CN111736768B - 服务器硬盘剩余使用时间的预测方法、系统及存储介质 - Google Patents

服务器硬盘剩余使用时间的预测方法、系统及存储介质 Download PDF

Info

Publication number
CN111736768B
CN111736768B CN202010476061.0A CN202010476061A CN111736768B CN 111736768 B CN111736768 B CN 111736768B CN 202010476061 A CN202010476061 A CN 202010476061A CN 111736768 B CN111736768 B CN 111736768B
Authority
CN
China
Prior art keywords
hard disk
theta
service life
gradient
calculation 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.)
Active
Application number
CN202010476061.0A
Other languages
English (en)
Other versions
CN111736768A (zh
Inventor
韩颖
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.)
Suzhou Inspur Intelligent Technology Co Ltd
Original Assignee
Suzhou Inspur Intelligent Technology 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 Suzhou Inspur Intelligent Technology Co Ltd filed Critical Suzhou Inspur Intelligent Technology Co Ltd
Priority to CN202010476061.0A priority Critical patent/CN111736768B/zh
Publication of CN111736768A publication Critical patent/CN111736768A/zh
Application granted granted Critical
Publication of CN111736768B publication Critical patent/CN111736768B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
    • G06F3/0601—Interfaces specially adapted for storage systems
    • G06F3/0602—Interfaces specially adapted for storage systems specifically adapted to achieve a particular effect
    • G06F3/0614—Improving the reliability of storage systems
    • G06F3/0616—Improving the reliability of storage systems in relation to life time, e.g. increasing Mean Time Between Failures [MTBF]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
    • G06F3/0601—Interfaces specially adapted for storage systems
    • G06F3/0628—Interfaces specially adapted for storage systems making use of a particular technique
    • G06F3/0638—Organizing or formatting or addressing of data
    • G06F3/0644—Management of space entities, e.g. partitions, extents, pools
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
    • G06F3/0601—Interfaces specially adapted for storage systems
    • G06F3/0668—Interfaces specially adapted for storage systems adopting a particular infrastructure
    • G06F3/0671—In-line storage system
    • G06F3/0673—Single storage device
    • G06F3/0674—Disk device
    • 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

本发明涉及一种服务器硬盘剩余使用时间的预测方法、系统及存储介质，所述的预测方法包括以下步骤：S1：样本收集的步骤，收集一组已知寿命的硬盘，获取该组硬盘的样本数据；S2：根据收集到的样本数据，构建计算模型；S3：通过计算模型计算未知的硬盘剩余使用寿命；S4：根据硬盘的剩余使用寿命判断是否需要更换硬盘，如果硬盘的剩余使用寿命低于安全阈值，则进行硬盘更换。

Description

服务器硬盘剩余使用时间的预测方法、系统及存储介质
技术领域
本发明属于服务器硬盘预测技术领域，具体涉及一种服务器硬盘剩余使用时间的预测方法、系统及存储介质。
背景技术
服务器作为日趋智能化社会的重要组成部分，在各个行业的发展过程中起到不可或缺的作用，为各个行业提供数据存储和数据计算的保障。
随着技术的发展，云计算与大数据技术越来越成熟，对数据存储的需求也日趋庞大。多数服务器使用者都选择批量部署多台文件服务器来存储海量数据。在这种场景下，硬盘便成为了易损耗的硬件。如果不及时监测和预警硬盘的寿命状况,将有可能因硬盘寿命用尽而造成数据丢失。此为现有技术中存在的缺陷和不足。
有鉴于此，本申请提供一种服务器硬盘剩余使用时间的预测方法、系统及存储介质，以解决现有技术中存在的缺陷和不足，是非常有必要的。
发明内容
针对现有技术中存在的无法及时准确监测和预警硬盘的寿命状况,导致硬盘寿命用尽而造成数据丢失的技术问题，本发明提供一种服务器硬盘剩余使用时间的预测方法、系统及存储介质，以解决上述技术问题。
第一方面，本发明提供一种服务器硬盘剩余使用时间的预测方法，包括以下步骤：
S 1：样本收集的步骤，收集一组已知寿命的硬盘，获取该组硬盘的样本数据；
S2：根据收集到的样本数据，构建计算模型；
S3：通过计算模型计算未知的硬盘剩余使用寿命；
S4：根据硬盘的剩余使用寿命判断是否需要更换硬盘，如果硬盘的剩余使用寿命低于安全阈值，则进行硬盘更换。
作为优选，所述步骤S1中，硬盘的样本数据包括：
硬盘内存容量，内存容量过小会造成硬盘读写频繁，容易引起机械故障；
硬盘的日均上传及下载总流量，硬盘的读写次数是造成硬盘损耗的关键因素，若服务器被配置为存储服务器，需要经常进行文件读写，硬盘的寿命将会显著缩短；
硬盘月均移动次数和冷关机次数，硬盘在高速运转时进行移动或者冷关机极易损坏磁道，而坏道会扩散，出现坏道的硬盘寿命将会相应缩短。采用上述参数作为样本，能够直接影响硬盘的使用寿命；确保构建的计算模型更加准确。
作为优选，所述步骤S2中，通过以下步骤构建计算模型：
记：X1代表硬盘内存容量，X2代表硬盘的日均上传及下载总流量，X3代表硬盘月均移动次数和冷关机次数的总次数；
定义总使用时长函数为H(X)，
H(X)＝θ0+θ1X1+θ2X2 -1+θ3X3 -1；
其中，θ指代权重，θ0、θ1、θ2、θ3为每个分量的权重；
定义损失函数为J(θ)，
Figure GDA0003641520730000021
其中，m代表取样硬盘的数量，Y代表取样硬盘的剩余使用时间；X0为常数1；
采取批量梯度下降算法获取θ取值，具体步骤如下：
依次求出损失函数对每个θ的偏导数，组成梯度向量；例如J(θ)对θ1的偏导数为
Figure GDA0003641520730000031
初始化参数θ，得到相应的损失和梯度向量；
对θ进行随机取值，假设θi第一次全部取0，即θ0＝<0，0，0，0>，将θ0与样本矩阵中的数据X带入损失函数和梯度向量公式中，分别计算出损失和梯度向量；
根据梯度下降步长，进行梯度下降迭代；
随机设定一个步长，例α＝0.05，对θ0进行梯度下降得到θ1，的计算公式为
Figure GDA0003641520730000032
将θ1代回到损失函数和梯度向量公式中计算出新的损失和梯度向量，依次类推，逐步计算出θn的损失和梯度向量；
在迭代过程中，若发现θn的损失大于θn-1的损失，则说明步长选取大了，可能跨过了最低点，此时应重新设定一个较小的步长，比如α＝0.04，重复上述步骤；
随着不断的梯度下降，梯度向量中的每个值都越来越接近0；设定一个梯度终止距离值ε，当梯度下降的距离都小于ε时，则迭代终止；此时的θ为最优参数；
将该最优θ参数作为公式H(X)＝θ0+θ1X1+θ2X2 -1+θ3X3 -1的参数，获取未知硬盘的使用寿命，继而得到硬盘剩余使用寿命。
第二方面，本发明提供一种服务器硬盘剩余使用时间的预测系统，包括：
样本收集模块，收集一组已知寿命的硬盘，获取该组硬盘的样本数据；
构建计算模型模块，根据收集到的样本数据，构建计算模型；
未知硬盘剩余使用寿命获取模块，通过计算模型计算未知的硬盘剩余使用寿命；
更换硬盘模块，根据硬盘的剩余使用寿命判断是否需要更换硬盘，如果硬盘的剩余使用寿命低于安全阈值，则进行硬盘更换。
作为优选，所述样本收集模块中，硬盘的样本数据包括：
硬盘内存容量，内存容量过小会造成硬盘读写频繁，容易引起机械故障；
硬盘的日均上传及下载总流量，硬盘的读写次数是造成硬盘损耗的关键因素，若服务器被配置为存储服务器，需要经常进行文件读写，硬盘的寿命将会显著缩短；
硬盘月均移动次数和冷关机次数，硬盘在高速运转时进行移动或者冷关机极易损坏磁道，而坏道会扩散，出现坏道的硬盘寿命将会相应缩短。采用上述参数作为样本，能够直接影响硬盘的使用寿命；确保构建的计算模型更加准确。
作为优选，所述构建计算模型模块中，通过以下方式构建计算模型：
记：X1代表硬盘内存容量，X2代表硬盘的日均上传及下载总流量，X3代表硬盘月均移动次数和冷关机次数的总次数；
定义总使用时长函数为H(X)，
H(X)＝θ0+θ1X1+θ2X2 -1+θ3X3 -1；
其中，θ指代权重，θ0、θ1、θ2、θ3为每个分量的权重；
定义损失函数为J(θ)，
Figure GDA0003641520730000051
其中，m代表取样硬盘的数量，Y代表取样硬盘的剩余使用时间；X0为常数1；
采取批量梯度下降算法获取θ取值，具体步骤如下：
依次求出损失函数对每个θ的偏导数，组成梯度向量；例如J(θ)对θ1的偏导数为
Figure GDA0003641520730000052
初始化参数θ，得到相应的损失和梯度向量；
对θ进行随机取值，假设θi第一次全部取0，即θ0＝<0，0，0，0>，将θ0与样本矩阵中的数据X带入损失函数和梯度向量公式中，分别计算出损失和梯度向量；
根据梯度下降步长，进行梯度下降迭代；
随机设定一个步长，例α＝0.05，对θ0进行梯度下降得到θ1 ，的计算公式为
Figure GDA0003641520730000053
将θ1代回到损失函数和梯度向量公式中计算出新的损失和梯度向量，依次类推，逐步计算出θn的损失和梯度向量；
在迭代过程中，若发现θn的损失大于θn-1的损失，则说明步长选取大了，可能跨过了最低点，此时应重新设定一个较小的步长，比如α＝0.04，重复上述步骤；
随着不断的梯度下降，梯度向量中的每个值都越来越接近0；设定一个梯度终止距离值ε，当梯度下降的距离都小于ε时，则迭代终止；此时的θ为最优参数；
将该最优θ参数作为公式H(X)＝θ0+θ1X1+θ2X2 -1+θ3X3 -1的参数，获取未知硬盘的使用寿命，继而得到硬盘剩余使用寿命。
第三方面，提供了一种计算机存储介质，所述计算机存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述第一方面所述的方法。
本发明的有益效果在于，针对不同的运维场景进行较为精确的硬盘剩余使用时间预测，在运维场景转变后能实时更新寿命预警，使运维人员能够及时备份数据，修复或更新硬盘等，规避数据丢失的风险；同时能更好的对硬盘的采购进行规划，有助于节约成本。此外，本发明设计原理可靠，结构简单，具有非常广泛的应用前景。
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，对于本领域普通技术人员而言，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附图。
图1是本发明提供的一种服务器硬盘剩余使用时间的预测方法的流程图。
图2是本发明提供的一种服务器硬盘剩余使用时间的预测系统的原理框图。
其中，1-样本收集模块，2-构建计算模型模块，3-未知硬盘剩余使用寿命获取模块，4-更换硬盘模块。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
实施例1：
如图1所示，本实施例提供的一种服务器硬盘剩余使用时间的预测方法，包括以下步骤：
S 1：样本收集的步骤，收集一组已知寿命的硬盘，获取该组硬盘的样本数据；
S2：根据收集到的样本数据，构建计算模型；
S3：通过计算模型计算未知的硬盘剩余使用寿命；
S4：根据硬盘的剩余使用寿命判断是否需要更换硬盘，如果硬盘的剩余使用寿命低于安全阈值，则进行硬盘更换。
硬盘的样本数据包括：
硬盘内存容量，内存容量过小会造成硬盘读写频繁，容易引起机械故障；
硬盘的日均上传及下载总流量，硬盘的读写次数是造成硬盘损耗的关键因素，若服务器被配置为存储服务器，需要经常进行文件读写，硬盘的寿命将会显著缩短；
硬盘月均移动次数和冷关机次数，硬盘在高速运转时进行移动或者冷关机极易损坏磁道，而坏道会扩散，出现坏道的硬盘寿命将会相应缩短。采用上述参数作为样本，能够直接影响硬盘的使用寿命；确保构建的计算模型更加准确。
所述步骤S2中，通过以下步骤构建计算模型：
记：X1代表硬盘内存容量，X2代表硬盘的日均上传及下载总流量，X3代表硬盘月均移动次数和冷关机次数的总次数；
定义总使用时长函数为H(X)，
H(X)＝θ0+θ1X1+θ2X2 -1+θ3X3 -1；
其中，θ指代权重，θ0、θ1、θ2、θ3为每个分量的权重；
定义损失函数为J(θ)，
Figure GDA0003641520730000081
其中，m代表取样硬盘的数量，Y代表取样硬盘的剩余使用时间；X0为常数1；
采取批量梯度下降算法获取θ取值，具体步骤如下：
依次求出损失函数对每个θ的偏导数，组成梯度向量；例如J(θ)对θ1的偏导数为
Figure GDA0003641520730000082
初始化参数θ，得到相应的损失和梯度向量；
对θ进行随机取值，假设θi第一次全部取0，即θ0＝<0，0，0，0>，将θ0与样本矩阵中的数据X带入损失函数和梯度向量公式中，分别计算出损失和梯度向量；
根据梯度下降步长，进行梯度下降迭代；
随机设定一个步长，例α＝0.05，对θ0进行梯度下降得到θ1 ，的计算公式为
Figure GDA0003641520730000091
将θ1代回到损失函数和梯度向量公式中计算出新的损失和梯度向量，依次类推，逐步计算出θn的损失和梯度向量；
在迭代过程中，若发现θn的损失大于θn-1的损失，则说明步长选取大了，可能跨过了最低点，此时应重新设定一个较小的步长，比如α＝0.04，重复上述步骤；
随着不断的梯度下降，梯度向量中的每个值都越来越接近0；设定一个梯度终止距离值ε，当梯度下降的距离都小于ε时，则迭代终止；此时的θ为最优参数；
将该最优θ参数作为公式H(X)＝θ0+θ1X1+θ2X2 -1+θ3X3 -1的参数，获取未知硬盘的使用寿命，继而得到硬盘剩余使用寿命。
实施例2：
如图2所示，本实施例提供的一种服务器硬盘剩余使用时间的预测系统，包括：
样本收集模块1，收集一组已知寿命的硬盘，获取该组硬盘的样本数据；
构建计算模型模块2，根据收集到的样本数据，构建计算模型；
未知硬盘剩余使用寿命获取模块3，通过计算模型计算未知的硬盘剩余使用寿命；
更换硬盘模块4，根据硬盘的剩余使用寿命判断是否需要更换硬盘，如果硬盘的剩余使用寿命低于安全阈值，则进行硬盘更换。
硬盘的样本数据包括：
硬盘内存容量，内存容量过小会造成硬盘读写频繁，容易引起机械故障；
硬盘的日均上传及下载总流量，硬盘的读写次数是造成硬盘损耗的关键因素，若服务器被配置为存储服务器，需要经常进行文件读写，硬盘的寿命将会显著缩短；
硬盘月均移动次数和冷关机次数，硬盘在高速运转时进行移动或者冷关机极易损坏磁道，而坏道会扩散，出现坏道的硬盘寿命将会相应缩短。采用上述参数作为样本，能够直接影响硬盘的使用寿命；确保构建的计算模型更加准确。
所述构建计算模型模块中，通过以下方式构建计算模型：
记：X1代表硬盘内存容量，X2代表硬盘的日均上传及下载总流量，X3代表硬盘月均移动次数和冷关机次数的总次数；
定义总使用时长函数为H(X)，
H(X)＝θ0+θ1X1+θ2X2 -1+θ3X3 -1；
其中，θ指代权重，θ0、θ1、θ2、θ3为每个分量的权重；
定义损失函数为J(θ)，
Figure GDA0003641520730000101
其中，m代表取样硬盘的数量，Y代表取样硬盘的剩余使用时间；X0为常数1；
采取批量梯度下降算法获取θ取值，具体步骤如下：
依次求出损失函数对每个θ的偏导数，组成梯度向量；例如J(θ)对θ1的偏导数为
Figure GDA0003641520730000102
初始化参数θ，得到相应的损失和梯度向量；
对θ进行随机取值，假设θi第一次全部取0，即θ0＝<0，0，0，0>，将θ0与样本矩阵中的数据X带入损失函数和梯度向量公式中，分别计算出损失和梯度向量；
根据梯度下降步长，进行梯度下降迭代；
随机设定一个步长，例α＝0.05，对θ0进行梯度下降得到θ1 ，的计算公式为
Figure GDA0003641520730000111
将θ1代回到损失函数和梯度向量公式中计算出新的损失和梯度向量，依次类推，逐步计算出θn的损失和梯度向量；
在迭代过程中，若发现θn的损失大于θn-1的损失，则说明步长选取大了，可能跨过了最低点，此时应重新设定一个较小的步长，比如α＝0.04，重复上述步骤；
随着不断的梯度下降，梯度向量中的每个值都越来越接近0；设定一个梯度终止距离值ε，当梯度下降的距离都小于ε时，则迭代终止；此时的θ为最优参数；
将该最优θ参数作为公式H(X)＝θ0+θ1X1+θ2X2 -1+θ3X3 -1的参数，获取未知硬盘的使用寿命，继而得到硬盘剩余使用寿命。
实施例3：
本实施例提供了一种计算机存储介质，所述计算机存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例1所述的方法。
尽管通过参考附图并结合优选实施例的方式对本发明进行了详细描述，但本发明并不限于此。在不脱离本发明的精神和实质的前提下，本领域普通技术人员可以对本发明的实施例进行各种等效的修改或替换，而这些修改或替换都应在本发明的涵盖范围内/任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (3)

1.一种服务器硬盘剩余使用时间的预测方法，其特征在于，包括以下步骤：
S1：样本收集的步骤，收集一组已知寿命的硬盘，获取该组硬盘的样本数据；
S2：根据收集到的样本数据，构建计算模型；
S3：通过计算模型计算未知的硬盘剩余使用寿命；
S4：根据硬盘的剩余使用寿命判断是否需要更换硬盘，如果硬盘的剩余使用寿命低于安全阈值，则进行硬盘更换；
所述步骤S1中，硬盘的样本数据包括：
硬盘内存容量，硬盘的日均上传及下载总流量，硬盘月均移动次数和冷关机次数；
所述步骤S2中，通过以下步骤构建计算模型：
记：X1代表硬盘内存容量，X2代表硬盘的日均上传及下载总流量，X3代表硬盘月均移动次数和冷关机次数的总次数；
定义总使用时长函数为H(X)，
H(X)＝θ0+θ1X1+θ2X2 -1+θ3X3 -1；
其中，θ指代权重，θ0、θ1、θ2、θ3为每个分量的权重；
定义损失函数为J(θ)，
Figure FDA0003641520720000011
其中，m代表取样硬盘的数量，Y代表取样硬盘的剩余使用时间；X0为常数1；
采取批量梯度下降算法获取θ取值，具体步骤如下：
依次求出损失函数对每个θ的偏导数，组成梯度向量；
初始化参数θ，得到相应的损失和梯度向量；
对θ进行随机取值，将θ0与样本矩阵中的数据X带入损失函数和梯度向量公式中，分别计算出损失和梯度向量；
根据梯度下降步长，进行梯度下降迭代；
设定一个梯度终止距离值ε，当梯度下降的距离都小于ε时，则迭代终止；此时的θ为最优参数；
将该最优参数θ 作为公式H(X)＝θ0+θ1X1+θ2X2 -1+θ3X3 -1的参数，获取未知硬盘的使用寿命，继而得到硬盘剩余使用寿命。
2.一种服务器硬盘剩余使用时间的预测系统，其特征在于，包括：
样本收集模块，收集一组已知寿命的硬盘，获取该组硬盘的样本数据；
构建计算模型模块，根据收集到的样本数据，构建计算模型；
未知硬盘剩余使用寿命获取模块，通过计算模型计算未知的硬盘剩余使用寿命；
更换硬盘模块，根据硬盘的剩余使用寿命判断是否需要更换硬盘，如果硬盘的剩余使用寿命低于安全阈值，则进行硬盘更换；
所述样本收集模块中，硬盘的样本数据包括：
硬盘内存容量，硬盘的日均上传及下载总流量，硬盘月均移动次数和冷关机次数；
所述构建计算模型模块中，通过以下方式构建计算模型：
记：X1代表硬盘内存容量，X2代表硬盘的日均上传及下载总流量，X3代表硬盘月均移动次数和冷关机次数的总次数；
定义总使用时长函数为H(X)，
H(X)＝θ0+θ1X1+θ2X2 -1+θ3X3 -1；
其中，θ指代权重，θ0、θ1、θ2、θ3为每个分量的权重；
定义损失函数为J(θ)，
Figure FDA0003641520720000031
其中，m代表取样硬盘的数量，Y代表取样硬盘的剩余使用时间；X0为常数1；
采取批量梯度下降算法获取θ取值，具体步骤如下：
依次求出损失函数对每个θ的偏导数，组成梯度向量；
初始化参数θ，得到相应的损失和梯度向量；
对θ进行随机取值，将θ0与样本矩阵中的数据X带入损失函数和梯度向量公式中，分别计算出损失和梯度向量；
根据梯度下降步长，进行梯度下降迭代；
设定一个梯度终止距离值ε，当梯度下降的距离都小于ε时，则迭代终止；此时的θ为最优参数；
将该最优参数θ 作为公式H(X)＝θ0+θ1X1+θ2X2 -1+θ3X3 -1的参数，获取未知硬盘的使用寿命，继而得到硬盘剩余使用寿命。
3.一种计算机存储介质，其特征在于，所述计算机存储介质中存储有指令，当其在计算机上运行时，使得计算机执行权利要求1所述的方法。
CN202010476061.0A 2020-05-29 2020-05-29 服务器硬盘剩余使用时间的预测方法、系统及存储介质 Active CN111736768B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010476061.0A CN111736768B (zh) 2020-05-29 2020-05-29 服务器硬盘剩余使用时间的预测方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010476061.0A CN111736768B (zh) 2020-05-29 2020-05-29 服务器硬盘剩余使用时间的预测方法、系统及存储介质

Publications (2)

Publication Number Publication Date
CN111736768A CN111736768A (zh) 2020-10-02
CN111736768B true CN111736768B (zh) 2022-07-08

Family

ID=72647956

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010476061.0A Active CN111736768B (zh) 2020-05-29 2020-05-29 服务器硬盘剩余使用时间的预测方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN111736768B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113688564B (zh) * 2021-07-30 2024-02-27 济南浪潮数据技术有限公司 一种预测ssd硬盘剩余寿命的方法、装置、终端及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109558287A (zh) * 2018-12-13 2019-04-02 腾讯科技（深圳）有限公司 一种固态硬盘寿命预测方法、装置和系统
CN110413227A (zh) * 2019-06-22 2019-11-05 华中科技大学 一种硬盘设备的剩余使用寿命在线预测方法和系统
CN110413430A (zh) * 2019-07-19 2019-11-05 苏州浪潮智能科技有限公司 一种固态硬盘的寿命预测方法、装置及设备

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109558287A (zh) * 2018-12-13 2019-04-02 腾讯科技（深圳）有限公司 一种固态硬盘寿命预测方法、装置和系统
CN110413227A (zh) * 2019-06-22 2019-11-05 华中科技大学 一种硬盘设备的剩余使用寿命在线预测方法和系统
CN110413430A (zh) * 2019-07-19 2019-11-05 苏州浪潮智能科技有限公司 一种固态硬盘的寿命预测方法、装置及设备

Also Published As

Publication number Publication date
CN111736768A (zh) 2020-10-02

Similar Documents

Publication Publication Date Title
CN110413227B (zh) 一种硬盘设备的剩余使用寿命在线预测方法和系统
CN109828869B (zh) 预测硬盘故障发生时间的方法、装置及存储介质
CN104281779A (zh) 一种异常数据判定与处理方法及装置
CN113486420B (zh) 水库大坝岸坡稳定性监测方法、装置、设备及介质
CN111736768B (zh) 服务器硬盘剩余使用时间的预测方法、系统及存储介质
CN109684320B (zh) 监测数据在线清洗的方法和设备
CN111669123A (zh) 用于对光伏组串进行故障诊断的方法和装置
Tang et al. Rolling bearing remaining useful life prediction via weight tracking relevance vector machine
CN114487856A (zh) 换电站电池的热失控预警方法及系统
CN113030761A (zh) 一种超大规模储能电站电池健康状态的评估方法及系统
CN117096504A (zh) 温度控制方法及装置、设备、存储介质
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
CN114594398A (zh) 储能锂离子电池数据预处理方法
WO2007019004A2 (en) System and method for performing reliability analysis
CN113836822A (zh) 一种基于mclstm模型的航空发动机寿命预测方法
CN116879763A (zh) 一种基于卡尔曼滤波算法的电池故障预警方法
CN110543108A (zh) 基于机理模型预测的供热系统测量数据的校正方法及系统
CN116631487A (zh) 基于长短期记忆网络模型的固态硬盘寿命预测方法、装置、终端及介质
CN113127274A (zh) 磁盘故障预测方法、装置、设备及计算机存储介质
CN116627757A (zh) 一种基于人工智能的集成数据数字化分析存储系统及方法
CN115759470A (zh) 一种基于机器学习的航班飞行全过程燃油消耗预测方法
CN109884548A (zh) 一种基于gasvm-aukf算法的锂电池剩余寿命预测方法
CN115684792A (zh) 一种基于人工智能的电气自动化设备检测系统
CN111625525A (zh) 一种环境数据修复/填充方法及系统
CN115114770B (zh) 一种基线自适应的辅助动力装置性能趋势分析方法

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
GR01 Patent grant
GR01 Patent grant