术,提高了慢盘检测的效率。
第三方面,本申请示例性实施例提供了一种慢盘检测装置,所述装置包括:
处理组件;
用于存储所述处理组件的可执行指令的存储器;
其中,所述处理组件被配置为:
获取对多个被测硬盘进行检测所得到的多个特征值组,每个特征值组包括至少一个特征值,所述至少一个特征值用于反映所述多个被测硬盘的输入输出响应速度;
基于所述多个特征值组,采用目标异常检测算法对所述多个被测硬盘进行异常检测;
基于第一慢盘阈值和异常检测的结果,确定所述多个被测硬盘中的慢盘,所述第一慢盘阈值根据预设的测试样本库确定。
第四方面,本申请示例性实施例提供了一种存储介质,当所述存储介质中的指令由终端的处理组件执行时,使得所述终端能够执行第一方面任一所述的慢盘检测方法。
第五方面,本申请示例性实施例提供了一种包含指令的计算机程序产品,当所述计算机程序产品在计算机上运行时,使得计算机执行第一方面所述的慢盘检测方法。
本申请实施例提供的技术方案带来的有益效果是:
本申请示例性实施例提供的慢盘检测方法和装置、存储介质,通过获取对多个被测硬盘进行检测所得到的多个特征值组,基于多个特征值组,采用目标异常检测算法对多个被测硬盘进行异常检测,基于第一慢盘阈值和异常检测的结果,确定多个被测硬盘中的慢盘,该第一慢盘阈值根据预设的测试样本库确定,无需人为设置阈值,提高了检测慢盘的准确性。并且,采用该慢盘检测方法能够同时检测出存储系统中存在的多个慢盘,相对于相关技术,提高了慢盘检测的效率。
附图说明
图1是本申请示例性实施例提供的一种慢盘检测方法的流程图;
图2是本申请示例性实施例提供的一种获取对多个被测硬盘进行检测所得到的多个特征值组的方法流程图;
图3-1是本申请示例性实施例提供的一种基于预设的测试样本库,在多个备选异常检测算法中确定目标异常检测算法的方法流程图;
图3-2是本申请示例性实施例提供的一种采用一类支持向量机算法对特征值组进行检测的检测结果的示意图;
图3-3是本申请示例性实施例提供的一种基于每个备选异常检测算法对应的检测结果,根据第二慢盘阈值确定多个样本硬盘中的慢盘的方法流程图;
图3-4是本申请示例性实施例提供的一种判断每个异常特征值组所指示的可疑样本慢盘的方法流程图;
图3-5是本申请示例性实施例提供的一种基于第二慢盘阈值和至少一个异常特征值组所指示的至少一个可疑样本慢盘,确定多个样本硬盘中的慢盘的方法流程图;
图3-6是本申请示例性实施例提供的另一种基于第二慢盘阈值和至少一个异常特征值组所指示的至少一个可疑样本慢盘,确定多个样本硬盘中的慢盘的方法流程图;
图4是本申请示例性实施例提供的一种基于预设的测试样本库和目标异常检测算法确定第一慢盘阈值的方法流程图;
图5-1是本申请示例性实施例提供的一种基于第一慢盘阈值和异常检测的结果,确定多个被测硬盘中的慢盘的方法流程图;
图5-2是本申请示例性实施例提供的一种判断每个异常特征值组所指示的可疑慢盘的方法流程图;
图5-3是本申请示例性实施例提供的一种基于第一慢盘阈值和至少一个异常特征值组所指示的至少一个可疑慢盘,确定多个被测硬盘中的慢盘的方法流程图;
图5-4是本申请示例性实施例提供的另一种基于第一慢盘阈值和至少一个异常特征值组所指示的至少一个可疑慢盘,确定多个被测硬盘中的慢盘的方法流程图;
图5-5是本申请示例性实施例提供的一种目标异常检测算法的检测结果示意图;
图6-1是本申请示例性实施例提供的一种慢盘检测装置的结构示意图;
图6-2是本申请示例性实施例提供的一种第一确定模块的结构示意图;
图6-3是本申请示例性实施例提供的另一种慢盘检测装置的结构示意图;
图7是本申请示例性实施例提供的一种慢盘检测装置的结构框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
通常,存储系统中设置有多个硬盘,该多个硬盘的性能共同影响存储系统的性能,例如:该多个硬盘的输入输出响应时间共同影响存储系统的输入输出响应时间。其影响可以表现为:当存储系统中某个或某几个硬盘的输入输出响应时间相对各自的额定输入输出响应时间增大时,其会使整个存储系统的输入输出响应速度变慢。这样,主机处理业务的效率就会受到影响,严重的情况下,还会导致主机业务的中断。因此,及时检测出输入输出响应时间增大的硬盘(即慢盘),并对其采取措施,对保障主机的业务处理效率具有重要的意义。
本申请示例性实施例提供的慢盘检测方法,采用异常检测算法对存储系统中的多个硬盘(即被测硬盘)进行异常检测,并根据样本数据确定的检测慢盘时的第一慢盘阈值,然后,根据该异常检测的检测结果和第一慢盘阈值确定存储系统中是否存在慢盘。这样,当存储系统中存在慢盘时,可以及时对该慢盘进行处理,以便于保障主机的业务处理效率。
本申请示例性实施例提供了一种慢盘检测方法,该方法可由终端执行,如图1所示,该方法可以包括:
步骤101、获取对多个被测硬盘进行检测所得到的多个特征值组,每个特征值组包括至少一个特征值,该至少一个特征值用于反映多个被测硬盘的输入输出响应速度。
其中,输入输出是指输入或输出,为描述方便,本文中均简称其为输入输出。
可选地,如图2所示,该步骤101的实现过程可以包括:
步骤1011、在多个检测周期对多个被测硬盘进行检测,得到与多个检测周期一一对应的多个特征值集合。
其中,每个特征值集合可以包括至少一个特征值,例如:每个特征值集合可以包括:第一特征值和第二特征值,该第一特征值用于反映多个被测硬盘的平均输入输出响应速度,该第二特征值用于反映第一被测硬盘的输入输出响应速度相对于平均输入输出响应速度的偏差,该第一被测硬盘为多个被测硬盘中输入输出响应速度最慢的被测硬盘。
可选地,该第一特征值可以为多个被测硬盘的输入输出响应时间的平均值,该第二特征值可以为输入输出响应时间偏差与目标四分位距的比值,该输入输出响应时间偏差为第一被测硬盘的输入输出响应时间与第一特征值的差,该目标四分位距为多个被测硬盘的输入输出响应时间对应的四分位距。
该四分位距(英文:Inter Quartile Range;缩写:IQR)为多个被测硬盘的输入输出响应时间对应的第三四分位数与第一四分位数的差距,其中,四分位数为将多个被测硬盘的输入输出响应时间对应的数据按照由小到大的顺序排列,并将排列后的数据分成四等份时,处于三个分割点位置的输入输出响应时间,第一四分位数为处于第一分割点位置的输入输出响应时间,第三四分位数为处于第三分割点位置的输入输出响应时间。
示例地,假设有5个被测硬盘,该5个被测硬盘分别为被测硬盘1、被测硬盘2、被测硬盘3、被测硬盘4和被测硬盘5,每个特征值集合包括第一特征值和第二特征值,该第一特征值为该5个被测硬盘的输入输出响应时间的平均值,该第二特征值为输入输出响应时间偏差与目标四分位距的比值,分别在4个检测周期中对该5个被测硬盘进行检测,得到的该5个被测硬盘在每个检测周期中的输入输出响应时间请参考表1,可以看出:以检测周期1和检测周期2为例,在检测周期1中,5个被测硬盘的输入输出相应时间分别为:50、52、65、54和78,在检测周期2中,5个被测硬盘的输入输出相应时间分别为:51、51、66、53和72,其中,输入输出响应时间的单位为:毫秒(英文:ms),根据表1中记载的数据可得:
检测周期1对应的特征值集合1中的第一特征值为59.8,第二特征值为1.4;
检测周期2对应的特征值集合2中的第一特征值为58.6,第二特征值为0.89;
检测周期3对应的特征值集合3中的第一特征值为58,第二特征值为0.65;
检测周期4对应的特征值集合4中的第一特征值为59.2,第二特征值为0.58;
检测周期5对应的特征值集合5中的第一特征值为58.4,第二特征值为0.64;
检测周期6对应的特征值集合6中的第一特征值为58.4,第二特征值为0.74;
检测周期7对应的特征值集合7中的第一特征值为57.6,第二特征值为0.63;
检测周期8对应的特征值集合8中的第一特征值为58,第二特征值为0.71;
检测周期9对应的特征值集合9中的第一特征值为59.8,第二特征值为0.71。
表1(单位:ms)
被测硬盘1 | 被测硬盘2 | 被测硬盘3 | 被测硬盘4 | 被测硬盘5 | |
检测周期1 | 50 | 52 | 65 | 54 | 78 |
检测周期2 | 51 | 51 | 66 | 53 | 72 |
检测周期3 | 49 | 50 | 71 | 50 | 70 |
检测周期4 | 50 | 52 | 72 | 52 | 70 |
检测周期5 | 50 | 52 | 70 | 51 | 69 |
检测周期6 | 51 | 52 | 68 | 50 | 71 |
检测周期7 | 49 | 50 | 69 | 52 | 68 |
检测周期8 | 50 | 49 | 70 | 54 | 67 |
检测周期9 | 53 | 51 | 71 | 50 | 74 |
步骤1012、采用滑窗算法将多个特征值集合划分为多个特征值组。
实际应用中,可以设置滑窗算法的窗口宽度为至少一个检测周期的时长,使得每个特征值组包括至少一个特征值集合,并且,该滑窗算法的窗口宽度可以根据实际需要进行设置。例如:可以设置滑窗算法的窗口宽度为一个检测周期的时长,使得每个特征值组包括一个特征值集合,或者,可以设置滑窗算法的窗口宽度为两个检测周期的时长,使得每个特征值组包括两个特征值集合。
示例地,根据步骤1011特征值集合中的第一特征值和第二特征值,当设置滑窗算法的窗口宽度为1时,每个特征值组包括一个特征值集合,采用该滑窗算法对多个特征值集合进行划分的结果为:特征值组1为(59.8,1.4),特征值组2为(58.6,0.89),特征值组3为(58,0.65),特征值组4为(59.2,0.58),特征值组5为(58.4,0.64),特征值组6为(58.4,0.74),特征值组7为(57.6,0.63),特征值组8为(58,0.71),特征值组9为(59.8,0.71)。
当设置滑窗算法的窗口宽度为2时,每个特征值组包括两个特征值集合,采用该滑窗算法对多个特征值集合进行划分的结果为:特征值组1为(59.8,1.4,58.6,0.89),特征值组2为(58.6,0.89,58,0.65),特征值组3为(58,0.65,59.2,0.58),特征值组4为(59.2,0.58,58.4,0.64),特征值组5为(58.4,0.64,58.4,0.74),特征值组6为(58.4,0.74,57.6,0.63),特征值组7为(57.6,0.63,58,0.71),特征值组8为(58,0.71,59.8,0.71)。
需要说明的是,当每个特征值组包括多个特征值集合时,每个特征值组可以包括多个检测周期的信息,基于该特征值组对多个被测硬盘进行异常检测时,可以将被测硬盘在多个检测周期中的输入输出响应时间作为异常检测的参考依据,以判断被测硬盘的响应时间在总体响应过程中是否出现异常,进而提高检测的准确性。并且,该滑窗算法的窗口宽度可以根据实际需要进行设置,能够提高慢盘检测的自适应性。
步骤102、基于预设的测试样本库,在多个备选异常检测算法中确定目标异常检测算法。
其中,预设的测试样本库中记载有:输入样本和输出样本,该输入样本为多个样本硬盘的特征值组,该输出样本为多个样本硬盘对应的慢盘信息,该预设的测试样本库为根据实际需要筛选出的样本数据,其能够反映硬盘的真实输入输出情况。
该步骤102的实现过程为采用交叉验证的方法在备选异常检测算法中确定目标异常检测算法的过程,如图3-1所示,该步骤102的实现过程,可以包括:
步骤1021、确定每个备选异常检测算法对输入样本的检测结果。
需要说明的是,在确定每个备选异常检测算法对输入样本的检测结果之前,还需要采用尽量多的训练样本分别对每个备选异常检测算法进行训练,以得到每个备选异常检测算法的分类策略。然后,在步骤1021中,每个备选异常检测算法读入输入样本后,可以基于训练得到的分类策略,以确定每个备选异常检测算法对输入样本的检测结果。其中,多个备选异常检测算法可以包括:一类支持向量机算法(英文:One Class SVM)和局部异常因子算法(英文:Local Outlier Factor)等异常检测算法。
实际应用中,可以用二维坐标系中的点表征每个特征值组,例如:当每个特征值组包括第一特征值和第二特征值时,可以将特征值组中的第一特征值作为该点的第一维坐标(如x坐标),将特征值组的第二特征值作为该点的第二维坐标(如y坐标)。若多个样本硬盘中存在慢盘,其对应的点在检测结果中就会被划分为异常点,例如:当采用一类支持向量机算法进行检测时,检测结果中未被归类的点就是异常点,当采用局部异常因子算法进行检测时,若某个点的局部相对密度远大于1,则该点在检测结果中就会被划分为异常点。
示例地,假设备选异常检测算法为一类支持向量机算法,输入样本为与10个检测周期一一对应的10个特征值组(即每个特征值组包括一个特征值集合),该10个特征值组分别为特征值组1、特征值组2、特征值组3、特征值组4、特征值组5、特征值组6、特征值组7、特征值组8、特征值组9和特征值组10,每个特征值组包括第一特征值和第二特征值,该10个特征值组中的第一特征值分别为x1、x2、x3、x4、x5、x6、x7、x8、x9和x10,第二特征值分别为y1、y2、y3、y4、y5、y6、y7、y8、y9和y10,采用一类支持向量机算法对该10特征值组进行检测,得到的检测结果请参考图3-2,图3-2中的点D1(x1,y1)、点D2(x2,y2)、点D3(x3,y3)、点D4(x4,y4)、点D5(x5,y5)、点D6(x6,y6)、点D7(x7,y7)、点D8(x8,y8)、点D9(x9,y9)和点D10(x10,y10)表征该10个特征值组,图3-2中虚线圈a表征一类支持向量机算法的分类边界,该虚线圈a中的空心圆为对一类支持向量机算法进行训练时的样本点(实际异常检测过程中,仅能在检测结果中看到特征值组对应的点,此处为了便于说明,检测结果中也示出了样本点),从图3-2的检测结果可以看出:点D1(x1,y1)、点D3(x3,y3)、点D6(x6,y6)、点D7(x7,y7)、点D8(x8,y8)、点D9(x9,y9)和点D10(x10,y10)未被归类,即点D1(x1,y1)、点D3(x3,y3)、点D6(x6,y6)、点D7(x7,y7)、点D8(x8,y8)、点D9(x9,y9)和点D10(x10,y10)被划分为异常点。
步骤1022、基于每个备选异常检测算法对应的检测结果,根据第二慢盘阈值确定多个样本硬盘中的慢盘。
可选地,如图3-3所示,该步骤1022的实现过程可以包括:
步骤1022a、根据检测得到的至少一个异常点,在多个特征值组中,确定与至少一个异常点对应的至少一个异常特征值组。
使用点表征特征值组时,当多个样本硬盘中存在慢盘时,代表特征值组的点在检测结果中会被划分为异常点,因此,可以根据该异常点直接确定相应的特征值组。
示例地,当使用点D1(x1,y1)、点D2(x2,y2)、点D3(x3,y3)、点D4(x4,y4)、点D5(x5,y5)、点D6(x6,y6)、点D7(x7,y7)、点D8(x8,y8)、点D9(x9,y9)和点D10(x10,y10)分别表征特征值组1、特征值组2、特征值组3、特征值组4、特征值组5、特征值组6、特征值组7、特征值组8、特征值组9和特征值组10时,若异常点为D1(x1,y1)、点D3(x3,y3)、点D6(x6,y6)、点D7(x7,y7)、点D8(x8,y8)、点D9(x9,y9)和点D10(x10,y10),则可将特征值组1、特征值组3、特征值组6、特征值组7、特征值组8、特征值组9和特征值组10确定为异常特征值组。
步骤1022b、判断每个异常特征值组所指示的可疑样本慢盘。
可选地,如图3-4所示,步骤1022b的实现过程可以包括:
步骤b1、确定第一异常特征值组中的第二特征值,该第一异常特征值组为至少一个异常特征值组中的任一异常特征值组。
示例地,假设10个特征值组中的第二特征值分别为y1、y2、y3、y4、y5、y6、y7、y8、y9和y10,异常特征值组为特征值组1、特征值组3、特征值组6、特征值组7、特征值组8、特征值组9和特征值组10,则可以确定该7个异常特征值组中的第二特征值分别为:y1、y3、y6、y7、y8、y9和y10。
步骤b2、将第二特征值对应的第一样本硬盘确定为第一异常特征值组所指示的可疑样本慢盘。
由于第二特征值为第一样本硬盘对应的输入输出响应时间偏差与目标四分位距的比值,且第一样本硬盘为多个样本硬盘中输入输出响应速度最慢的样本硬盘,因此,第二特征值中的第一样本硬盘为导致特征值组成为异常特征值组的决定性因素,所以,当某一特征值组为异常特征值组时,可以将该异常特征值组对应的第一样本硬盘确定为该异常特征值组所指示的可疑样本慢盘。
示例地,假设特征值组3为异常特征值组,其对应的第二特征值为y3,该第二特征值为样本硬盘5对应的输入输出响应时间偏差与目标四分位距的比值,则可将样本硬盘5确定为该异常特征值组所指示的可疑样本慢盘。
步骤1022c、基于第二慢盘阈值和至少一个异常特征值组所指示的至少一个可疑样本慢盘,确定多个样本硬盘中的慢盘。
实际应用中,该步骤1022c有多种可实现方式,本发明实施例以以下两种可实现方式为例对其进行说明。
第一种可实现方式,如图3-5所示,该步骤1022c的实现过程,可以包括:
步骤c1、统计每个可疑样本慢盘被至少一个异常特征值组所指示的总次数。
实际应用中,导致硬盘的输入输出响应时间变长的原因有多种,例如:当硬盘为慢盘时,其输入输出响应时间会变长,或者,一些偶然因素也会导致硬盘的输入输出时间变长,所以,当某一硬盘被指示为可疑样本慢盘时,该硬盘可能不是真正的慢盘。因此,在确定某一硬盘为可疑样本慢盘后,还需要排除导致硬盘输入输出响应时间变长的偶然因素,以便于确定该可疑样本慢盘是否是真正的慢盘。
可选地,可以统计每个可疑样本慢盘被至少一个异常特征值组所指示的次数,以进一步确定可疑样本慢盘是否为真正的慢盘,并且,当某一可疑样本慢盘被指示的次数的次数大于预设的第二慢盘阈值时,则可将该可疑样本慢盘确定为真正的慢盘,当某一可疑样本慢盘被指示的次数的次数不大于预设的第二慢盘阈值时,则可确认该可疑样本慢盘不是真正的慢盘,其输入输出响应时间变长是由偶然因素导致的。
示例地,假设异常特征值组分别为:特征值组1、特征值组3、特征值组6、特征值组7、特征值组8、特征值组9和特征值组10,该7个异常特征值组所指示的可疑样本慢盘分别为:样本硬盘3、样本硬盘5、样本硬盘6、样本硬盘5、样本硬盘6、样本硬盘6和样本硬盘5,则样本硬盘3、样本硬盘5和样本硬盘6被该7个异常特征值组所指示的次数分别为:1次、3次和3次。
步骤c2、将被指示的次数大于第二慢盘阈值的可疑样本慢盘确定为慢盘。
当某可疑样本慢盘被指示的次数大于第二慢盘阈值时,可以确定该可疑样本慢盘确实为慢盘。
示例地,假设第二慢盘阈值为2,可疑样本慢盘分别为:样本硬盘3、样本硬盘5和样本硬盘6,该3个可疑样本慢盘被异常特征值组所指示的次数分别为:1次、3次和3次,则可将样本硬盘5和样本硬盘6确定为慢盘。
第二种可实现方式,如图3-6所示,该步骤1022c的实现过程,可以包括:
步骤c3、基于至少一个异常特征值对应的检测时间,按照时间的先后顺序对至少一个异常特征值进行排序。
示例地,假设异常特征值组分别为:特征值组1、特征值组3、特征值组6、特征值组7、特征值组8、特征值组9和特征值组10,基于该7个异常特征值对应的检测时间,按照时间的先后顺序对该7个异常特征值进行排序的结果为:特征值组1、特征值组3、特征值组7、特征值组10、特征值组6、特征值组8和特征值组9。
步骤c4、基于排序后的至少一个异常特征值组,统计每个可疑样本慢盘被异常特征值组连续指示的次数中的最大次数。
示例地,排序后的异常特征值组分别为:特征值组1、特征值组3、特征值组7、特征值组10、特征值组6、特征值组8和特征值组9,该7个异常特征值组所指示的可疑样本慢盘分别为:样本硬盘3、样本硬盘5、样本硬盘5、样本硬盘5、样本硬盘6、样本硬盘6和样本硬盘6,则基于排序后的至少一个异常特征值组,样本硬盘3、样本硬盘5和样本硬盘6被异常特征值组连续指示的次数中的最大次数分别为:1次、3次和3次。
步骤c5、将对应的最大次数大于第二慢盘阈值的可疑样本慢盘确定为慢盘。
当某可疑样本慢盘被连续指示的最大次数大于第二慢盘阈值时,可以确定该可疑样本慢盘确实为慢盘。
示例地,假设第二慢盘阈值为2,可疑样本慢盘分别为:样本硬盘3、样本硬盘5和样本硬盘6,该3个可疑样本慢盘被异常特征值组连续指示的次数中的最大次数分别为:1次、3次和3次,则可将样本硬盘5和样本硬盘6确定为慢盘。
需要说明的是,通过统计可疑样本慢盘被异常特征值组连续指示的次数中的最大次数,并将对应最大次数大于第二慢盘阈值的可疑样本慢盘确定为慢盘,相对于第一种可实现方式,能够进一步排除偶然因素对输入输出响应时间的影响,进一步地提高了慢盘检测的鲁棒性和准确性。
步骤1023、确定每个备选异常检测算法的检测结果的准确度,该准确度用于反映根据每个检测结果确定的慢盘的慢盘信息与输出样本中的慢盘信息的匹配程度。
可选地,输出样本中的慢盘信息记载有多个样本硬盘中的哪些样本硬盘为真正的慢盘,在根据每个备选异常检测算法确定慢盘后,可以将每个备选异常检测算法的检测结果与该输出样本中的慢盘信息进行比对,以确定每个备选异常检测算法的检测结果的准确度。其中,可以通过检测的检出率和误报率反映准确度,其中,该检出率为检测出的正确的慢盘个数与输出样本中记载的慢盘个数的百分比,该误报率为检测出的错误的慢盘个数与输出样本中记载的慢盘个数的百分比。
步骤1024、将对应准确度最高的备选异常检测算法确定为目标异常检测算法。
备选异常检测算法的准确度越高,说明该备选异常检测算法对预设的测试样本库的检测准确性越高,若用其对多个被测硬盘进行异常检测,可提高检出慢盘的准确性,因此,可将对应准确度最高的备选异常检测算法确定为目标异常检测算法。
可选地,根据不同的应用场景,根据检出率和误报率衡量准确度的标准不同,本申请示例性实施例以以下三种应用场景为例对其进行说明:
在第一种应用场景中,相较于误报率,在慢盘检测时更关注是否能够正确地检测出慢盘(即更关注检出率),此时,当检出率越高时,可以确定其对应的准确度越高。
例如:假设有两个备选异常检测算法,其中,备选异常检测算法1的检出率大于备选异常检测算法2的检出率,且备选异常检测算法1的误报率大于备选异常检测算法2的误报率,此时,可以确定备选异常检测算法1的准确度更高。
在第二种应用场景中,相较于检出率,在慢盘检测时更关注误报率,此时,当误报率越低时,可以确定其对应的准确度越高。
例如:假设有两个备选异常检测算法,其中,备选异常检测算法1的检出率小于备选异常检测算法2的检出率,且备选异常检测算法1的误报率小于备选异常检测算法2的误报率,此时,可以确定备选异常检测算法1的准确度更高。
在第三种应用场景中,在慢盘检测时同样关注检出率和误报率,此时,当检出率越高且误报率越低时,可以确定其对应的准确度越高。
例如:假设有两个备选异常检测算法,其中,备选异常检测算法1的检出率大于备选异常检测算法2的检出率,且备选异常检测算法1的误报率小于备选异常检测算法2的误报率,此时,可以确定备选异常检测算法1的准确度更高。
示例地,假设在第三种应用场景中,备选异常检测算法分别为一类支持向量机算法和局部异常因子算法,一类支持向量机算法的检出率大于局部异常因子算法的检出率,且一类支持向量机算法的误报率小于局部异常因子算法的误报率,可以确定一类支持向量机算法的准确度更高,则可将一类支持向量机算法确定为目标异常检测算法。
需要说明的是,在多个备选异常检测算法中确定目标异常检测算法时,各个备选异常检测算法中的参数均可设置为算法的默认参数。并且,为了进一步提高检出慢盘的准确性,在确定目标异常检测算法后,还可以根据预设的测试样本库对该目标异常检测算法中的参数进行调节,以进一步调节目标异常检测算法的检出率和误报率,使目标异常检测算法具有较高的准确度。
可选地,研究人员可能会根据实际需要不断地更新测试样本库中的样本,因此,可以在更新测试样本库后执行该步骤102,以根据更新后的测试样本库确定对应的目标异常检测算法。并且,在每次对被测硬盘进行异常检测前,可以检测当前测试样本库相对于上次异常检测的测试样本库是否有更新,当当前测试样本库相对于上次异常检测的测试样本库有更新时,才执行步骤102,当当前测试样本库相对于上次异常检测的测试样本库没有更新时,则无需执行步骤102,可直接使用上次异常检测时使用的目标异常检测算法。
由于不同的算法对不同的样本的敏感程度不同,根据不同的样本确定对应于该样本准确度较高的目标异常检测算法,在根据该目标异常检测算法进行异常检测时,能够提高检测结果的准确性。
步骤103、基于预设的测试样本库和目标异常检测算法确定第一慢盘阈值。
该步骤103的实现过程为采用交叉验证的方法在多个初始慢盘阈值中确定第一慢盘阈值的过程,如图4所示,该步骤103的实现过程,可以包括:
步骤1031、确定目标异常检测算法对输入样本的检测结果。
该步骤1031的实现过程请相应参考步骤1021的实现过程,此处不再赘述。并且,由于目标异常检测算法是在多个备选异常检测算法中确定的,因此,在执行该步骤1031时,可以直接将步骤1021中相应的检测结果确定为该目标异常检测算法的检测结果。
步骤1032、基于目标异常检测算法的检测结果和多个初始慢盘阈值,分别根据每个初始慢盘阈值确定多个样本硬盘中的慢盘。
根据每个初始慢盘阈值确定多个样本硬盘中的慢盘的过程,请相应参考步骤1022的实现过程,此处不再赘述。
步骤1033、确定每个初始慢盘阈值对应的准确度,该准确度用于反映根据每个初始慢盘阈值确定的慢盘的慢盘信息与输出样本中的慢盘信息的匹配程度。
确定每个初始慢盘阈值对应的准确度的过程,请相应参考步骤1023的实现过程,此处不再赘述。
步骤1034、将对应准确度最高的初始慢盘阈值确定为第一慢盘阈值。
基于初始慢盘阈值采用目标异常检测算法对样本硬盘进行检测时,其对应的准确度越高,说明基于该初始慢盘阈值对预设的测试样本库的检测准确性越高,若基于该初始慢盘阈值对多个被测硬盘进行异常检测,可提高检出慢盘的准确性,因此,可将对应准确度最高的初始慢盘阈值确定为第一慢盘阈值。其中,可以通过检测的检出率和误报率反映准确度,该检出率为检测出的正确的慢盘个数与输出样本中记载的慢盘个数的百分比,该误报率为检测出的错误的慢盘个数与输出样本中记载的慢盘个数的百分比。
示例地,假设在第三种应用场景中,输出样本中的慢盘信息记载有样本硬盘5和样本硬盘6为慢盘,多个初始慢盘阈值分别为1、2和4,基于初始慢盘阈值1检测出的慢盘为样本硬盘3、样本硬盘5和样本硬盘6,基于初始慢盘阈值2检测出的慢盘为样本硬盘5和样本硬盘6,基于初始慢盘阈值4检测出多个测试硬盘中不存在慢盘,可得初始慢盘阈值1对应的检出率为100%,误报率为50%,初始慢盘阈值2对应的检出率为100%,误报率为0,初始慢盘阈值4对应的检出率为0,误报率为100%,可以确定初始慢盘阈值2对应的准确度最高,则可将初始慢盘阈值2确定为第一慢盘阈值。
需要说明的是,由于预设的测试样本库能够反映硬盘的真实输入输出情况,第一慢盘阈值根据预设的测试样本库确定,使得检测慢盘的第一慢盘阈值由硬盘的真实输入输出情况决定,不再由人为设定阈值,提高了确定第一慢盘阈值的自适应性,进而提高了检测慢盘的准确性。
并且,也可以按照步骤103的原理,基于预设的测试样本库和目标异常检测算法自适应地确定滑窗算法的窗口宽度,以进一步提高慢盘检测的准确性。
步骤104、基于多个特征值组,采用目标异常检测算法对多个被测硬盘进行异常检测。
该步骤104的实现过程请相应参考步骤1021的实现过程,此处不再赘述。
步骤105、基于第一慢盘阈值和异常检测的结果,确定多个被测硬盘中的慢盘。
可选地,如图5-1所示,该步骤105的实现过程,可以包括:
步骤1051、根据检测得到的至少一个异常点,在多个特征值组中,确定与至少一个异常点对应的至少一个异常特征值组。
该步骤1051的实现过程请相应参考步骤1022a的实现过程,此处不再赘述。
步骤1052、判断每个异常特征值组所指示的可疑慢盘。
可选地,如图5-2所示,该步骤1052的实现过程,可以包括:
步骤1052a、确定第一异常特征值组中的第二特征值,第一异常特征值组为至少一个异常特征值组中的任一异常特征值组。
该步骤1052a的实现过程请相应参考步骤b1的实现过程,此处不再赘述。
步骤1052b、将第二特征值对应的第一被测硬盘确定为第一异常特征值组所指示的可疑慢盘。
该步骤1052b的实现过程请相应参考步骤b2的实现过程,此处不再赘述。
步骤1053、基于第一慢盘阈值和至少一个异常特征值组所指示的至少一个可疑慢盘,确定多个被测硬盘中的慢盘。
实际应用中,该步骤1053也有多种可实现方式,本发明实施例以以下两种可实现方式为例对其进行说明。
第一种可实现方式,如图5-3所示,该步骤1053的实现过程,可以包括:
步骤1053a1、统计每个可疑慢盘被至少一个异常特征值组所指示的总次数。
该步骤1053a1的实现过程请相应参考步骤c1的实现过程,此处不再赘述。
步骤1053a2、将被指示的次数大于第一慢盘阈值的可疑慢盘确定为慢盘。
该步骤1053a2的实现过程请相应参考步骤c2的实现过程,此处不再赘述。
第二种可实现方式,如图5-4所示,该步骤1053的实现过程,可以包括:
步骤1053b1、基于至少一个异常特征值对应的检测时间,按照时间的先后顺序对至少一个异常特征值进行排序。
该步骤1053b1的实现过程请相应参考步骤c3的实现过程,此处不再赘述。
步骤1053b2、基于排序后的至少一个异常特征值组,统计每个可疑慢盘被异常特征值组连续指示的次数中的最大次数。
该步骤1053b2的实现过程请相应参考步骤c4的实现过程,此处不再赘述。
步骤1053b3、将对应的最大次数大于第一慢盘阈值的可疑慢盘确定为慢盘。
该步骤1053b3的实现过程请相应参考步骤c5的实现过程,此处不再赘述。
示例地,假设第一慢盘阈值为2,且每个特征值组包括一个特征值集合,如图5-5所示,分别用点n1(59.8,1.4)、点n2(58.6,0.89)、点n3(58,0.65)、点n4(59.2,0.58)、点n5(58.4,0.64)、点n6(58.4,0.74)、点n7(57.6,0.63)、点n8(58,0.71)和点n9(59.8,0.71),表征步骤101中获取的特征值组1、特征值组2、特征值组3、特征值组4、特征值组5、特征值组6、特征值组7、特征值组8和特征值组9,根据图5-5的检测结果可知,异常点为点n1(59.8,1.4)、点n2(58.6,0.89)、点n3(58,0.65)、点n4(59.2,0.58)、点n5(58.4,0.64)、点n6(58.4,0.74)、点n8(58,0.71)和点n9(59.8,0.71),可以确定对应的异常特征值组分别为特征值组1、特征值组2、特征值组3、特征值组4、特征值组5、特征值组6、特征值组8和特征值组9,按照检测时间对该8个异常特征值组进行排序的结果为:特征值组1、特征值组2、特征值组3、特征值组4、特征值组5、特征值组6、特征值组8和特征值组9,其指示的可疑慢盘分别为:被测硬盘5、被测硬盘5、被测硬盘3、被测硬盘3、被测硬盘3、被测硬盘5、被测硬盘3和被测硬盘5,其中,被测硬盘3被连续指示的最大次数为3次,被测硬盘5被连续指示的最大次数为2次,则可确定该5个被测硬盘中的慢盘为被测硬盘3。
由上可知,本申请示例性实施例提供的慢盘检测方法不仅能够提高慢盘检测方法的准确性,还能够同时检测出存储系统中存在的多个慢盘,相对于相关技术,提高了慢盘检测的效率。
综上所述,本申请示例性实施例提供的慢盘检测方法,通过获取对多个被测硬盘进行检测所得到的多个特征值组,基于多个特征值组,采用目标异常检测算法对多个被测硬盘进行异常检测,基于第一慢盘阈值和异常检测的结果,确定多个被测硬盘中的慢盘,该第一慢盘阈值根据预设的测试样本库确定,无需人为设置阈值,提高了检测慢盘的准确性。并且,采用该慢盘检测方法能够同时检测出存储系统中存在的多个慢盘,相对于相关技术,提高了慢盘检测的效率。
需要说明的是,本申请示例性实施例中举例所用的数据仅用于进行示意性的说明,并不用于限定。并且,本申请示例性实施例提供的慢盘检测方法步骤的先后顺序可以进行适当调整,步骤也可以根据情况进行相应增减,例如:当检测样本没有被更新时,可以不执行步骤102,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化的方法,都应涵盖在本申请的保护范围之内,因此不再赘述。
本申请示例性实施例还提供了一种慢盘检测装置,如图6-1所示,该慢盘检测装置600可以包括:
获取模块601,用于获取对多个被测硬盘进行检测所得到的多个特征值组,每个特征值组可以包括至少一个特征值,至少一个特征值用于反映多个被测硬盘的输入输出响应速度。
检测模块602,用于基于多个特征值组,采用目标异常检测算法对多个被测硬盘进行异常检测。
第一确定模块603,用于基于第一慢盘阈值和异常检测的结果,确定多个被测硬盘中的慢盘,第一慢盘阈值根据预设的测试样本库确定。
可选地,每个特征值组可以包括:第一特征值和第二特征值,第一特征值用于反映多个被测硬盘的平均输入输出响应速度,第二特征值用于反映第一被测硬盘的输入输出响应速度相对于平均输入输出响应速度的偏差,第一被测硬盘为多个被测硬盘中输入输出响应速度最慢的被测硬盘。
可选地,第一特征值为多个被测硬盘的输入输出响应时间的平均值。
第二特征值为输入输出响应时间偏差与目标四分位距的比值,输入输出响应时间偏差为第一被测硬盘的输入输出响应时间与第一特征值的差,目标四分位距为多个被测硬盘的输入输出响应时间对应的四分位距。
可选地,如图6-2所示,第一确定模块603,可以包括:
第一确定子模块6031,用于根据检测得到的至少一个异常点,在多个特征值组中,确定与至少一个异常点对应的至少一个异常特征值组。
判断子模块6032,用于判断每个异常特征值组所指示的可疑慢盘。
第二确定子模块6033,用于基于第一慢盘阈值和至少一个异常特征值组所指示的至少一个可疑慢盘,确定多个被测硬盘中的慢盘。
可选地,第二确定子模块6033,用于:
统计每个可疑慢盘被至少一个异常特征值组所指示的总次数。
将被指示的次数大于第一慢盘阈值的可疑慢盘确定为慢盘。
可选地,第二确定子模块6033,用于:
基于至少一个异常特征值对应的检测时间,按照时间的先后顺序对至少一个异常特征值进行排序。
基于排序后的至少一个异常特征值组,统计每个可疑慢盘被异常特征值组连续指示的次数中的最大次数。
将对应的最大次数大于第一慢盘阈值的可疑慢盘确定为慢盘。
可选地,每个特征值组可以包括:第一特征值和第二特征值,第一特征值用于反映多个被测硬盘的平均输入输出响应速度,第二特征值用于反映第一被测硬盘的输入输出响应速度相对于平均输入输出响应速度的偏差,第一被测硬盘为多个被测硬盘中输入输出响应速度最慢的被测硬盘,
判断子模块6032,用于:
确定第一异常特征值组中的第二特征值,第一异常特征值组为至少一个异常特征值组中的任一异常特征值组。
将第二特征值对应的第一被测硬盘确定为第一异常特征值组所指示的可疑慢盘。
可选地,如图6-3所示,装置600还可以包括:
第二确定模块604,用于基于预设的测试样本库和目标异常检测算法确定第一慢盘阈值。
可选地,预设的测试样本库中记载有:输入样本和输出样本,输入样本为多个样本硬盘的特征值组,输出样本为多个样本硬盘对应的慢盘信息,第二确定模块604,用于:
确定目标异常检测算法对输入样本的检测结果。
基于目标异常检测算法的检测结果和多个初始慢盘阈值,分别根据每个初始慢盘阈值确定多个样本硬盘中的慢盘。
确定每个初始慢盘阈值对应的准确度,准确度用于反映根据每个初始慢盘阈值确定的慢盘的慢盘信息与输出样本中的慢盘信息的匹配程度。
将对应准确度最高的初始慢盘阈值确定为第一慢盘阈值。
可选地,获取模块601,用于:
在多个检测周期对多个被测硬盘进行检测,得到与多个检测周期一一对应的多个特征值集合,每个特征值集合包括至少一个特征值。
采用滑窗算法将多个特征值集合划分为多个特征值组,其中,每个特征值组包括至少一个特征值集合。
可选地,如图6-3所示,装置600还可以包括:
第三确定模块605,用于基于预设的测试样本库,在多个备选异常检测算法中确定目标异常检测算法。
可选地,预设的测试样本库中记载有:输入样本和输出样本,输入样本为多个样本硬盘的特征值组,输出样本为多个样本硬盘对应的慢盘信息,第三确定模块605,用于:
确定每个备选异常检测算法对输入样本的检测结果。
基于每个备选异常检测算法对应的检测结果,根据第二慢盘阈值确定多个样本硬盘中的慢盘。
确定每个备选异常检测算法的检测结果的准确度,准确度用于反映根据每个检测结果确定的慢盘的慢盘信息与输出样本中的慢盘信息的匹配程度。
将对应准确度最高的备选异常检测算法确定为目标异常检测算法。
可选地,多个备选异常检测算法可以包括:一类支持向量机算法和局部异常因子算法。
综上所述,本申请示例性实施例提供的慢盘检测装置,获取模块获取对多个被测硬盘进行检测所得到的多个特征值组,检测模块基于多个特征值组,采用目标异常检测算法对多个被测硬盘进行异常检测,第一确定模块基于第一慢盘阈值和异常检测的结果,确定多个被测硬盘中的慢盘,该第一慢盘阈值根据预设的测试样本库确定,无需人为设置阈值,提高了检测慢盘的准确性。并且,采用该慢盘检测方法能够同时检测出存储系统中存在的多个慢盘,相对于相关技术,提高了慢盘检测的效率。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置、模块和子模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请示例性实施例还提供了一种慢盘检测装置,该装置可以包括:
处理组件。
用于存储处理组件的可执行指令的存储器。
其中,处理组件被配置为:
获取对多个被测硬盘进行检测所得到的多个特征值组,每个特征值组可以包括至少一个特征值,至少一个特征值用于反映多个被测硬盘的输入输出响应速度。
基于多个特征值组,采用目标异常检测算法对多个被测硬盘进行异常检测。
基于第一慢盘阈值和异常检测的结果,确定多个被测硬盘中的慢盘,第一慢盘阈值根据预设的测试样本库确定。
本申请示例性实施例提供了一种慢盘检测装置20,包括存储器,处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时,实现本申请上述实施例提供的任一的声音信号处理方法。
具体地,该终端可以为如图7所示的慢盘检测装置20,请参考图7,其示出了本申请示例性实施例涉及的一种慢盘检测装置20的结构示意图,该慢盘检测装置20可以包括:处理器22和信号接口24。
处理器22包括一个或者一个以上处理核心。处理器22通过运行软件程序以及模块,从而执行各种功能应用以及数据处理。
信号接口24可以为多个,该信号接口24用于与其它装置或模块建立连接,例如:可以通过该信号接口24与扬声器或耳机进行连接。
可选的,慢盘检测装置20还包括存储器26、总线28等部件。其中,存储器26与信号接口24分别通过总线28与处理器22相连。
存储器26可用于存储软件程序以及模块。具体的,存储器26可存储至少一个功能所需的应用程序模块262。
其中,该应用程序模块262可以包括:
获取单元2621,具有与获取模块601相同或相似的功能。
检测单元2622,具有与检测模块602相同或相似的功能。
第一确定单元2623,具有与第一确定模块603相同或相似的功能。
本申请示例性实施例还提供了一种存储介质,该存储介质可以为非易失性计算机可读存储介质,当存储介质中的指令由终端的处理组件执行时,使得终端能够执行本申请示例性实施例提供的慢盘检测方法。
本申请示例性实施例还提供了一种包含指令的计算机程序产品,当计算机程序产品在计算机上运行时,使得计算机执行本申请示例性实施例提供的慢盘检测方法。
需要说明的是:上述实施例提供的慢盘检测方法也可用于其他检测性能“慢”的场景中,并且,当将其应用在其他场景中检测时,其获取的用于检测的数据应具有与本实施例中用于检测的数据具有相同或相似的性质,例如:在其他检测场景中,也需要获取对多个被测对象进行检测所得到的多个特征值组,每个特征值组包括至少一个特征值,该至少一个特征值用于反映多个被测对象的相关性能,本申请示例性实施例对其不做具体限定。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本申请的可选实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (28)
1.一种慢盘检测方法,其特征在于,包括:
获取对多个被测硬盘进行检测所得到的多个特征值组,每个特征值组包括至少一个特征值,所述至少一个特征值用于反映所述多个被测硬盘的输入输出响应速度;
基于所述多个特征值组,采用目标异常检测算法对所述多个被测硬盘进行异常检测;
基于第一慢盘阈值和异常检测的结果,确定所述多个被测硬盘中的慢盘,所述第一慢盘阈值根据预设的测试样本库确定。
2.根据权利要求1所述的方法,其特征在于,每个特征值组包括:第一特征值和第二特征值,所述第一特征值用于反映所述多个被测硬盘的平均输入输出响应速度,所述第二特征值用于反映第一被测硬盘的输入输出响应速度相对于所述平均输入输出响应速度的偏差,所述第一被测硬盘为所述多个被测硬盘中输入输出响应速度最慢的被测硬盘。
3.根据权利要求2所述的方法,其特征在于,
所述第一特征值为所述多个被测硬盘的输入输出响应时间的平均值;
所述第二特征值为输入输出响应时间偏差与目标四分位距的比值,所述输入输出响应时间偏差为所述第一被测硬盘的输入输出响应时间与所述第一特征值的差,所述目标四分位距为所述多个被测硬盘的输入输出响应时间对应的四分位距。
4.根据权利要求1至3任一所述的方法,其特征在于,所述基于第一慢盘阈值和异常检测的结果,确定所述多个被测硬盘中的慢盘,包括:
根据检测得到的至少一个异常点,在所述多个特征值组中,确定与所述至少一个异常点对应的至少一个异常特征值组;
判断每个异常特征值组所指示的可疑慢盘;
基于所述第一慢盘阈值和所述至少一个异常特征值组所指示的至少一个可疑慢盘,确定所述多个被测硬盘中的慢盘。
5.根据权利要求4所述的方法,其特征在于,所述基于所述第一慢盘阈值和所述至少一个异常特征值组所指示的至少一个可疑慢盘,确定所述多个被测硬盘中的慢盘,包括:
统计每个可疑慢盘被所述至少一个异常特征值组所指示的总次数;
将被指示的次数大于所述第一慢盘阈值的可疑慢盘确定为所述慢盘。
6.根据权利要求4所述的方法,其特征在于,所述基于所述第一慢盘阈值和所述至少一个异常特征值组所指示的至少一个可疑慢盘,确定所述多个被测硬盘中的慢盘,包括:
基于所述至少一个异常特征值对应的检测时间,按照时间的先后顺序对所述至少一个异常特征值进行排序;
基于排序后的至少一个异常特征值组,统计每个可疑慢盘被异常特征值组连续指示的次数中的最大次数;
将对应的最大次数大于所述第一慢盘阈值的可疑慢盘确定为所述慢盘。
7.根据权利要求4所述的方法,其特征在于,所述每个特征值组包括:第一特征值和第二特征值,所述第一特征值用于反映所述多个被测硬盘的平均输入输出响应速度,所述第二特征值用于反映第一被测硬盘的输入输出响应速度相对于所述平均输入输出响应速度的偏差,所述第一被测硬盘为所述多个被测硬盘中输入输出响应速度最慢的被测硬盘,
所述判断每个异常特征值组所指示的可疑慢盘,包括:
确定第一异常特征值组中的第二特征值,所述第一异常特征值组为所述至少一个异常特征值组中的任一异常特征值组;
将所述第二特征值对应的第一被测硬盘确定为所述第一异常特征值组所指示的可疑慢盘。
8.根据权利要求1至3任一所述的方法,其特征在于,在所述基于第一慢盘阈值和异常检测的结果,确定所述多个被测硬盘中的慢盘之前,所述方法还包括:
基于预设的测试样本库和所述目标异常检测算法确定所述第一慢盘阈值。
9.根据权利要求8所述的方法,其特征在于,所述预设的测试样本库中记载有:输入样本和输出样本,所述输入样本为多个样本硬盘的特征值组,所述输出样本为所述多个样本硬盘对应的慢盘信息,所述基于预设的测试样本库和所述目标异常检测算法确定所述第一慢盘阈值,包括:
确定所述目标异常检测算法对所述输入样本的检测结果;
基于所述目标异常检测算法的检测结果和多个初始慢盘阈值,分别根据每个初始慢盘阈值确定所述多个样本硬盘中的慢盘;
确定每个初始慢盘阈值对应的准确度,所述准确度用于反映根据每个初始慢盘阈值确定的慢盘的慢盘信息与所述输出样本中的慢盘信息的匹配程度;
将对应准确度最高的初始慢盘阈值确定为所述第一慢盘阈值。
10.根据权利要求1至3任一所述的方法,其特征在于,所述获取对多个被测硬盘进行检测所得到的多个特征值组,包括:
在多个检测周期对所述多个被测硬盘进行检测,得到与所述多个检测周期一一对应的多个特征值集合,每个特征值集合包括至少一个特征值;
采用滑窗算法将所述多个特征值集合划分为所述多个特征值组,其中,每个特征值组包括至少一个特征值集合。
11.根据权利要求1至3任一所述的方法,其特征在于,在所述基于所述多个特征值组,采用目标异常检测算法对所述多个被测硬盘进行异常检测之前,所述方法还包括:
基于预设的测试样本库,在多个备选异常检测算法中确定所述目标异常检测算法。
12.根据权利要求11所述的方法,其特征在于,所述预设的测试样本库中记载有:输入样本和输出样本,所述输入样本为多个样本硬盘的特征值组,所述输出样本为所述多个样本硬盘对应的慢盘信息,所述基于预设的测试样本库,在多个备选异常检测算法中确定所述目标异常检测算法,包括:
确定每个备选异常检测算法对所述输入样本的检测结果;
基于每个备选异常检测算法对应的检测结果,根据第二慢盘阈值确定所述多个样本硬盘中的慢盘;
确定每个备选异常检测算法的检测结果的准确度,所述准确度用于反映根据每个检测结果确定的慢盘的慢盘信息与所述输出样本中的慢盘信息的匹配程度;
将对应准确度最高的备选异常检测算法确定为所述目标异常检测算法。
13.根据权利要求11所述的方法,其特征在于,所述多个备选异常检测算法包括:一类支持向量机算法和局部异常因子算法。
14.一种慢盘检测装置,其特征在于,包括:
获取模块,用于获取对多个被测硬盘进行检测所得到的多个特征值组,每个特征值组包括至少一个特征值,所述至少一个特征值用于反映所述多个被测硬盘的输入输出响应速度;
检测模块,用于基于所述多个特征值组,采用目标异常检测算法对所述多个被测硬盘进行异常检测;
第一确定模块,用于基于第一慢盘阈值和异常检测的结果,确定所述多个被测硬盘中的慢盘,所述第一慢盘阈值根据预设的测试样本库确定。
15.根据权利要求14所述的装置,其特征在于,每个特征值组包括:第一特征值和第二特征值,所述第一特征值用于反映所述多个被测硬盘的平均输入输出响应速度,所述第二特征值用于反映第一被测硬盘的输入输出响应速度相对于所述平均输入输出响应速度的偏差,所述第一被测硬盘为所述多个被测硬盘中输入输出响应速度最慢的被测硬盘。
16.根据权利要求15所述的装置,其特征在于,
所述第一特征值为所述多个被测硬盘的输入输出响应时间的平均值;
所述第二特征值为输入输出响应时间偏差与目标四分位距的比值,所述输入输出响应时间偏差为所述第一被测硬盘的输入输出响应时间与所述第一特征值的差,所述目标四分位距为所述多个被测硬盘的输入输出响应时间对应的四分位距。
17.根据权利要求14至16任一所述的装置,其特征在于,所述第一确定模块,包括:
第一确定子模块,用于根据检测得到的至少一个异常点,在所述多个特征值组中,确定与所述至少一个异常点对应的至少一个异常特征值组;
判断子模块,用于判断每个异常特征值组所指示的可疑慢盘;
第二确定子模块,用于基于所述第一慢盘阈值和所述至少一个异常特征值组所指示的至少一个可疑慢盘,确定所述多个被测硬盘中的慢盘。
18.根据权利要求17所述的装置,其特征在于,所述第二确定子模块,用于:
统计每个可疑慢盘被所述至少一个异常特征值组所指示的总次数;
将被指示的次数大于所述第一慢盘阈值的可疑慢盘确定为所述慢盘。
19.根据权利要求17所述的装置,其特征在于,所述第二确定子模块,用于:
基于所述至少一个异常特征值对应的检测时间,按照时间的先后顺序对所述至少一个异常特征值进行排序;
基于排序后的至少一个异常特征值组,统计每个可疑慢盘被异常特征值组连续指示的次数中的最大次数;
将对应的最大次数大于所述第一慢盘阈值的可疑慢盘确定为所述慢盘。
20.根据权利要求17所述的装置,其特征在于,所述每个特征值组包括:第一特征值和第二特征值,所述第一特征值用于反映所述多个被测硬盘的平均输入输出响应速度,所述第二特征值用于反映第一被测硬盘的输入输出响应速度相对于所述平均输入输出响应速度的偏差,所述第一被测硬盘为所述多个被测硬盘中输入输出响应速度最慢的被测硬盘,
所述判断子模块,用于:
确定第一异常特征值组中的第二特征值,所述第一异常特征值组为所述至少一个异常特征值组中的任一异常特征值组;
将所述第二特征值对应的第一被测硬盘确定为所述第一异常特征值组所指示的可疑慢盘。
21.根据权利要求14至16任一所述的装置,其特征在于,所述装置还包括:
第二确定模块,用于基于预设的测试样本库和所述目标异常检测算法确定所述第一慢盘阈值。
22.根据权利要求21所述的装置,其特征在于,所述预设的测试样本库中记载有:输入样本和输出样本,所述输入样本为多个样本硬盘的特征值组,所述输出样本为所述多个样本硬盘对应的慢盘信息,所述第二确定模块,用于:
确定所述目标异常检测算法对所述输入样本的检测结果;
基于所述目标异常检测算法的检测结果和多个初始慢盘阈值,分别根据每个初始慢盘阈值确定所述多个样本硬盘中的慢盘;
确定每个初始慢盘阈值对应的准确度,所述准确度用于反映根据每个初始慢盘阈值确定的慢盘的慢盘信息与所述输出样本中的慢盘信息的匹配程度;
将对应准确度最高的初始慢盘阈值确定为所述第一慢盘阈值。
23.根据权利要求14至16任一所述的装置,其特征在于,所述获取模块,用于:
在多个检测周期对所述多个被测硬盘进行检测,得到与所述多个检测周期一一对应的多个特征值集合,每个特征值集合包括至少一个特征值;
采用滑窗算法将所述多个特征值集合划分为所述多个特征值组,其中,每个特征值组包括至少一个特征值集合。
24.根据权利要求14至16任一所述的装置,其特征在于,所述装置还包括:
第三确定模块,用于基于预设的测试样本库,在多个备选异常检测算法中确定所述目标异常检测算法。
25.根据权利要求24所述的装置,其特征在于,所述预设的测试样本库中记载有:输入样本和输出样本,所述输入样本为多个样本硬盘的特征值组,所述输出样本为所述多个样本硬盘对应的慢盘信息,所述第三确定模块,用于:
确定每个备选异常检测算法对所述输入样本的检测结果;
基于每个备选异常检测算法对应的检测结果,根据第二慢盘阈值确定所述多个样本硬盘中的慢盘;
确定每个备选异常检测算法的检测结果的准确度,所述准确度用于反映根据每个检测结果确定的慢盘的慢盘信息与所述输出样本中的慢盘信息的匹配程度;
将对应准确度最高的备选异常检测算法确定为所述目标异常检测算法。
26.根据权利要求24所述的装置,其特征在于,所述多个备选异常检测算法包括:一类支持向量机算法和局部异常因子算法。
27.一种慢盘检测装置,其特征在于,所述装置包括:
处理组件;
用于存储所述处理组件的可执行指令的存储器;
其中,所述处理组件被配置为:
获取对多个被测硬盘进行检测所得到的多个特征值组,每个特征值组包括至少一个特征值,所述至少一个特征值用于反映所述多个被测硬盘的输入输出响应速度;
基于所述多个特征值组,采用目标异常检测算法对所述多个被测硬盘进行异常检测;
基于第一慢盘阈值和异常检测的结果,确定所述多个被测硬盘中的慢盘,所述第一慢盘阈值根据预设的测试样本库确定。
28.一种存储介质,其特征在于,当所述存储介质中的指令由终端的处理组件执行时,使得所述终端能够执行权利要求1至13任一所述的慢盘检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711130390.4A CN109783259B (zh) | 2017-11-15 | 2017-11-15 | 慢盘检测方法和装置、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711130390.4A CN109783259B (zh) | 2017-11-15 | 2017-11-15 | 慢盘检测方法和装置、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109783259A CN109783259A (zh) | 2019-05-21 |
CN109783259B true CN109783259B (zh) | 2022-07-26 |
Family
ID=66494327
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711130390.4A Active CN109783259B (zh) | 2017-11-15 | 2017-11-15 | 慢盘检测方法和装置、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109783259B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112241343B (zh) * | 2019-07-19 | 2024-02-23 | 深信服科技股份有限公司 | 一种慢盘检测方法、装置、电子设备及可读存储介质 |
CN114415973B (zh) * | 2022-03-28 | 2022-08-30 | 阿里云计算有限公司 | 慢盘检测方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103810062A (zh) * | 2014-03-05 | 2014-05-21 | 华为技术有限公司 | 慢盘检测方法和装置 |
CN105573888A (zh) * | 2015-12-14 | 2016-05-11 | 曙光信息产业股份有限公司 | 一种分布式文件系统中的磁盘性能检测方法及装置 |
CN106354590A (zh) * | 2015-07-17 | 2017-01-25 | 中兴通讯股份有限公司 | 磁盘检测方法和装置 |
CN106897178A (zh) * | 2017-02-21 | 2017-06-27 | 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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7594073B2 (en) * | 2006-09-29 | 2009-09-22 | Intel Corporation | Method and apparatus for caching memory content on a computing system to facilitate instant-on resuming from a hibernation state |
-
2017
- 2017-11-15 CN CN201711130390.4A patent/CN109783259B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103810062A (zh) * | 2014-03-05 | 2014-05-21 | 华为技术有限公司 | 慢盘检测方法和装置 |
CN106354590A (zh) * | 2015-07-17 | 2017-01-25 | 中兴通讯股份有限公司 | 磁盘检测方法和装置 |
CN105573888A (zh) * | 2015-12-14 | 2016-05-11 | 曙光信息产业股份有限公司 | 一种分布式文件系统中的磁盘性能检测方法及装置 |
CN106897178A (zh) * | 2017-02-21 | 2017-06-27 | 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 |
Also Published As
Publication number | Publication date |
---|---|
CN109783259A (zh) | 2019-05-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11093851B2 (en) | Method, apparatus and computer program product for determining failure regions of an electrical device | |
US8140915B2 (en) | Detecting apparatus, system, program, and detecting method | |
WO2017012392A1 (zh) | 一种磁盘检测的方法和装置 | |
EP2587379B1 (en) | System test apparatus | |
US20130097704A1 (en) | Handling Noise in Training Data for Malware Detection | |
US20150269050A1 (en) | Unsupervised anomaly detection for arbitrary time series | |
CN109783259B (zh) | 慢盘检测方法和装置、存储介质 | |
US20230125203A1 (en) | Network anomaly detection | |
CN113705699A (zh) | 基于机器学习的样本异常检测方法、装置、设备及介质 | |
JP5267748B2 (ja) | 運用管理システム、運用管理方法、及びプログラム | |
JP2020123097A (ja) | 学習装置、学習方法および学習プログラム | |
JP6408632B2 (ja) | 非定常的なオーディオ信号からのノイズのある信号の識別 | |
CN115798559A (zh) | 失效单元预测方法、装置、设备及存储介质 | |
US20150278656A1 (en) | Job discrimination method and device | |
US8737696B2 (en) | Human face recognition method and apparatus | |
CN111858244A (zh) | 一种硬盘的监控方法、系统、设备以及介质 | |
US11122065B2 (en) | Adaptive anomaly detection for computer systems | |
CN112182579A (zh) | 进程名单生成方法及装置、异常进程检测方法及装置 | |
CN109669828B (zh) | 一种硬盘检测方法和装置 | |
CN108763092B (zh) | 一种基于交叉验证的代码缺陷检测方法及装置 | |
CN112749003A (zh) | 系统优化的方法、设备及计算机可读存储介质 | |
WO2009110326A1 (ja) | 障害分析装置、障害分析方法および記録媒体 | |
CN114202224A (zh) | 用于检测生产环境中焊接质量的方法、设备、介质及程序产品 | |
CN107102921B (zh) | 一种面向带I/O型数字量异步端口SoC的数字量监测方法 | |
CN108319527B (zh) | 一种坏道磁盘检测方法和装置 |
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 |