CN110990174A - 一种基于Prophet模型预测SSD可用时间的方法、设备及介质 - Google Patents
一种基于Prophet模型预测SSD可用时间的方法、设备及介质 Download PDFInfo
- Publication number
- CN110990174A CN110990174A CN201911020669.6A CN201911020669A CN110990174A CN 110990174 A CN110990174 A CN 110990174A CN 201911020669 A CN201911020669 A CN 201911020669A CN 110990174 A CN110990174 A CN 110990174A
- Authority
- CN
- China
- Prior art keywords
- data information
- parameters
- ssd
- time
- prophet model
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 39
- 230000008859 change Effects 0.000 claims abstract description 23
- 230000004044 response Effects 0.000 claims abstract description 18
- 238000012886 linear function Methods 0.000 claims abstract description 12
- 230000000737 periodic effect Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 9
- 238000013459 approach Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 238000012005 ligant binding assay Methods 0.000 description 5
- 206010011906 Death Diseases 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000013403 standard screening design Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/008—Reliability or availability 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明公开了一种基于Prophet模型预测SSD可用时间的方法，包括以下步骤：获取SSD的数据信息，并将数据信息中的系统写入量和对应时间作为时间序列进行记录；判断时间序列的记录量是否达到阈值；响应于时间序列的记录量达到阈值，判断系统写入量是否随时间变化趋近于参考值；响应于系统写入量不是随时间变化趋近于参考值，采用分段线性函数确定趋势项的参数；以及基于确定的参数采用数据信息对Prophet模型进行训练，并基于训练后的模型得到SSD可用时间的预测结果。本发明还公开了一种计算机设备和可读存储介质。本发明提出的基于Prophet模型预测SSD可用时间的方法、设备及介质通过确定系统写入量的趋势项、周期项、节假日项的参数，大幅提高了预测SSD可用时间的准确性。
Description
技术领域
本发明涉及固态硬盘领域，更具体地，特别是指一种基于Prophet模型预测SSD可用时间的方法、设备及可读介质。
背景技术
作为HDD(Hard Disk Drive，机械硬盘)的高性能替代方案，基于闪存的固态硬盘(SSD，Solid-state drive)自问世以来就得到广泛追捧。并且伴随着闪存技艺的改进和价格的下降，SSD迎来更广阔的市场和发展前景。但与此同时，闪存密度的增加也使得SSD可靠性降低。SSD的性能和出错率与SSD的寿命直接相关，越接近寿命尽头(End-of-Life)，SSD的性能越差，出错率越高。为了保证数据的准确性与安全性，需要对SSD在其寿命终结前进行替换。
SSD的寿命可以用磨损度或者写入数据总量(TBW，Total Bytes Written)来表示。具体来说，SSD的P/E Cycle(Program/Erase Cycle，编程和擦写循环)次数为一个定值，数据写入会引发SSD擦写次数的增加即产生SSD磨损，当用户写入的数据量足够大，SSD发生100％的磨损时，则认为该SSD不再可靠，寿命到达尽头。另外，根据JEDEC标准，SSD出厂时厂商会设定额定TBW，表示在典型场景下，用户端可写入SSD的数据总量。SSD的S.M.A.R.T.(Self-Monitoring Analysis and Reporting Technology，自我监测、分析及报告技术)用来检测、分析和报告SSD的使用情况，其中与SSD寿命相关的指标主要有：ID 233MediaWearout Indicator(介质磨损指示器)，该值为百分比表示的磨损度；ID 241Total LBAsWritten(写入的LBA数量)，该值表示系统写入量。
现有SSD寿命预测技术非常简单，所得到的SSD寿命预测结果不精确。当前SSD厂商比如Intel、HP、HPE在计算SSD寿命时，都是基于一段时间内的磨损度变化(smart_233表示的百分比值)求平均值。具体原理为：剩余寿命＝Δ时间/Δ磨损变化×(1-磨损度)。现有技术存在的问题有：(1)计算方法简单粗暴，结果准确性得不到保证；(2)磨损度为0-100％的整数磨损百分比，但是SSD的磨损度几十天才会发生1％的变化，因此计算得到的剩余寿命误差比较大。
发明内容
有鉴于此，本发明实施例的目的在于提出一种基于Prophet模型预测SSD可用时间的方法、设备及介质，通过引入Prophet模型，确定系统写入量的趋势项、周期项、节假日项的参数，大幅提高了预测SSD可用时间的准确性。
基于上述目的，本发明实施例的一方面提供了一种基于Prophet模型预测SSD可用时间的方法，包括如下步骤：获取SSD的数据信息，并将所述数据信息中的系统写入量和对应时间作为时间序列进行记录；判断所述时间序列的记录量是否达到阈值；响应于所述时间序列的记录量达到阈值，判断所述系统写入量是否随时间变化趋近于参考值；响应于所述系统写入量不是随时间变化趋近于参考值，采用分段线性函数确定趋势项的参数；以及基于确定的所述参数采用所述数据信息对Prophet模型进行训练，并基于训练后的所述模型得到SSD可用时间的预测结果。
在一些实施方式中，基于确定的所述参数采用所述数据信息对Prophet模型进行训练还包括：根据所述数据信息的周期性规律确定周期项的参数，并基于趋势项的参数和周期项的参数采用所述数据信息对Prophet模型进行训练。
在一些实施方式中，基于确定的所述参数采用所述数据信息对Prophet模型进行训练还包括：判断节假日的系统写入量与工作日的系统写入量的差值是否达到第二阈值；以及响应于节假日的系统写入量与工作日的系统写入量的差值达到第二阈值，基于节假日的系统写入量确定节假日项的参数，并基于趋势项的参数和节假日项的参数采用所述数据信息对Prophet模型进行训练。
在一些实施方式中，所述基于所述参数采用所述数据信息对Prophet模型进行训练，得到SSD可用时间的预测结果包括：判断训练后的所述Prophet模型是否符合要求；以及响应于所述训练后的所述Prophet模型不符合要求，修改所述参数并重新训练。
在一些实施方式中，所述判断训练后的所述Prophet模型是否符合要求包括：基于所述参数选取第一时间段的数据信息对Prophet模型进行训练，得到第二时间段的预测结果；以及计算第二时间段的预测结果和第二时间段的数据信息的平均绝对误差，并判断所述平均绝对误差是否小于第三阈值。
本发明实施例的另一方面，还提供了一种计算机设备，包括：至少一个处理器；以及存储器，存储器存储有可在处理器上运行的计算机指令，指令由处理器执行以实现如下步骤：获取SSD的数据信息，并将所述数据信息中的系统写入量和对应时间作为时间序列进行记录；判断所述时间序列的记录量是否达到阈值；响应于所述时间序列的记录量达到阈值，判断所述系统写入量是否随时间变化趋近于参考值；响应于所述系统写入量不是随时间变化趋近于参考值，采用分段线性函数确定趋势项的参数；以及基于确定的所述参数采用所述数据信息对Prophet模型进行训练，并基于训练后的所述模型得到SSD可用时间的预测结果。
在一些实施方式中，基于确定的所述参数采用所述数据信息对Prophet模型进行训练还包括：根据所述数据信息的周期性规律确定周期项的参数，并基于趋势项的参数和周期项的参数采用所述数据信息对Prophet模型进行训练。
在一些实施方式中，基于确定的所述参数采用所述数据信息对Prophet模型进行训练还包括：判断节假日的系统写入量与工作日的系统写入量的差值是否达到第二阈值；以及响应于节假日的系统写入量与工作日的系统写入量的差值达到第二阈值，基于节假日的系统写入量确定节假日项的参数，并基于趋势项的参数和节假日项的参数采用所述数据信息对Prophet模型进行训练。
在一些实施方式中，所述基于所述参数采用所述数据信息对Prophet模型进行训练，得到SSD可用时间的预测结果包括：判断训练后的所述Prophet模型是否符合要求；以及响应于所述训练后的所述Prophet模型不符合要求，修改所述参数并重新训练。
本发明实施例的再一方面，还提供了一种计算机可读存储介质，计算机可读存储介质存储有被处理器执行时实现如上方法步骤的计算机程序。
本发明具有以下有益技术效果：通过引入Prophet模型，确定系统写入量的趋势项、周期项、节假日项的参数，大幅提高了预测SSD可用时间的准确性。
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，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的实施例。
图1为本发明提供的基于Prophet模型预测SSD可用时间的方法的实施例的示意图；
图2为本发明提供的基于Prophet模型预测SSD可用时间的方法的实施例的流程图；
图3为本发明提供的基于Prophet模型预测SSD可用时间的方法的实施例的硬件结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明实施例进一步详细说明。
需要说明的是，本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量，可见“第一”“第二”仅为了表述的方便，不应理解为对本发明实施例的限定，后续实施例对此不再一一说明。
基于上述目的，本发明实施例的第一个方面，提出了一种基于Prophet模型预测SSD可用时间的方法的实施例。图1示出的是本发明提供的基于Prophet模型预测SSD可用时间的方法的实施例的示意图。如图1所示，本发明实施例包括如下步骤：
S1、获取SSD的数据信息，并将数据信息中的系统写入量和对应时间作为时间序列进行记录；
S2、判断时间序列的记录量是否达到阈值；
S3、响应于时间序列的记录量达到阈值，判断系统写入量是否随时间变化趋近于参考值；
S4、响应于系统写入量不是随时间变化趋近于参考值，采用分段线性函数确定趋势项的参数；以及
S5、基于确定的参数采用数据信息对Prophet模型进行训练，并基于训练后的模型得到SSD可用时间的预测结果。
本发明实施例采用SSD的S.M.A.R.T.参数中的Total LBAs Written的时间序列作为模型的输入。Total LBAs Written表示主机端写入SSD的数据总量，随着用户不同时间上负载的不同，该值会呈现不同的变化规律。时间序列预测Prophet模型的作用就是捕捉其变化的趋势性、周期性、特殊日期的变化等规律，并假设用户在未来依然会延续这些规律，基于历史数据的规律变化对未来进行预测。SSD厂商定义了SSD的写入数据总量即TBW，本发明实施例使用Prophet模型预测Total LBAs Written值未来的变化，当该值等于或大于TBW时，认为SSD到达寿命尽头。此时SSD的剩余寿命即为预测寿命终止日期与当前日期的差值。
使用Prophet模型把SSD主机写入量时间序列y(t)分成4个部分，分别是趋势项g(t)，周期项s(t)，节假日项h(t)，误差项ε(t)。它们按如下公式组合：y(t)＝g(t)+s(t)+h(t)+ε(t)。趋势项g(t)表示主机写入量整体变化趋势。Prophet定义了两种趋势项变化模型，一种是基于逻辑回归函数(logistic function)的饱和增长模型，另一个是基于分段线性函数(piecewise linear function)的分段线性模型。在进行SSD寿命预测时，根据用户负载变化选择合适的趋势项模型和参数。周期项s(t)用于表达主机写入的周期性变化，周期为每周、每月或者每年。周期项的实现使用了傅立叶级数来模拟。在训练SSD寿命预测模型可以调整周期项的傅里叶级数，还可以调整周期项为加法周期项或者乘法周期项。节假日项h(t)用于表达非规律性的节假日效应，节假日日期和节假日项的强度可依据用户主机写入量的变化调节。误差项ε(t)用来反映未在模型中体现的异常变动。
获取SSD的数据信息，并将数据信息中的系统写入量和对应时间作为时间序列进行记录。可以在每天的固定时间使用smartctl工具中的“smartcl–a”命令获得SSD中S.M.A.R.T.参数详细信息。将S.M.A.R.T.参数中的smart_241Total LBAs Written和时间戳作为时间序列单独记录。
判断时间序列的记录量是否达到阈值。记录时间序列达到一定的天数之后就可以进行模型的训练了，这里的“阈值”可以根据SSD使用的实际情况进行具体的设定，例如，SSD每天的系统写入量都很多时，可以适当降低阈值。本发明实施例中将阈值设定为180，当然，这只是示例性的。
响应于时间序列的记录量达到阈值，判断系统写入量是否随时间变化趋近于参考值。当时间序列累计记录量达到180天后，可以根据采集的数据信息判断系统写入量是否随时间变化趋近于参考值。这里的“参考值”可以是任意数值，可以根据具体的情况具体设置。
响应于系统写入量不是随时间变化趋近于参考值，采用分段线性函数确定趋势项的参数。趋势项的参数包括趋势项的变点参数，变点参数包括：变点个数、变点的分布区间以及变点的影响强度。变点指的是两段线性函数之间不连续的点。
在一些实施方式中，基于确定的参数采用数据信息对Prophet模型进行训练还包括：根据数据信息的周期性规律确定周期项的参数，并基于趋势项的参数和周期项的参数采用数据信息对Prophet模型进行训练。周期项的参数包括周期长度(周、月或年)、周期项强度以及乘法周期项或加法周期项。周期项强度是指与该周期的符合程度，强度越大说明与该周期的符合程度越高。
在一些实施方式中，于确定的参数采用数据信息对Prophet模型进行训练还包括：判断节假日的系统写入量与工作日的系统写入量的差值是否达到第二阈值；以及响应于节假日的系统写入量与工作日的系统写入量的差值达到第二阈值，基于节假日的系统写入量确定节假日项的参数。第二阈值同样可以根据具体的情况进行具体的设定，并基于趋势项的参数和节假日项的参数采用数据信息对Prophet模型进行训练。
基于参数采用数据信息对Prophet模型进行训练，得到SSD可用时间的预测结果。在一些实施方式中，基于参数采用数据信息对Prophet模型进行训练，得到SSD可用时间的预测结果包括：判断训练后的Prophet模型是否符合要求；以及响应于训练后的Prophet模型不符合要求，修改参数并重新训练。对比不同模型所得到的结果，选取最优模型。由最优模型预测写入数据量达到TBW的时间节点，即为当前SSD可用时间。
在一些实施方式中，判断训练后的Prophet模型是否符合要求包括：基于参数选取第一时间段的数据信息对Prophet模型进行训练，得到第二时间段的预测结果；以及计算第二时间段的预测结果和第二时间段的数据信息的平均绝对误差，并判断平均绝对误差是否小于第三阈值。在本实施例中，第一时间段为150天，第二时间段为30天，可以根据模型得到的30天的预测结果和实际获取的系统写入量进行误差的计算。
SSD可用时间预测所带来的客户价值有：(1)直观了解SSD的剩余使用时间。寿命预测实现了SSD可靠性的时间量化表达，用户所见的SSD剩余寿命实际上是针对该用户的定制化计算结果。(2)保障数据的安全性。用户可以结合SSD剩余寿命值和SSD上数据的价值，决策何时替换SSD或者进行数据备份，从而为数据的安全性提供保证。(3)实现经济利益的最大化。SSD的价格昂贵，SSD寿命预测可以帮助用户最小化冗余配置，降低采购成本，又能避免备件不足和SSD突发故障带来的一系列经济损失，从而实现利益最大化。SSD可用时间预测所带来的企业价值有：(1)提升用户体验，提高存储竞争力。本发明实施例可以根据用户的负载，为用户提供定制化的SSD寿命预测结果，能够提升用户体验，提高存储的竞争力。(2)首次提出使用AI建模的方法预测SSD寿命，保障预测的准确性。
图2示出的是本发明提供的基于Prophet模型预测SSD可用时间的方法的实施例的流程图。如图2所示，从框101开始，接着前进到框102，获取SSD的数据信息，并将数据信息中的系统写入量和对应时间作为时间序列进行记录；接着前进到框103，判断时间序列的记录量是否达到阈值，如果否，继续判断，如果是，前进到框104，判断系统写入量是否随时间变化趋近于参考值，如果是，前进到框106，采用逻辑回归函数确定趋势项的参数，如果否，前进到框105，采用分段线性函数确定趋势项的参数，然后前进到框107，结束。
需要特别指出的是，上述基于Prophet模型预测SSD可用时间的方法的各个实施例中的各个步骤均可以相互交叉、替换、增加、删减，因此，这些合理的排列组合变换之于基于Prophet模型预测SSD可用时间的方法也应当属于本发明的保护范围，并且不应将本发明的保护范围局限在实施例之上。
基于上述目的，本发明实施例的第二个方面，提出了一种计算机设备，包括：至少一个处理器；以及存储器，存储器存储有可在处理器上运行的计算机指令，指令由处理器执行以实现如下步骤：S1、获取SSD的数据信息，并将数据信息中的系统写入量和对应时间作为时间序列进行记录；S2、判断时间序列的记录量是否达到阈值；S3、响应于时间序列的记录量达到阈值，判断系统写入量是否随时间变化趋近于参考值；S4、响应于系统写入量不是随时间变化趋近于参考值，采用分段线性函数确定趋势项的参数；以及S5、基于确定的参数采用数据信息对Prophet模型进行训练，并基于训练后的所述模型得到SSD可用时间的预测结果。
在一些实施方式中，基于确定的参数采用数据信息对Prophet模型进行训练还包括：根据数据信息的周期性规律确定周期项的参数，并基于趋势项的参数和周期项的参数采用数据信息对Prophet模型进行训练。
在一些实施方式中，基于确定的参数采用数据信息对Prophet模型进行训练还包括：判断节假日的系统写入量与工作日的系统写入量的差值是否达到第二阈值；以及响应于节假日的系统写入量与工作日的系统写入量的差值达到第二阈值，基于节假日的系统写入量确定节假日项的参数，并基于趋势项的参数和节假日项的参数采用数据信息对Prophet模型进行训练。
在一些实施方式中，基于参数采用数据信息对Prophet模型进行训练，得到SSD可用时间的预测结果包括：判断训练后的Prophet模型是否符合要求；以及响应于训练后的Prophet模型不符合要求，修改参数并重新训练。
在一些实施方式中，判断训练后的Prophet模型是否符合要求包括：基于参数选取第一时间段的数据信息对Prophet模型进行训练，得到第二时间段的预测结果；以及计算第二时间段的预测结果和第二时间段的数据信息的平均绝对误差，并判断平均绝对误差是否小于第三阈值。
如图3所示，为本发明提供的上述基于Prophet模型预测SSD可用时间的方法的一个实施例的硬件结构示意图。
以如图3所示的装置为例，在该装置中包括一个处理器301以及一个存储器302，并还可以包括：输入装置303和输出装置304。
处理器301、存储器302、输入装置303和输出装置304可以通过总线或者其他方式连接，图3中以通过总线连接为例。
存储器302作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本申请实施例中的基于Prophet模型预测SSD可用时间的方法对应的程序指令/模块。处理器301通过运行存储在存储器302中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例的基于Prophet模型预测SSD可用时间的方法。
存储器302可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据基于Prophet模型预测SSD可用时间的方法的使用所创建的数据等。此外，存储器302可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器302可选包括相对于处理器301远程设置的存储器，这些远程存储器可以通过网络连接至本地模块。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置303可接收输入的用户名和密码等信息。输出装置304可包括显示屏等显示设备。
一个或者多个基于Prophet模型预测SSD可用时间的方法对应的程序指令/模块存储在存储器302中，当被处理器301执行时，执行上述任意方法实施例中的基于Prophet模型预测SSD可用时间的方法。
执行上述基于Prophet模型预测SSD可用时间的方法的计算机设备的任何一个实施例，可以达到与之对应的前述任意方法实施例相同或者相类似的效果。
本发明还提供了一种计算机可读存储介质，计算机可读存储介质存储有被处理器执行时执行如上方法的计算机程序。
最后需要说明的是，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关硬件来完成，基于Prophet模型预测SSD可用时间的方法的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，程序的存储介质可为磁碟、光盘、只读存储记忆体(ROM)或随机存储记忆体(RAM)等。上述计算机程序的实施例，可以达到与之对应的前述任意方法实施例相同或者相类似的效果。
此外，根据本发明实施例公开的方法还可以被实现为由处理器执行的计算机程序，该计算机程序可以存储在计算机可读存储介质中。在该计算机程序被处理器执行时，执行本发明实施例公开的方法中限定的上述功能。
此外，上述方法步骤以及系统单元也可以利用控制器以及用于存储使得控制器实现上述步骤或单元功能的计算机程序的计算机可读存储介质实现。
此外，应该明白的是，本文的计算机可读存储介质(例如，存储器)可以是易失性存储器或非易失性存储器，或者可以包括易失性存储器和非易失性存储器两者。作为例子而非限制性的，非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦写可编程ROM(EEPROM)或快闪存储器。易失性存储器可以包括随机存取存储器(RAM)，该RAM可以充当外部高速缓存存储器。作为例子而非限制性的，RAM可以以多种形式获得，比如同步RAM(DRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据速率SDRAM(DDRSDRAM)、增强SDRAM(ESDRAM)、同步链路DRAM(SLDRAM)、以及直接Rambus RAM(DRRAM)。所公开的方面的存储设备意在包括但不限于这些和其它合适类型的存储器。
本领域技术人员还将明白的是，结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。为了清楚地说明硬件和软件的这种可互换性，已经就各种示意性组件、方块、模块、电路和步骤的功能对其进行了一般性的描述。这种功能是被实现为软件还是被实现为硬件取决于具体应用以及施加给整个系统的设计约束。本领域技术人员可以针对每种具体应用以各种方式来实现的功能，但是这种实现决定不应被解释为导致脱离本发明实施例公开的范围。
结合这里的公开所描述的各种示例性逻辑块、模块和电路可以利用被设计成用于执行这里功能的下列部件来实现或执行：通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立门或晶体管逻辑、分立的硬件组件或者这些部件的任何组合。通用处理器可以是微处理器，但是可替换地，处理器可以是任何传统处理器、控制器、微控制器或状态机。处理器也可以被实现为计算设备的组合，例如，DSP和微处理器的组合、多个微处理器、一个或多个微处理器结合DSP和/或任何其它这种配置。
结合这里的公开所描述的方法或算法的步骤可以直接包含在硬件中、由处理器执行的软件模块中或这两者的组合中。软件模块可以驻留在RAM存储器、快闪存储器、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动盘、CD-ROM、或本领域已知的任何其它形式的存储介质中。示例性的存储介质被耦合到处理器，使得处理器能够从该存储介质中读取信息或向该存储介质写入信息。在一个替换方案中，存储介质可以与处理器集成在一起。处理器和存储介质可以驻留在ASIC中。ASIC可以驻留在用户终端中。在一个替换方案中，处理器和存储介质可以作为分立组件驻留在用户终端中。
在一个或多个示例性设计中，功能可以在硬件、软件、固件或其任意组合中实现。如果在软件中实现，则可以将功能作为一个或多个指令或代码存储在计算机可读介质上或通过计算机可读介质来传送。计算机可读介质包括计算机存储介质和通信介质，该通信介质包括有助于将计算机程序从一个位置传送到另一个位置的任何介质。存储介质可以是能够被通用或专用计算机访问的任何可用介质。作为例子而非限制性的，该计算机可读介质可以包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储设备、磁盘存储设备或其它磁性存储设备，或者是可以用于携带或存储形式为指令或数据结构的所需程序代码并且能够被通用或专用计算机或者通用或专用处理器访问的任何其它介质。此外，任何连接都可以适当地称为计算机可读介质。例如，如果使用同轴线缆、光纤线缆、双绞线、数字用户线路(DSL)或诸如红外线、无线电和微波的无线技术来从网站、服务器或其它远程源发送软件，则上述同轴线缆、光纤线缆、双绞线、DSL或诸如红外线、无线电和微波的无线技术均包括在介质的定义。如这里所使用的，磁盘和光盘包括压缩盘(CD)、激光盘、光盘、数字多功能盘(DVD)、软盘、蓝光盘，其中磁盘通常磁性地再现数据，而光盘利用激光光学地再现数据。上述内容的组合也应当包括在计算机可读介质的范围内。
以上是本发明公开的示例性实施例，但是应当注意，在不背离权利要求限定的本发明实施例公开的范围的前提下，可以进行多种改变和修改。根据这里描述的公开实施例的方法权利要求的功能、步骤和/或动作不需以任何特定顺序执行。此外，尽管本发明实施例公开的元素可以以个体形式描述或要求，但除非明确限制为单数，也可以理解为多个。
应当理解的是，在本文中使用的，除非上下文清楚地支持例外情况，单数形式“一个”旨在也包括复数形式。还应当理解的是，在本文中使用的“和/或”是指包括一个或者一个以上相关联地列出的项目的任意和所有可能组合。
上述本发明实施例公开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，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。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本发明实施例公开的范围(包括权利要求)被限于这些例子；在本发明实施例的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，并存在如上的本发明实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。因此，凡在本发明实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明实施例的保护范围之内。
Claims (10)
1.一种基于Prophet模型预测SSD可用时间的方法，其特征在于，包括以下步骤：
获取SSD的数据信息，并将所述数据信息中的系统写入量和对应时间作为时间序列进行记录；
判断所述时间序列的记录量是否达到阈值；
响应于所述时间序列的记录量达到阈值，判断所述系统写入量是否随时间变化趋近于参考值；
响应于所述系统写入量不是随时间变化趋近于参考值，采用分段线性函数确定趋势项的参数；以及
基于确定的所述参数采用所述数据信息对Prophet模型进行训练，并基于训练后的所述模型得到SSD可用时间的预测结果。
2.根据权利要求1所述的方法，其特征在于，基于确定的所述参数采用所述数据信息对Prophet模型进行训练还包括：
根据所述数据信息的周期性规律确定周期项的参数，并基于趋势项的参数和周期项的参数采用所述数据信息对Prophet模型进行训练。
3.根据权利要求1所述的方法，其特征在于，基于确定的所述参数采用所述数据信息对Prophet模型进行训练还包括：
判断节假日的系统写入量与工作日的系统写入量的差值是否达到第二阈值；以及
响应于节假日的系统写入量与工作日的系统写入量的差值达到第二阈值，基于节假日的系统写入量确定节假日项的参数，并基于趋势项的参数和节假日项的参数采用所述数据信息对Prophet模型进行训练。
4.根据权利要求1所述的方法，其特征在于，所述基于所述参数采用所述数据信息对Prophet模型进行训练，得到SSD可用时间的预测结果包括：
判断训练后的所述Prophet模型是否符合要求；以及
响应于所述训练后的所述Prophet模型不符合要求，修改所述参数并重新训练。
5.根据权利要求4所述的方法，其特征在于，所述判断训练后的所述Prophet模型是否符合要求包括：
基于所述参数选取第一时间段的数据信息对Prophet模型进行训练，得到第二时间段的预测结果；以及
计算第二时间段的预测结果和第二时间段的数据信息的平均绝对误差，并判断所述平均绝对误差是否小于第三阈值。
6.一种计算机设备，其特征在于，包括：
至少一个处理器；以及
存储器，所述存储器存储有可在所述处理器上运行的计算机指令，所述指令由所述处理器执行时实现以下步骤：
获取SSD的数据信息，并将所述数据信息中的系统写入量和对应时间作为时间序列进行记录；
判断所述时间序列的记录量是否达到阈值；
响应于所述时间序列的记录量达到阈值，判断所述系统写入量是否随时间变化趋近于参考值；
响应于所述系统写入量不是随时间变化趋近于参考值，采用分段线性函数确定趋势项的参数；以及
基于确定的所述参数采用所述数据信息对Prophet模型进行训练，并基于训练后的所述模型得到SSD可用时间的预测结果。
7.根据权利要求6所述的计算机设备，其特征在于，基于确定的所述参数采用所述数据信息对Prophet模型进行训练还包括：
根据所述数据信息的周期性规律确定周期项的参数，并基于趋势项的参数和周期项的参数采用所述数据信息对Prophet模型进行训练。
8.根据权利要求6所述的计算机设备，其特征在于，基于确定的所述参数采用所述数据信息对Prophet模型进行训练还包括：
判断节假日的系统写入量与工作日的系统写入量的差值是否达到第二阈值；以及
响应于节假日的系统写入量与工作日的系统写入量的差值达到第二阈值，基于节假日的系统写入量确定节假日项的参数，并基于趋势项的参数和节假日项的参数采用所述数据信息对Prophet模型进行训练。
9.根据权利要求6所述的计算机设备，其特征在于，所述基于所述参数采用所述数据信息对Prophet模型进行训练，得到SSD可用时间的预测结果包括：
判断训练后的所述Prophet模型是否符合要求；以及
响应于所述训练后的所述Prophet模型不符合要求，修改所述参数并重新训练。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-5任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911020669.6A CN110990174A (zh) | 2019-10-25 | 2019-10-25 | 一种基于Prophet模型预测SSD可用时间的方法、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911020669.6A CN110990174A (zh) | 2019-10-25 | 2019-10-25 | 一种基于Prophet模型预测SSD可用时间的方法、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110990174A true CN110990174A (zh) | 2020-04-10 |
Family
ID=70082271
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911020669.6A Withdrawn CN110990174A (zh) | 2019-10-25 | 2019-10-25 | 一种基于Prophet模型预测SSD可用时间的方法、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110990174A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111753875A (zh) * | 2020-05-15 | 2020-10-09 | 国家电网有限公司客户服务中心 | 一种电力信息系统运行趋势分析方法、装置及存储介质 |
| CN112000288A (zh) * | 2020-08-20 | 2020-11-27 | 苏州浪潮智能科技有限公司 | Ssd剩余使用时间预测方法、装置、设备、介质 |
| CN112598291A (zh) * | 2020-12-25 | 2021-04-02 | 中国农业银行股份有限公司 | 一种基于Prophet的运维智能排班方法及装置 |
| CN113344282A (zh) * | 2021-06-23 | 2021-09-03 | 中国光大银行股份有限公司 | 容量数据处理、调配的方法、系统和计算机可读介质 |
| CN113656204A (zh) * | 2020-05-12 | 2021-11-16 | 中国移动通信集团浙江有限公司 | 固态硬盘管理方法、装置及计算设备 |
| CN114090411A (zh) * | 2022-01-20 | 2022-02-25 | 山东中创软件商用中间件股份有限公司 | 一种应用数据分析方法、装置、设备及可读存储介质 |
| CN114416115A (zh) * | 2022-01-18 | 2022-04-29 | 中国工商银行股份有限公司 | 应用部署方法、装置、设备及介质 |
| CN114519461A (zh) * | 2022-02-14 | 2022-05-20 | 中国工商银行股份有限公司 | 交易时间预测方法及装置 |
| CN115600770A (zh) * | 2022-12-09 | 2023-01-13 | 成都睿的欧科技有限公司（Cn） | 基于时序饱和预测的无线信号设备故障预警方法和系统 |
| CN115759960A (zh) * | 2022-11-07 | 2023-03-07 | 北京北明数科信息技术有限公司 | 事项监控方法、系统、计算机设备及介质 |
-
2019
- 2019-10-25 CN CN201911020669.6A patent/CN110990174A/zh not_active Withdrawn
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113656204A (zh) * | 2020-05-12 | 2021-11-16 | 中国移动通信集团浙江有限公司 | 固态硬盘管理方法、装置及计算设备 |
| CN113656204B (zh) * | 2020-05-12 | 2023-11-21 | 中国移动通信集团浙江有限公司 | 固态硬盘管理方法、装置及计算设备 |
| CN111753875A (zh) * | 2020-05-15 | 2020-10-09 | 国家电网有限公司客户服务中心 | 一种电力信息系统运行趋势分析方法、装置及存储介质 |
| CN112000288A (zh) * | 2020-08-20 | 2020-11-27 | 苏州浪潮智能科技有限公司 | Ssd剩余使用时间预测方法、装置、设备、介质 |
| CN112598291B (zh) * | 2020-12-25 | 2023-10-13 | 中国农业银行股份有限公司 | 一种基于Prophet的运维智能排班方法及装置 |
| CN112598291A (zh) * | 2020-12-25 | 2021-04-02 | 中国农业银行股份有限公司 | 一种基于Prophet的运维智能排班方法及装置 |
| CN113344282A (zh) * | 2021-06-23 | 2021-09-03 | 中国光大银行股份有限公司 | 容量数据处理、调配的方法、系统和计算机可读介质 |
| CN114416115A (zh) * | 2022-01-18 | 2022-04-29 | 中国工商银行股份有限公司 | 应用部署方法、装置、设备及介质 |
| CN114090411B (zh) * | 2022-01-20 | 2022-09-16 | 山东中创软件商用中间件股份有限公司 | 一种应用数据分析方法、装置、设备及可读存储介质 |
| CN114090411A (zh) * | 2022-01-20 | 2022-02-25 | 山东中创软件商用中间件股份有限公司 | 一种应用数据分析方法、装置、设备及可读存储介质 |
| CN114519461A (zh) * | 2022-02-14 | 2022-05-20 | 中国工商银行股份有限公司 | 交易时间预测方法及装置 |
| CN115759960A (zh) * | 2022-11-07 | 2023-03-07 | 北京北明数科信息技术有限公司 | 事项监控方法、系统、计算机设备及介质 |
| CN115600770A (zh) * | 2022-12-09 | 2023-01-13 | 成都睿的欧科技有限公司（Cn） | 基于时序饱和预测的无线信号设备故障预警方法和系统 |
| CN115600770B (zh) * | 2022-12-09 | 2023-04-07 | 成都睿的欧科技有限公司 | 基于时序饱和预测的无线信号设备故障预警方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110990174A (zh) | 一种基于Prophet模型预测SSD可用时间的方法、设备及介质 | |
| CN111078439A (zh) | 一种固态硬盘寿命预测方法和装置 | |
| CN109558287B (zh) | 一种固态硬盘寿命预测方法、装置和系统 | |
| US20170131948A1 (en) | Visualization of usage impacts on solid state drive life acceleration | |
| JP5814335B2 (ja) | 書込みの削減、及び不揮発性メモリの残り寿命の推定と表示 | |
| US20170131947A1 (en) | Data and collection methods to analyze life acceleration of SSD with real usages | |
| US20140365449A1 (en) | Inline learning-based selective deduplication for primary storage systems | |
| CN112000497B (zh) | 固态硬盘的寿命预测方法、装置及计算机可读存储介质 | |
| CN107391301A (zh) | 存储系统的数据管理方法、装置、计算设备及存储介质 | |
| US9928166B2 (en) | Detecting hot spots through flash memory management table snapshots | |
| CN111045603B (zh) | 一种固态硬盘的坏块替换方法和装置 | |
| US20190114559A1 (en) | Storage device failure policies | |
| CN111475115A (zh) | 一种ssd闪存寿命预测的方法、装置、设备及可读介质 | |
| CN110413430A (zh) | 一种固态硬盘的寿命预测方法、装置及设备 | |
| CN111176575A (zh) | 基于Prophet模型的SSD寿命预测方法、系统、终端及存储介质 | |
| CN111078123A (zh) | 一种闪存块的磨损程度的评估方法及装置 | |
| CN116483265A (zh) | 固态硬盘数据读写方法、装置及固态硬盘 | |
| CN114005476A (zh) | 闪存器、闪存擦写计数方法、电子设备及计算机存储介质 | |
| CN111124278A (zh) | 一种固态硬盘提高读性能的方法、设备及介质 | |
| CN114489498A (zh) | 一种NAND Flash介质剩余寿命预测的方法、装置、设备及介质 | |
| CN113467724B (zh) | 一种crc校验码存储方法、装置、设备及介质 | |
| CN111008757A (zh) | 一种基于Prophet模型预测SSD寿命的参数设置方法和装置 | |
| CN111142796A (zh) | 一种ssd寿命预测方法、装置、设备及可读存储介质 | |
| CN115472203A (zh) | 闪存磨损次数预测方法、装置及存储介质 | |
| CN113625960A (zh) | 一种硬盘数据迁移方法、系统、存储介质及设备 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200410 |
|
| WW01 | Invention patent application withdrawn after publication |