CN111858108B - 一种硬盘故障预测方法、装置、电子设备和存储介质 - Google Patents

一种硬盘故障预测方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN111858108B
CN111858108B CN202010578808.3A CN202010578808A CN111858108B CN 111858108 B CN111858108 B CN 111858108B CN 202010578808 A CN202010578808 A CN 202010578808A CN 111858108 B CN111858108 B CN 111858108B
Authority
CN
China
Prior art keywords
data
attribute
smart
day
hard disk
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
CN202010578808.3A
Other languages
English (en)
Other versions
CN111858108A (zh
Inventor
章晓晓
王美娟
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.)
New H3C Technologies Co Ltd
Original Assignee
New H3C Technologies 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 New H3C Technologies Co Ltd filed Critical New H3C Technologies Co Ltd
Priority to CN202010578808.3A priority Critical patent/CN111858108B/zh
Publication of CN111858108A publication Critical patent/CN111858108A/zh
Application granted granted Critical
Publication of CN111858108B publication Critical patent/CN111858108B/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
    • G06F11/008—Reliability or availability analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0706—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment
    • G06F11/0727—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment in a storage system, e.g. in a DASD or network based storage system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本申请提供了一种硬盘故障预测方法、装置、电子设备及存储介质，该方法包括：获取多个硬盘在第一时间段内的监控数据，将监控数据划分为正样本数据和负样本数据；分别删除这些数据包括的SMART属性数据中在第一时间段内未发生变化的SMART属性；针对删除后的每条数据，将其包括的SMART属性数据、确定出的变化评估信息、以及根据SMART属性数据中的指定SMART属性汇总出的故障反映属性，确定为特征数据；基于SMOTE算法，对正、负样本特征数据进行均衡处理；将处理后的数据作为训练数据输入至初始Xgboost模型进行训练，利用训练好的Xgboost模型对目标硬盘进行故障预测。本申请可提高硬盘故障预测的准确率。

Description

一种硬盘故障预测方法、装置、电子设备和存储介质
技术领域
本申请涉及计算机技术领域，特别涉及一种硬盘故障预测方法、装置、电子设备和存储介质。
背景技术
随着大数据时代的到来，全球数据总量大幅增加，大型数据中心在人们的日常生活中起到了越来越重要的作用。磁盘作为信息的主要存储载体，发挥着不容忽视的作用。而磁盘很容易受到软件或者硬件故障的影响，一旦磁盘发生故障，将可能导致用户数据丢失或损坏，给用户造成巨大的损失。
目前，通常基于自我监测分析及报告技术(Self-Monitoring Analysis andReporting Technology，简称SMART)对硬盘进行故障预测。通过对硬盘的各项指标信息进行监控并与硬盘厂商所设定的安全阈值进行比较，若超出阈值就自动向用户做出警告。但是基于阈值的故障预测方式太过简单，准确率较低且无法提前预测磁盘故障。
发明内容
为克服相关技术中存在的问题，本申请提供了一种硬盘故障预测方法、装置、电子设备和存储介质。
根据本申请实施例的第一方面，提供一种硬盘故障预测方法，所述方法包括：
获取多个硬盘在第一时间段内的监控数据，并将所述监控数据划分为正样本数据和负样本数据，其中，每条监控数据包括SMART属性数据，所述正样本数据为故障盘的监控数据，所述负样本数据为非故障盘的监控数据；
分别删除所述正样本数据和负样本数据包括的SMART属性数据中在所述第一时间段内未发生变化的SMART属性；
针对删除后的每条数据，将该条数据包括的SMART属性数据、根据该条数据包括的SMART属性数据确定出的用于表征每个SMART属性的属性值在第二时间段内的变化程度的变化评估信息、以及根据该条数据包括的SMART属性数据中的指定SMART属性汇总出的故障反映属性，确定为特征数据；
基于SMOTE算法，对正样本特征数据和负样本特征数据进行均衡处理；
将处理后的数据作为训练数据输入至初始Xgboost模型进行训练，并利用训练好的Xgboost模型对目标硬盘进行故障预测。
根据本申请实施例的第二方面，提供一种硬盘故障预测装置，包括：
数据处理模块，用于获取多个硬盘在第一时间段内的监控数据，并将所述监控数据划分为正样本数据和负样本数据，其中，每条监控数据包括SMART属性数据，所述正样本数据为故障盘的监控数据，所述负样本数据为非故障盘的监控数据；
特征确定模块，用于分别删除所述正样本数据和负样本数据包括的SMART属性数据中在所述第一时间段内未发生变化的SMART属性；
针对删除后的每条数据，将该条数据包括的SMART属性数据、根据该条数据包括的SMART属性数据确定出的用于表征每个SMART属性的属性值在第二时间段内的变化程度的变化评估信息、以及根据该条数据包括的SMART属性数据中的指定SMART属性汇总出的故障反映属性，确定为特征数据；
均衡处理模块，用于基于SMOTE算法，对正样本特征数据和负样本特征数据进行均衡处理；
训练模块，用于将处理后的数据作为训练数据输入至初始Xgboost模型进行训练，并利用训练好的Xgboost模型对目标硬盘进行故障预测。
根据本申请实施例的第三方面，提供一种电子设备，包括处理器和机器可读存储介质，所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令，所述处理器被所述机器可执行指令促使：实现上述硬盘故障预测方法的步骤。
根据本申请实施例的第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述硬盘故障预测方法的步骤。
本申请的实施例提供的技术方案可以包括以下有益效果：
本申请实施例中，在确定样本特征数据时，综合了历史监控数据，新增了几种与硬盘的健康状态密切相关的特征信息，并将确定出的特征数据作为训练数据，输入至性能优于现有方案的Xgboost模型进行训练，并利用训练好的Xgboost模型对目标硬盘进行故障预测，进而提高了故障预测的准确率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本申请的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1为本申请实施例提供的一种硬盘故障预测方法的流程示意图；
图2为本申请实施例提供的一种硬盘故障预测装置的结构示意图；
图3为本申请实施例提供的电子设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
接下来对本申请实施例进行详细说明。
本申请实施例提供了一种硬盘故障预测方法，如图1所示，可以包括如下步骤：
S11、获取多个硬盘在第一时间段内的监控数据，并将监控数据划分为正样本数据和负样本数据。
其中，每条监控数据包括SMART属性数据，还包括采样时间、硬盘型号、硬盘序列号、存储容量等；上述正样本数据为故障盘的监控数据，上述负样本数据为非故障盘的监控数据。
S12、分别删除正样本数据和负样本数据包括的SMART属性数据中在第一时间段内未发生变化的SMART属性。
S13、针对删除后的每条数据，将该条数据包括的SMART属性数据、根据该条数据包括的SMART属性数据确定出的用于表征每个SMART属性的属性值在第二时间段内的变化程度的变化评估信息、以及根据该条数据包括的SMART属性数据中的指定SMART属性汇总出的故障反映属性，确定为特征数据。
S14、基于少数类合成过采样技术(Synthetic Minority OversamplingTechnique，SMOTE)算法，对正样本特征数据和负样本特征数据进行均衡处理。
S15、将处理后的数据作为训练数据输入至初始Xgboost模型进行训练，并利用训练好的Xgboost模型对目标硬盘进行故障预测。
需要说明的是，在本申请实施例中，上述方法的执行主体可以是存储设备。
具体地，在上述步骤S11中，可以通过以下方式将监控数据划分为正样本数据和负样本数据：
将每个硬盘在第一时间段内的监控数据中标记有硬盘故障的监控数据，以及在标记有硬盘故障的监控数据所包括的采样时间之前的第三时间段内的监控数据，确定为正样本数据；
将每个硬盘在第一时间段内的监控数据中除正样本数据之外的监控数据，确定为负样本数据。
在这种划分方式中，将硬盘发生故障的前第三时间段内的监控数据归为正样本数据，综合考虑了历史数据，以提高硬盘故障预测的准确率。这里的第一时间段和第二时间段可以根据实际情况或者经验值设置，第一时间段大于第二时间段。
不管是正样本数据，还是负样本数据，均可以按硬盘序列号分组，每组可以按照采样时间的先后顺序进行排序，对于SMART属性的属性值有空缺的，用0进行填充，以方便后续进行相关模型的训练。
在本申请实施例中，之所以执行上述步骤S12，主要是考虑到属性值不发生变化的SMART属性，一般对硬盘的健康状态的影响较小，可以忽略不计，以精准地提取特征数据。
具体地，在上述步骤S13中，第二时间段为n天，n的取值为正整数；
可以通过以下方式确定用于表征每个SMART属性的属性值在第二时间段内的变化程度的变化评估信息：
通过以下公式一计算SMART属性A在第i天的属性值与在第i天的前j天的属性值的差异值：
公式一：Achange＝|Ai-Ai-j|
其中，SMART属性A为该条数据包括的SMART属性数据中的任一SMART属性，j＝1,2，…，n；
Achange为SMART属性A在第i天的属值与在第i天的前j天的属性值的差异值；
Ai为SMART属性A在第i天的属性值；
Ai-j为SMART属性A在第i天的前j天的属性值；
通过以下公式二计算SMART属性A在第i天的前n天内的属性值的方差：
公式二：
其中，Var(A)为SMART属性A在第i天的前n天内的属性值的方差，j＝1,2，…，n；
Ai-j为SMART属性A在第i天的前j天的属性值；
μ是SMART属性A在第i天的前n天内的属性值的平均值。
另外，在上述步骤S13中，指定SMART属性为用于表征错误率的SMART属性；故障反映属性的属性值为指定SMART属性的属性值之和。
需要说明的是，在本申请实施例中，考虑到硬盘的健康状态不仅与删除后的某条数据中当前的SMART属性相关，还和当前的SMART属性的历史状态相关，所以新增上述3个特征维度作为特征数据的一部分，以进一步提高硬盘故障预测的准确率。
具体地，对于上述步骤S14，具体的均衡处理过程为现有技术，在此不再详述。
对于上述步骤S15，将训练数据作为输入参数输入至初始Xgboost模型进行训练，不断调整Xgboost模型的参数，直到收敛。后续使用训练好的Xgboost模型对目标硬盘进行故障预测，以准确地预测出目标硬盘是正常还是故障。
由以上技术方案可以看出，本申请实施例中，在确定样本特征数据时，综合了历史监控数据，新增了几种与硬盘的健康状态密切相关的特征信息，并将确定出的特征数据作为训练数据，输入至性能优于现有方案的Xgboost模型进行训练，并利用训练好的Xgboost模型对目标硬盘进行故障预测，进而提高了故障预测的准确率。
基于同一发明构思，本申请还提供了一种硬盘故障预测装置，其结构示意图如图2所示，具体包括：
数据处理模块21，用于获取多个硬盘在第一时间段内的监控数据，并将所述监控数据划分为正样本数据和负样本数据，其中，每条监控数据包括SMART属性数据，所述正样本数据为故障盘的监控数据，所述负样本数据为非故障盘的监控数据；
特征确定模块22，用于分别删除所述正样本数据和负样本数据包括的SMART属性数据中在所述第一时间段内未发生变化的SMART属性；
针对删除后的每条数据，将该条数据包括的SMART属性数据、根据该条数据包括的SMART属性数据确定出的用于表征每个SMART属性的属性值在第二时间段内的变化程度的变化评估信息、以及根据该条数据包括的SMART属性数据中的指定SMART属性汇总出的故障反映属性，确定为特征数据；
均衡处理模块23，用于基于SMOTE算法，对正样本特征数据和负样本特征数据进行均衡处理；
训练模块24，用于将处理后的数据作为训练数据输入至初始Xgboost模型进行训练，并利用训练好的Xgboost模型对目标硬盘进行故障预测。
优选地，数据处理模块21，具体用于：
将每个硬盘在所述第一时间段内的监控数据中标记有硬盘故障的监控数据，以及在标记有硬盘故障的监控数据所包括的采样时间之前的第三时间段内的监控数据，确定为正样本数据；
将每个硬盘在所述第一时间段内的监控数据中除正样本数据之外的监控数据，确定为负样本数据。
优选地，所述第二时间段为n天；
特征确定模块22，具体用于：
通过以下方式确定用于表征每个SMART属性的属性值在第二时间段内的变化程度的变化评估信息：
通过以下公式一计算SMART属性A在第i天的属性值与在第i天的前j天的属性值的差异值：
公式一：Achange＝|Ai-Ai-j|
其中，SMART属性A为该条数据包括的SMART属性数据中的任一SMART属性，j＝1,2，…，n；
Achange为SMART属性A在第i天的属性值与在第i天的前j天的属性值的差异值；
Ai为SMART属性A在第i天的属性值；
Ai-j为SMART属性A在第i天的前j天的属性值；
通过以下公式二计算SMART属性A在第i天的前n天内的属性值的方差：
公式二：
其中，Var(A)为SMART属性A在第i天的前n天内的属性值的方差，j＝1,2，…，n；
Ai-j为SMART属性A在第i天的前j天的属性值；
μ是SMART属性A在第i天的前n天内的属性值的平均值。
优选地，上述指定SMART属性为用于表征错误率的SMART属性；
上述故障反映属性的属性值为所述指定SMART属性的属性值之和。
由以上技术方案可以看出，本申请实施例中，在确定样本特征数据时，综合了历史监控数据，新增了几种与硬盘的健康状态密切相关的特征信息，并将确定出的特征数据作为训练数据，输入至性能优于现有方案的Xgboost模型进行训练，并利用训练好的Xgboost模型对目标硬盘进行故障预测，进而提高了故障预测的准确率。
本申请实施例还提供了一种电子设备，如图3所示，包括处理器31和机器可读存储介质32，所述机器可读存储介质32存储有能够被所述处理器31执行的机器可执行指令，所述处理器31被所述机器可执行指令促使：实现上述硬盘故障预测方法的步骤。
上述的机器可读存储介质可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，机器可读存储介质还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本申请提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述硬盘故障预测方法的步骤。
以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。

Claims (6)

1.一种硬盘故障预测方法，其特征在于，所述方法包括：
获取多个硬盘在第一时间段内的监控数据，并将所述监控数据划分为正样本数据和负样本数据，其中，每条监控数据包括SMART属性数据，所述正样本数据为故障盘的监控数据，所述负样本数据为非故障盘的监控数据；
分别删除所述正样本数据和负样本数据包括的SMART属性数据中在所述第一时间段内未发生变化的SMART属性；
针对删除后的每条数据，将该条数据包括的SMART属性数据、根据该条数据包括的SMART属性数据确定出的用于表征每个SMART属性的属性值在第二时间段内的变化程度的变化评估信息、以及根据该条数据包括的SMART属性数据中的指定SMART属性汇总出的故障反映属性，确定为特征数据；
基于少数类合成过采样技术SMOTE算法，对正样本特征数据和负样本特征数据进行均衡处理；
将处理后的数据作为训练数据输入至初始Xgboost模型进行训练，并利用训练好的Xgboost模型对目标硬盘进行故障预测；
所述第二时间段为n天；
通过以下方式确定用于表征每个SMART属性的属性值在第二时间段内的变化程度的变化评估信息：
通过以下公式一计算SMART属性A在第i天的属性值与在第i天的前j天的属性值的差异值：
公式一：Achange＝|Ai-Ai-j|
其中，SMART属性A为该条数据包括的SMART属性数据中的任一SMART属性，j＝1,2，…，n；
Achange为SMART属性A在第i天的属性值与在第i天的前j天的属性值的差异值；
Ai为SMART属性A在第i天的属性值；
Ai-j为SMART属性A在第i天的前j天的属性值；
通过以下公式二计算SMART属性A在第i天的前n天内的属性值的方差：
公式二：
其中，Var(A)为SMART属性A在第i天的前n天内的属性值的方差，j＝1,2，…，n；
Ai-j为SMART属性A在第i天的前j天的属性值；
μ是SMART属性A在第i天的前n天内的属性值的平均值；
将所述监控数据划分为正样本数据和负样本数据，具体包括：
将每个硬盘在所述第一时间段内的监控数据中标记有硬盘故障的监控数据，以及在标记有硬盘故障的监控数据所包括的采样时间之前的第三时间段内的监控数据，确定为正样本数据；
将每个硬盘在所述第一时间段内的监控数据中除正样本数据之外的监控数据，确定为负样本数据。
2.根据权利要求1所述的方法，其特征在于，所述指定SMART属性为用于表征错误率的SMART属性；
所述故障反映属性的属性值为所述指定SMART属性的属性值之和。
3.一种硬盘故障预测装置，其特征在于，所述装置包括：
数据处理模块，用于获取多个硬盘在第一时间段内的监控数据，并将所述监控数据划分为正样本数据和负样本数据，其中，每条监控数据包括SMART属性数据，所述正样本数据为故障盘的监控数据，所述负样本数据为非故障盘的监控数据；
特征确定模块，用于分别删除所述正样本数据和负样本数据包括的SMART属性数据中在所述第一时间段内未发生变化的SMART属性；
针对删除后的每条数据，将该条数据包括的SMART属性数据、根据该条数据包括的SMART属性数据确定出的用于表征每个SMART属性的属性值在第二时间段内的变化程度的变化评估信息、以及根据该条数据包括的SMART属性数据中的指定SMART属性汇总出的故障反映属性，确定为特征数据；
均衡处理模块，用于基于少数类合成过采样技术SMOTE算法，对正样本特征数据和负样本特征数据进行均衡处理；
训练模块，用于将处理后的数据作为训练数据输入至初始Xgboost模型进行训练，并利用训练好的Xgboost模型对目标硬盘进行故障预测；
所述第二时间段为n天；
所述特征确定模块，具体用于：
通过以下方式确定用于表征每个SMART属性的属性值在第二时间段内的变化程度的变化评估信息：
通过以下公式一计算SMART属性A在第i天的属性值与在第i天的前j天的属性值的差异值：
公式一：Achange＝|Ai-Ai-j|
其中，SMART属性A为该条数据包括的SMART属性数据中的任一SMART属性，j＝1,2，…，n；
Achange为SMART属性A在第i天的属性值与在第i天的前j天的属性值的差异值；
Ai为SMART属性A在第i天的属性值；
Ai-j为SMART属性A在第i天的前j天的属性值；
通过以下公式二计算SMART属性A在第i天的前n天内的属性值的方差：
公式二：
其中，Var(A)为SMART属性A在第i天的前n天内的属性值的方差，j＝1,2，…，n；
Ai-j为SMART属性A在第i天的前j天的属性值；
μ是SMART属性A在第i天的前n天内的属性值的平均值；
所述数据处理模块，具体用于：
将每个硬盘在所述第一时间段内的监控数据中标记有硬盘故障的监控数据，以及在标记有硬盘故障的监控数据所包括的采样时间之前的第三时间段内的监控数据，确定为正样本数据；
将每个硬盘在所述第一时间段内的监控数据中除正样本数据之外的监控数据，确定为负样本数据。
4.根据权利要求3所述的装置，其特征在于，所述指定SMART属性为用于表征错误率的SMART属性；
所述故障反映属性的属性值为所述指定SMART属性的属性值之和。
5.一种电子设备，其特征在于，包括处理器和机器可读存储介质，所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令，所述处理器被所述机器可执行指令促使：实现权利要求1或者权利要求2所述的方法步骤。
6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1或者权利要求2所述的方法步骤。
CN202010578808.3A 2020-06-23 2020-06-23 一种硬盘故障预测方法、装置、电子设备和存储介质 Active CN111858108B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010578808.3A CN111858108B (zh) 2020-06-23 2020-06-23 一种硬盘故障预测方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010578808.3A CN111858108B (zh) 2020-06-23 2020-06-23 一种硬盘故障预测方法、装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN111858108A CN111858108A (zh) 2020-10-30
CN111858108B true CN111858108B (zh) 2024-05-10

Family

ID=72988324

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010578808.3A Active CN111858108B (zh) 2020-06-23 2020-06-23 一种硬盘故障预测方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN111858108B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112199258A (zh) * 2020-11-13 2021-01-08 新华三大数据技术有限公司 一种磁盘监控的方法、装置、电子设备及介质
CN112395179B (zh) * 2020-11-24 2023-03-10 创新奇智(西安)科技有限公司 一种模型训练方法、磁盘预测方法、装置及电子设备
CN113591897A (zh) * 2021-05-28 2021-11-02 济南浪潮数据技术有限公司 一种监控数据异常的检测方法、装置、设备及可读介质
CN113656228A (zh) * 2021-08-16 2021-11-16 北京红山信息科技研究院有限公司 一种磁盘的故障检测方法、装置、计算机设备及存储介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8316263B1 (en) * 2004-11-08 2012-11-20 Western Digital Technologies, Inc. Predicting disk drive failure at a central processing facility using an evolving disk drive failure prediction algorithm
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
CN108073486A (zh) * 2017-12-28 2018-05-25 新华三大数据技术有限公司 一种硬盘故障的预测方法和装置
CN108959004A (zh) * 2018-06-28 2018-12-07 郑州云海信息技术有限公司 磁盘故障预测方法、装置、设备及计算机可读存储介质
CN108986869A (zh) * 2018-07-26 2018-12-11 南京群顶科技有限公司 一种使用多模型预测的磁盘故障检测方法
CN109491850A (zh) * 2018-11-21 2019-03-19 北京北信源软件股份有限公司 一种磁盘故障预测方法及装置
CN109669796A (zh) * 2018-12-20 2019-04-23 湖南快乐阳光互动娱乐传媒有限公司 一种磁盘故障的预测方法和装置
CN109828869A (zh) * 2018-12-05 2019-05-31 中兴通讯股份有限公司 预测硬盘故障发生时间的方法、装置及存储介质
CN110196792A (zh) * 2018-08-07 2019-09-03 腾讯科技（深圳）有限公司 故障预测方法、装置、计算设备及存储介质
CN110399237A (zh) * 2019-06-29 2019-11-01 苏州浪潮智能科技有限公司 一种磁盘故障预测方法、系统、终端及存储介质
CN111061581A (zh) * 2018-10-16 2020-04-24 阿里巴巴集团控股有限公司 一种故障检测方法、装置及设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11579951B2 (en) * 2018-09-27 2023-02-14 Oracle International Corporation Disk drive failure prediction with neural networks

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8316263B1 (en) * 2004-11-08 2012-11-20 Western Digital Technologies, Inc. Predicting disk drive failure at a central processing facility using an evolving disk drive failure prediction algorithm
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
CN108073486A (zh) * 2017-12-28 2018-05-25 新华三大数据技术有限公司 一种硬盘故障的预测方法和装置
CN108959004A (zh) * 2018-06-28 2018-12-07 郑州云海信息技术有限公司 磁盘故障预测方法、装置、设备及计算机可读存储介质
CN108986869A (zh) * 2018-07-26 2018-12-11 南京群顶科技有限公司 一种使用多模型预测的磁盘故障检测方法
CN110196792A (zh) * 2018-08-07 2019-09-03 腾讯科技（深圳）有限公司 故障预测方法、装置、计算设备及存储介质
CN111061581A (zh) * 2018-10-16 2020-04-24 阿里巴巴集团控股有限公司 一种故障检测方法、装置及设备
CN109491850A (zh) * 2018-11-21 2019-03-19 北京北信源软件股份有限公司 一种磁盘故障预测方法及装置
CN109828869A (zh) * 2018-12-05 2019-05-31 中兴通讯股份有限公司 预测硬盘故障发生时间的方法、装置及存储介质
CN109669796A (zh) * 2018-12-20 2019-04-23 湖南快乐阳光互动娱乐传媒有限公司 一种磁盘故障的预测方法和装置
CN110399237A (zh) * 2019-06-29 2019-11-01 苏州浪潮智能科技有限公司 一种磁盘故障预测方法、系统、终端及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Random-forest-based failure prediction for hard disk drives;Jing Shen.etc;web of science;20181231;全文 *
不平衡数据集下基于自适应加权Bagging-GBDT算法的磁盘故障预测模型;李新鹏;高欣;何杨;阎博;孙汉旭;李军良;徐建航;刘震宇;庞博;;微电子学与计算机;20200305(第03期);全文 *
基于"采集―预测―迁移―反馈"机制的主动容错技术;杨洪章;杨雅辉;屠要峰;孙广宇;吴中海;;计算机研究与发展;20200215(第02期);全文 *

Also Published As

Publication number Publication date
CN111858108A (zh) 2020-10-30

Similar Documents

Publication Publication Date Title
CN111858108B (zh) 一种硬盘故障预测方法、装置、电子设备和存储介质
CN108647136B (zh) 基于smart信息和深度学习的硬盘损坏预测方法及装置
Li et al. Hard drive failure prediction using decision trees
CN110413227B (zh) 一种硬盘设备的剩余使用寿命在线预测方法和系统
US11048729B2 (en) Cluster evaluation in unsupervised learning of continuous data
CN106897178B (zh) 一种基于极限学习机的慢盘检测方法及系统
WO2021238258A1 (zh) 一种磁盘故障预测方法和系统
CN110164501B (zh) 一种硬盘检测方法、装置、存储介质及设备
CN112433896B (zh) 一种服务器磁盘故障预测方法、装置、设备及存储介质
CN111459692B (zh) 用于预测驱动器故障的方法、设备和计算机程序产品
CN112596964B (zh) 磁盘故障的预测方法及装置
CN108919059A (zh) 一种电网故障诊断方法、装置、设备及可读存储介质
CN114943321A (zh) 一种针对硬盘的故障预测方法、装置及设备
CN112951311A (zh) 一种基于变权重随机森林的硬盘故障预测方法及系统
CN111984511B (zh) 一种基于二分类的多模型磁盘故障预测方法和系统
WO2022001125A1 (zh) 一种存储系统的存储故障预测方法、系统及装置
CN111176565A (zh) 确定应用的存储负载的方法和设备
CN109634790B (zh) 一种基于循环神经网络的磁盘故障预测方法
US20240283728A1 (en) Flow suppression prediction method, electronic device and storage medium
CN113837596A (zh) 一种故障确定方法、装置、电子设备及存储介质
CN117170915A (zh) 数据中心设备故障预测方法、装置和计算机设备
CN115964211A (zh) 一种根因定位方法、装置、设备和可读介质
CN110196792A (zh) 故障预测方法、装置、计算设备及存储介质
CN112433928A (zh) 一种存储设备的故障预测方法、装置、设备及存储介质
CN111949459A (zh) 一种基于迁移学习和主动学习的硬盘故障预测方法及系统

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