CN110119344A - 基于s.m.a.r.t参数的硬盘健康状态分析方法 - Google Patents

基于s.m.a.r.t参数的硬盘健康状态分析方法 Download PDF

Info

Publication number
CN110119344A
CN110119344A CN201910286393.XA CN201910286393A CN110119344A CN 110119344 A CN110119344 A CN 110119344A CN 201910286393 A CN201910286393 A CN 201910286393A CN 110119344 A CN110119344 A CN 110119344A
Authority
CN
China
Prior art keywords
hard disk
parameter
health status
characteristic parameter
subparameter
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.)
Granted
Application number
CN201910286393.XA
Other languages
English (en)
Other versions
CN110119344B (zh
Inventor
杜明书
马晓丽
杜薇
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.)
Shenzhen Kexin Precision Electronics Co ltd
Original Assignee
Henan Wenzheng Electronic Data Processing Co Ltd
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 Henan Wenzheng Electronic Data Processing Co Ltd filed Critical Henan Wenzheng Electronic Data Processing Co Ltd
Priority to CN201910286393.XA priority Critical patent/CN110119344B/zh
Publication of CN110119344A publication Critical patent/CN110119344A/zh
Application granted granted Critical
Publication of CN110119344B publication Critical patent/CN110119344B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
    • G06F11/3037—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system component is a memory, e.g. virtual memory, cache
    • 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
    • G06F11/3447—Performance evaluation by modeling
    • 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
    • G06F11/3452—Performance evaluation by statistical analysis
    • 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
    • G06F11/3466—Performance evaluation by tracing or monitoring
    • G06F11/3476—Data logging
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Abstract

本发明提供了一种基于S.M.A.R.T参数的硬盘健康状态分析方法，包括：获取S.M.A.R.T参数训练集；对所述S.M.A.R.T参数进行预处理，其中，对于所述S.M.A.R.T参数的不同子参数，采用对应的不同处理方法，生成对应的硬盘运行特征参数；将所述硬盘运行特征参数进行标准化、归一化处理；根据所述硬盘运行特征参数的数据特征，从所述硬盘运行特征参数中提取硬盘健康状态特征参数；根据所述硬盘健康状态特征参数，结合DS证据理论方法，展开训练集训练；根据训练结果，分析指定硬盘的健康状态。本发明提出了基于DS模型的硬盘健康状态分析方法，计算量低，结果准确。

Description

基于S.M.A.R.T参数的硬盘健康状态分析方法
技术领域
本发明涉及计算机技术领域，具体而言，涉及一种基于S.M.A.R.T参数的硬盘健康状态分析方法、计算设备。
背景技术
自我监测、分析及报告技术(Self-Monitoring Analysis and ReportingTechnology,S.M.A.R.T)是硬盘普遍采用的数据安全技术，能够在硬盘工作的时候监测电机、电路、磁盘、磁头的状态。尽管目前硬盘的平均无故障时间已经提升至3万小时以上，然而对于不少用户，特别是商业用户而言，一次普通的硬盘故障便足以造成灾难性后果。所以，如何利用S.M.A.R.T 参数分析硬盘健康状态，规避潜在风险，是需要不断研究和改进的问题。
中国专利CN105260279B提出了一种基于S.M.A.R.T数据动态诊断硬盘故障的方法和装置，并具体公开了：301调用云存储服务端收集到的 S.M.A.R.T参数及参数收集时间，以单项S.M.A.R.T参数数据为纵轴，时间为横轴；生成单项S.M.A.R.T参数曲线图；如此，生成全部单项S.M.A.R.T 参数曲线图；302根据单项S.M.A.R.T参数曲线图，得出单项S.M.A.R.T参数正常波动范围；303读取待检硬盘S.M.A.R.T参数数据，导入比对模型，当某项数据突然超过正常波动范围，预警触发器启动，自动推送预警信息，提示用户硬盘故障所在；304读取并收集待检硬盘预警错误S.M.A.R.T参数数据，修正正常波动范围：降低最小Min或者提高最大Max预警值，生成新的单项S.M.A.R.T参数正常波动范围；将相关修正记录在云存储服务端。
以及公开了：104通过大数据分析，得出不同品牌不同型号硬盘的 S.M.A.R.T参数权重；根据硬盘厂商对S.M.A.R.T预警参数的设定，结合训练学习数据，得出不同品牌不同型号硬盘新的预警参数及对硬盘健康的影响权重因数；设定一个满分值，根据新的S.M.A.R.T参数权重和对硬盘健康的影响权重因数，设定扣分标准，得出健康诊断评分动态模型；基于硬盘故障预警动态模型、S.M.A.R.T参数正常波动曲线和范围、健康诊断评分动态模型，对硬盘健康状况进行诊断评分，给出针对性建议；如果硬盘存在风险，自动进行预警；如果预警错误，启动机器学习。
该技术方案存在如下技术问题：
1、需要生成全部的单项S.M.A.R.T参数曲线图，数据冗余度高，计算量大。
2、根据单项S.M.A.R.T参数曲线图，以某项数据突然超过正常波动范围触发预警，预警触发机制单一，容易产生误报。
3、基于扣分制的健康诊断评分动态模型由人为设定，缺乏足够的客观性，应当提出一种更为客观、直接的数据分析方法，能够直接由S.M.A.R.T 数据分析得出硬盘健康状态结论。
发明内容
为此，本发明提供一种基于S.M.A.R.T参数的硬盘健康状态分析方法、计算设备，以力图解决或者至少缓解上面存在的至少一个问题。
根据本发明实施例的一个方面，提供了一种基于S.M.A.R.T参数的硬盘健康状态分析方法，适于在计算设备中执行，方法包括：
获取S.M.A.R.T参数训练集；
对所述S.M.A.R.T参数进行预处理，其中，对于所述S.M.A.R.T参数的不同子参数，采用对应的不同处理方法，生成对应的硬盘运行特征参数；
将所述硬盘运行特征参数进行标准化、归一化处理；
根据所述硬盘运行特征参数的数据特征，从所述硬盘运行特征参数中提取硬盘健康状态特征参数；
根据所述硬盘健康状态特征参数，结合DS证据理论方法，展开训练集训练；
根据训练结果，分析指定硬盘的健康状态。
可选地，对于所述S.M.A.R.T参数的不同子参数，采用对应的不同处理方法，生成硬盘运行特征参数，包括：
对于所述S.M.A.R.T参数的第一子参数，直接确定为对应的第一硬盘运行特征子参数；
对于所述S.M.A.R.T参数的第二子参数，采用扇区访问次数窗口，统计指定扇区访问次数内的第二子参数信息，生成对应的第二硬盘运行特征子参数；
对于所述S.M.A.R.T参数的第三子参数，采用扇区访问时间窗口，统计指定扇区访问时间内的第三子参数信息，生成对应的第三硬盘运行特征子参数。
可选地，根据所述硬盘运行特征参数的数据特征，从所述硬盘运行特征参数中提取硬盘健康状态特征参数，包括：
确定硬盘健康状态特征参数的个数；
根据所述硬盘健康状态特征参数的个数，采用SVD方法或者PCA方法对所述硬盘运行特征参数进行降维计算；
输出降维计算后得到的硬盘健康状态特征参数。
可选地，根据所述硬盘健康状态特征参数，结合DS证据理论方法，展开训练集训练，包括：
对于每一硬盘健康状态特征子参数，建立单独的模型；
根据训练集数据，为每一模型确定对应的基础概率分配。
可选地，根据训练结果，分析指定硬盘的健康状态，包括：
确定指定硬盘的健康状态特征参数；
根据所述指定硬盘的健康状态特征参数，采用邓普斯特方法融合基础概率分配，得到对应的综合概率；
根据所述综合概率，输出所述指定硬盘的健康状态。
可选地，根据训练集数据，为每一模型确定对应的基础概率分配，包括：
建立硬盘的健康状态识别框架；
根据所述识别框架，为每一模型建立假设分布；
根据所述假设分布和训练集数据计算基础概率分布；
根据所述基础概率分布，得到每一模型确定对应的基础概率分配。
可选地，所述硬盘的健康状态识别框架，包括：
良好、普通、危险、高危、损坏。
可选地，根据所述识别框架，为每一模型建立的假设分布，包括：{良好}，{普通}，{危险}，{高危}，{损坏}，{良好、普通}，{普通、危险}， {危险、高危}，{高危、损坏}，{良好、普通、危险}，{普通、危险、高危}， {危险、高危、损坏}。
根据本发明实施例的一个方面，提供一种可读存储介质，适于存储一个或多个程序，所述一个或多个程序被配置为由计算设备执行上述的基于 S.M.A.R.T参数的硬盘健康状态分析方法。
根据本发明实施例的一个方面，提供一种计算设备，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中所述一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行上述的基于S.M.A.R.T参数的硬盘健康状态分析方法。
根据本发明的基于S.M.A.R.T参数的硬盘健康状态分析方法，获取 S.M.A.R.T参数训练集；对所述S.M.A.R.T参数进行预处理，其中，对于所述S.M.A.R.T参数的不同子参数，采用对应的不同处理方法，生成对应的硬盘运行特征参数；将所述硬盘运行特征参数进行标准化、归一化处理；根据所述硬盘运行特征参数的数据特征，从所述硬盘运行特征参数中提取硬盘健康状态特征参数；根据所述硬盘健康状态特征参数，结合DS证据理论方法，展开训练集训练；根据训练结果，分析指定硬盘的健康状态；实现了如下技术效果：
1、根据硬盘运行特征参数的数据特征，从硬盘运行特征参数中提取硬盘健康状态特征参数，根据硬盘健康状态特征参数进行分析；能够过滤掉冗余的硬盘运行特征参数，降低计算量。
2、采用基于DS模型的数据融合算法，不以单个硬盘健康状态特征参数作为预警触发依据，而是基于全部硬盘健康状态特征参数的有机结合进行判断，不需要人为设定健康诊断评分动态模型，客观性强，准确性高。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1示出了根据本发明的一种基于S.M.A.R.T参数的硬盘健康状态分析方法的流程示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
如图1所示，根据本发明的实施例的基于S.M.A.R.T参数的硬盘健康状态分析方法，包括：
S110、获取S.M.A.R.T参数训练集；
S120、对所述S.M.A.R.T参数进行预处理，其中，对于所述S.M.A.R.T 参数的不同子参数，采用对应的不同处理方法，生成对应的硬盘运行特征参数；
S130、将所述硬盘运行特征参数进行标准化、归一化处理；
S140、根据所述硬盘运行特征参数的数据特征，从所述硬盘运行特征参数中提取硬盘健康状态特征参数；
S150、根据所述硬盘健康状态特征参数，结合DS证据理论方法，展开训练集训练；
S160、根据训练结果，分析指定硬盘的健康状态。
步骤S110中，获取S.M.A.R.T参数训练集。S.M.A.R.T参数训练集收集于已有的硬盘在运行过程中的S.M.A.R.T参数记录。其中，硬盘种类包括机械硬盘、固态硬盘，对于不同种类的硬盘，由于生产工艺不同，使用的材料、元件不同，又可进一步细分为不同的产品大类。可选地，对于每一个产品大类划分一个训练集，用于本产品大类的硬盘健康状态分析。
步骤S120中，对所述S.M.A.R.T参数进行预处理，其中，对于所述 S.M.A.R.T参数的不同子参数，采用对应的不同处理方法，生成对应的硬盘运行特征参数。
具体地，根据S.M.A.R.T各个子参数的特性，将S.M.A.R.T参数划分为第一子参数、第二子参数、第三子参数。对于所述S.M.A.R.T参数的第一子参数，直接确定为对应的第一硬盘运行特征子参数；对于所述 S.M.A.R.T参数的第二子参数，采用扇区访问次数窗口，统计指定扇区访问次数内的第二子参数信息，生成对应的第二硬盘运行特征子参数；对于所述S.M.A.R.T参数的第三子参数，采用扇区访问时间窗口，统计指定扇区访问时间内的第三子参数信息，生成对应的第三硬盘运行特征子参数。
通过以上的基于统计的处理方式，将原本不能够直观地表征出硬盘运行状态的S.M.A.R.T参数转化为了更为直观的硬盘运行特征参数，便于后续更准确地判断硬盘健康状态。
下面给出推荐的S.M.A.R.T参数划分方式：
第一子参数：01读取错误率；06读取通道余量；07寻道错误率；09 通电时间；0C启动-关闭循环次数；0D软读取错误率探针；BF加速度感应错误率；C1磁头加载/卸载循环计数；C5当前等待中扇区数；C6无法修正的扇区总数；C8写入错误率；C9软读取错误率；CBECC错误率；D0起转蜂鸣/起转阶梯；D1离线寻道性能；D3写入时的振动；D4写入时的震动； DC盘片位移；DD加速度感应错误率；DE负载小时数；E0加载摩擦；E1 加载/卸载循环计数；F0磁头飞行小时数；FA读取错误重试率；FE自由落体保护；
第二子参数：02吞吐性能；03起转时间；05重新分配扇区计数；08 寻道时间性能；0A起转重试次数；0B重新校准重试次数；BB报告的无法修正错误；BC命令超时；BD磁头非正常高度写入；BE气流温度；C3硬件ECC已修复错误计数；C4再分配扇区物理位置事件计数；C7UltraDMA CRC错误计数；CA数据地址标记错误；CC软ECC校正；CF起转最大电流；E2加载的时间；E3扭矩放大计数；
第三子参数：04启动-停止次数；B8端到端错误；C0断电磁头缩回计数；C2温度；CE磁头飞行高度；DF加载/卸载重试计数；E4断电磁头缩回计数；E6巨磁阻磁头振幅；E7温度；
以01读取错误率为例，本身是一个表征硬盘健康状态的统计数据，因此可以直接作为第一子参数，记入硬盘运行特征子参数；另外，也可以作为第二子参数，统计最近若干次访问产生的读取错误率的变化，记入硬盘运行特征子参数。
以C0断电磁头缩回计数为例，可作为第三子参数，通过统计工作期间的C0断电磁头缩回计数，记入硬盘运行特征子参数，以表征扇区电流稳定性。
步骤S130将所述硬盘运行特征参数进行标准化、归一化处理，是本领域的惯用技术手段，此处不再赘述。
步骤S140根据所述硬盘运行特征参数的数据特征，从所述硬盘运行特征参数中提取硬盘健康状态特征参数，具体包括：确定硬盘健康状态特征参数的个数；根据所述硬盘健康状态特征参数的个数，采用SVD方法或者 PCA方法对所述硬盘运行特征参数进行降维计算；输出降维计算后得到的硬盘健康状态特征参数。目前，降维处理的技术手段尚未应用到硬盘健康状态检测领域，S.M.A.R.T的数据维度太多，给硬盘健康状态检测带来的计算量过于繁重，因此通过降维处理，再输入DS模型，能够得出一个简洁、高效的硬盘健康状态检测模型。
步骤S150中，根据所述硬盘健康状态特征参数，结合DS证据理论方法，展开训练集训练，包括：对于每一硬盘健康状态特征子参数，建立单独的模型；根据训练集数据，为每一模型确定对应的基础概率分配。对于每一个硬盘健康状态特征子参数，都是一个独立的DS证据理论方法的输入证据模型，其中，DS证据理论方法，指Dempster-Shafer EvidenceTheory，是一种重要的数据融合、决策方法。
步骤S160中，根据训练结果，分析指定硬盘的健康状态，包括：确定指定硬盘的健康状态特征参数；根据所述指定硬盘的健康状态特征参数，采用邓普斯特方法融合基础概率分配，得到对应的综合概率；根据所述综合概率，输出所述指定硬盘的健康状态。
进一步地，根据训练集数据，为每一模型确定对应的基础概率分配，包括：建立硬盘的健康状态识别框架；根据所述识别框架，为每一模型建立假设分布；根据所述假设分布和训练集数据计算基础概率分布；根据所述基础概率分布，得到每一模型确定对应的基础概率分配。
具体地，采用朴素贝叶斯方法、模糊C均值(Fuzzy C-Means,FCM) 方法计算各个属性的基础概率分配。
DS证据理论方法应当设定识别框架，通过大数据分析的方法，基于对现有的数据分析，根据预期硬盘扇区寿命、稳定性、性能，定义5个识别框架元素：良好、普通、危险、高危、损坏。考虑到硬盘健康状态具有一定的模糊性，因此，假设分布不仅仅限定为单个元素，而是可能存在多个元素组合的情况，包括：{良好}，{普通}，{危险}，{高危}，{损坏}，{良好、普通}，{普通、危险}，{危险、高危}，{高危、损坏}，{良好、普通、危险}，{普通、危险、高危}，{危险、高危、损坏}。该假设分布的设置利用了DS证据理论方法的理论优势，能够对常规方法难以判断的情形给出综合分析，最终得出相对准确的结论。
根据本发明的实施例的计算机设备，计算机设备包括处理器，处理器用于执行存储器中存储的计算机程序时实现如上述本发明的实施例提出的基于S.M.A.R.T参数的硬盘健康状态分析方法的步骤。
在该实施例中，计算机设备包括处理器，处理器用于执行存储器中存储的计算机程序时实现如上述本发明的实施例提出的基于S.M.A.R.T参数的硬盘健康状态分析方法的步骤，因此具有上述本发明的实施例提出的基于S.M.A.R.T参数的硬盘健康状态分析方法的全部有益效果，在此不再赘述。
根据本发明的实施例的计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述本发明的实施例提出的基于 S.M.A.R.T参数的硬盘健康状态分析方法的步骤。
在该实施例中，计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述的基于S.M.A.R.T参数的硬盘健康状态分析方法的步骤。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质包括只读存储器(Read-Only Memory，ROM)、随机存储器(Random Access Memory，RAM)、可编程只读存储器 (Programmable Read-only Memory，PROM)、可擦除可编程只读存储器 (Erasable Programmable Read Only Memory，EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory，OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory， CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于S.M.A.R.T参数的硬盘健康状态分析方法，其特征在于，包括：
获取S.M.A.R.T参数训练集；
对所述S.M.A.R.T参数进行预处理，其中，对于所述S.M.A.R.T参数的不同子参数，采用对应的不同处理方法，生成对应的硬盘运行特征参数；
将所述硬盘运行特征参数进行标准化、归一化处理；
根据所述硬盘运行特征参数的数据特征，从所述硬盘运行特征参数中提取硬盘健康状态特征参数；
根据所述硬盘健康状态特征参数，结合DS证据理论方法，展开训练集训练；
根据训练结果，分析指定硬盘的健康状态。
2.根据权利要求1所述的方法，其特征在于，对于所述S.M.A.R.T参数的不同子参数，采用对应的不同处理方法，生成硬盘运行特征参数，包括：
对于所述S.M.A.R.T参数的第一子参数，直接确定为对应的第一硬盘运行特征子参数；
对于所述S.M.A.R.T参数的第二子参数，采用扇区访问次数窗口，统计指定扇区访问次数内的第二子参数信息，生成对应的第二硬盘运行特征子参数；
对于所述S.M.A.R.T参数的第三子参数，采用扇区访问时间窗口，统计指定扇区访问时间内的第三子参数信息，生成对应的第三硬盘运行特征子参数。
3.根据权利要求1所述的方法，其特征在于，根据所述硬盘运行特征参数的数据特征，从所述硬盘运行特征参数中提取硬盘健康状态特征参数，包括：
确定硬盘健康状态特征参数的个数；
根据所述硬盘健康状态特征参数的个数，采用SVD方法或者PCA方法对所述硬盘运行特征参数进行降维计算；
输出降维计算后得到的硬盘健康状态特征参数。
4.根据权利要求1所述的方法，其特征在于，根据所述硬盘健康状态特征参数，结合DS证据理论方法，展开训练集训练，包括：
对于每一硬盘健康状态特征子参数，建立单独的模型；
根据训练集数据，为每一模型确定对应的基础概率分配。
5.如权利要求4所述的方法，其特征在于，根据训练结果，分析指定硬盘的健康状态，包括：
确定指定硬盘的健康状态特征参数；
根据所述指定硬盘的健康状态特征参数，采用邓普斯特方法融合基础概率分配，得到对应的综合概率；
根据所述综合概率，输出所述指定硬盘的健康状态。
6.如权利要求4所述的方法，其特征在于，根据训练集数据，为每一模型确定对应的基础概率分配，包括：
建立硬盘的健康状态识别框架；
根据所述识别框架，为每一模型建立假设分布；
根据所述假设分布和训练集数据计算基础概率分布；
根据所述基础概率分布，得到每一模型确定对应的基础概率分配。
7.如权利要求6所述的方法，其特征在于，所述硬盘的健康状态识别框架，包括：
良好、普通、危险、高危、损坏。
8.如权利要求7所述的方法，其特征在于，根据所述识别框架，为每一模型建立的假设分布，包括：{良好}，{普通}，{危险}，{高危}，{损坏}，{良好、普通}，{普通、危险}，{危险、高危}，{高危、损坏}，{良好、普通、危险}，{普通、危险、高危}，{危险、高危、损坏}。
9.一种可读存储介质，适于存储一个或多个程序，所述一个或多个程序被配置为由计算设备执行如权利要求1-8中任一项所述的基于S.M.A.R.T参数的硬盘健康状态分析方法。
10.一种计算设备，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中所述一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行如权利要求1-8中任一项所述的基于S.M.A.R.T参数的硬盘健康状态分析方法。
CN201910286393.XA 2019-04-10 2019-04-10 基于s.m.a.r.t参数的硬盘健康状态分析方法 Active CN110119344B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910286393.XA CN110119344B (zh) 2019-04-10 2019-04-10 基于s.m.a.r.t参数的硬盘健康状态分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910286393.XA CN110119344B (zh) 2019-04-10 2019-04-10 基于s.m.a.r.t参数的硬盘健康状态分析方法

Publications (2)

Publication Number Publication Date
CN110119344A true CN110119344A (zh) 2019-08-13
CN110119344B CN110119344B (zh) 2023-09-01

Family

ID=67520812

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910286393.XA Active CN110119344B (zh) 2019-04-10 2019-04-10 基于s.m.a.r.t参数的硬盘健康状态分析方法

Country Status (1)

Country Link
CN (1) CN110119344B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111611117A (zh) * 2020-05-22 2020-09-01 浪潮电子信息产业股份有限公司 硬盘故障的预测方法、装置、设备及计算机可读存储介质
CN112115004A (zh) * 2020-07-29 2020-12-22 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
CN114327242A (zh) * 2020-09-30 2022-04-12 华为技术有限公司 信息处理方法及装置
WO2022227373A1 (zh) * 2021-04-26 2022-11-03 华为技术有限公司 一种硬盘健康评估方法和存储设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9141457B1 (en) * 2013-09-25 2015-09-22 Emc Corporation System and method for predicting multiple-disk failures
CN104951383A (zh) * 2014-03-31 2015-09-30 伊姆西公司 用于监测硬盘的健康状况的方法和装置
WO2015176388A1 (zh) * 2014-05-20 2015-11-26 中兴通讯股份有限公司 硬盘健康状况处理方法及装置
CN105260279A (zh) * 2015-11-04 2016-01-20 四川效率源信息安全技术股份有限公司 基于smart数据动态诊断硬盘故障的方法和装置
CN108647136A (zh) * 2018-05-10 2018-10-12 南京道熵信息技术有限公司 基于smart信息和深度学习的硬盘损坏预测方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9141457B1 (en) * 2013-09-25 2015-09-22 Emc Corporation System and method for predicting multiple-disk failures
CN104951383A (zh) * 2014-03-31 2015-09-30 伊姆西公司 用于监测硬盘的健康状况的方法和装置
US20150277797A1 (en) * 2014-03-31 2015-10-01 Emc Corporation Monitoring health condition of a hard disk
WO2015176388A1 (zh) * 2014-05-20 2015-11-26 中兴通讯股份有限公司 硬盘健康状况处理方法及装置
CN105260279A (zh) * 2015-11-04 2016-01-20 四川效率源信息安全技术股份有限公司 基于smart数据动态诊断硬盘故障的方法和装置
CN108647136A (zh) * 2018-05-10 2018-10-12 南京道熵信息技术有限公司 基于smart信息和深度学习的硬盘损坏预测方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ARDESHIR RAIHANIAN MASHHADI 等: "Moving towards Real-time Data-driven Quality Monitoring: A Case Study of Hard Disk Drives", PROCEDIA MANUFACTURING *
朱兵等: "基于混合核SPSO-SVM飞机复合材料健康监测研究", 《现代防御技术》 *
权少亭等: "浅析计算机硬盘技术发展与优化应用", 《电脑知识与技术》 *
贾宇晗等: "硬盘故障预测模型在大型数据中心环境下的验证", 《计算机研究与发展》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111611117A (zh) * 2020-05-22 2020-09-01 浪潮电子信息产业股份有限公司 硬盘故障的预测方法、装置、设备及计算机可读存储介质
CN111611117B (zh) * 2020-05-22 2022-06-10 浪潮电子信息产业股份有限公司 硬盘故障的预测方法、装置、设备及计算机可读存储介质
CN112115004A (zh) * 2020-07-29 2020-12-22 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
CN114327242A (zh) * 2020-09-30 2022-04-12 华为技术有限公司 信息处理方法及装置
WO2022227373A1 (zh) * 2021-04-26 2022-11-03 华为技术有限公司 一种硬盘健康评估方法和存储设备

Also Published As

Publication number Publication date
CN110119344B (zh) 2023-09-01

Similar Documents

Publication Publication Date Title
CN110119344A (zh) 基于s.m.a.r.t参数的硬盘健康状态分析方法
Richardson et al. Battery health prediction under generalized conditions using a Gaussian process transition model
CN105260279B (zh) 基于smart数据动态诊断硬盘故障的方法和装置
US11619676B2 (en) Systems and methods for determining vehicle battery health
JP6513881B2 (ja) バッテリテスト結果を予測するためのバッテリテストシステム
CN105807227B (zh) 估计电池状态的方法和设备
US9582736B2 (en) Apparatus and method for classifying data and system for collecting data
JP5141767B2 (ja) サンプルの帰属クラス予測方法、帰属クラス予測プログラムおよび帰属クラス予測装置
WO2015041093A1 (ja) 蓄電池性能評価装置およびその方法
US10019681B2 (en) Multidimensional recursive learning process and system used to discover complex dyadic or multiple counterparty relationships
WO2017091231A1 (en) Battery performance prediction
US20220381848A1 (en) Method and system for detecting vehicle battery cell imbalance
CN115343623A (zh) 一种电化学储能电池故障的在线检测方法及装置
CN113297044A (zh) 一种运维风险预警方法及装置
CN117074965A (zh) 一种锂离子电池剩余寿命预测方法及系统
Li et al. A method of remaining capacity estimation for lithium-ion battery
JP2016126891A (ja) 蓄電池評価装置、蓄電池評価方法およびプログラム
CN112149833B (zh) 基于机器学习的预测方法、装置、设备和存储介质
JP2007003883A (ja) テスト項目選択方法およびシステム、ならびにテスト項目選択プログラムおよびその記憶媒体
JP7276928B1 (ja) 二次電池容量推定システム
CN113689649B (zh) 一种火灾预警方法、火灾预警系统和计算机设备
CN117007977B (zh) 一种储能电池健康状态诊断方法
US20240111281A1 (en) Deterioration Prediction System and Deterioration Prediction Method for Semiconductor Manufacturing Equipment or Semiconductor Inspection Equipment
US20230274185A1 (en) Machine learning training apparatus and operating method thereof
US20230351263A1 (en) Active machine learning model for targeted mass spectrometry data analysis

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

Effective date of registration: 20230803

Address after: 518000 Room 301, building 7, Zhongsheng science and Technology Industrial Park, Ganli Road, shanglilang community, Nanwan street, Longgang District, Shenzhen City, Guangdong Province

Applicant after: Shenzhen Kexin Precision Electronics Co.,Ltd.

Address before: 453000 c1-082, Chuangye building, No. 1 Park, Chuangye Road, Xinxiang City, Henan Province

Applicant before: Henan Wenzheng Electronic Data Processing Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant