CN113778797A - 机械硬盘监测方法、装置、计算机设备和存储介质 - Google Patents

机械硬盘监测方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN113778797A
CN113778797A CN202111005303.9A CN202111005303A CN113778797A CN 113778797 A CN113778797 A CN 113778797A CN 202111005303 A CN202111005303 A CN 202111005303A CN 113778797 A CN113778797 A CN 113778797A
Authority
CN
China
Prior art keywords
hard disk
monitoring data
mechanical hard
hardware monitoring
fault
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.)
Pending
Application number
CN202111005303.9A
Other languages
English (en)
Inventor
孟苓辉
候波
周振威
时林林
何世烈
刘俊斌
俞鹏飞
张诚权
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.)
China Electronic Product Reliability and Environmental Testing Research Institute
Original Assignee
China Electronic Product Reliability and Environmental Testing Research Institute
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 China Electronic Product Reliability and Environmental Testing Research Institute filed Critical China Electronic Product Reliability and Environmental Testing Research Institute
Priority to CN202111005303.9A priority Critical patent/CN113778797A/zh
Publication of CN113778797A publication Critical patent/CN113778797A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06F11/3055—Monitoring arrangements for monitoring the status of the computing system or of the computing system component, e.g. monitoring if the computing system is on, off, available, not available
    • 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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本申请涉及一种机械硬盘监测方法、装置、计算机设备和存储介质。所述方法包括：根据机械硬盘的目标历史硬件监测数据及当前时刻的状态信息，确定机械硬盘当前时刻的故障诊断结果；将目标历史硬件监测数据输入至第一预测模型，输出机械硬盘的故障预测结果；故障预测结果包含故障时间及故障类型；将目标历史硬件监测数据输入至第二预测模型，输出机械硬盘的寿命预测结果；根据当前时刻的故障诊断结果及每一历史时间段的统计故障信息，确定机械硬盘的健康评估结果。通过确定机械硬盘当前时刻的故障诊断结果、故障预测结果、寿命预测结果及健康评估结果，实现对机械硬盘的全面监测，从而全方面保障机械硬盘中的数据不丢失。

Description

机械硬盘监测方法、装置、计算机设备和存储介质
技术领域
本申请涉及存储技术领域，特别是涉及一种机械硬盘监测方法、装置、计算机设备和存储介质。
背景技术
存储系统的核心是存储介质，尽管现在新的存储介质SSD(Solid State Drive，固态硬盘)已经在读、写及安全性能等方面比硬盘表现地更优秀，但其高昂的成本使得大部分企业难以负担。因此，目前绝大多数企业的数据中心仍然采用以机械硬盘为主体的存储系统。然而，硬盘作为一种易耗品，是存储系统中最容易出问题的环节。一旦硬盘故障，往往会造成比较大的事故，轻则会造成数据中心对外提供的数据服务不可用，重则可能会导致存储在内的数据永久丢失，给用户和企业带来巨大损失。
相关技术中，为了保护机械硬盘中的数据不丢失，会对机械硬盘进行寿命预测，从而在硬盘寿命结束前提前将硬盘中的数据进行备份，实现对硬盘中数据的保护。存在功能比较单一，无法完全保证机械硬盘中的数据不丢失的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够确定机械硬盘当前时刻的故障诊断结果、故障预测结果、寿命预测结果及健康评估结果的机械硬盘监测方法、装置、计算机设备和存储介质。
一种机械硬盘监测方法，该方法包括：
根据机械硬盘的目标历史硬件监测数据及当前时刻的状态信息，确定机械硬盘当前时刻的故障诊断结果，故障诊断结果包括故障类型；目标历史硬件监测数据包含机械硬盘每一历史时刻的状态信息及每一历史时间段的故障统计信息；
将目标历史硬件监测数据输入至第一预测模型，输出机械硬盘的故障预测结果；故障预测结果包含故障时间及故障类型；
将目标历史硬件监测数据输入至第二预测模型，输出机械硬盘的寿命预测结果；
根据当前时刻的故障诊断结果及每一历史时间段的统计故障信息，确定机械硬盘的健康评估结果。
在其中一个实施例中，根据机械硬盘的目标历史硬件监测数据及当前时刻的状态信息，确定机械硬盘当前时刻的故障诊断结果之前，还包括：
获取原始历史硬件监测数据，原始历史硬件监测数据包括数据格式一致的历史硬件监测数据及数据格式不一致的历史硬件监测数据；
根据原始历史硬件监测数据中数据格式一致的历史硬件监测数据，获取目标历史硬件监测数据。
在其中一个实施例中，根据原始历史硬件监测数据中数据格式一致的历史硬件监测数据，获取目标历史硬件监测数据，包括：
从数据格式一致的历史硬件监测数据中筛选出与寿命预测相关联的历史硬件监测数据，并将筛选结果作为目标历史硬件监测数据。
在其中一个实施例中，将筛选结果作为目标历史硬件监测数据之前，还包括：
对筛选结果进行降维处理。
在其中一个实施例中，根据机械硬盘的目标历史硬件监测数据及当前时刻的状态信息，确定机械硬盘当前时刻的故障诊断结果，包括：
将目标历史硬件监测数据及当前时刻的状态信息输入至已训练好的支持向量机模型，输出机械硬盘当前时刻的故障诊断结果。
在其中一个实施例中，目标历史硬件监测数据包括原始历史硬件监测数据及与寿命预测结果相关联的历史硬件监测数据；其中，原始历史硬件监测数据包括数据格式一致的历史硬件监测数据及数据格式不一致的历史硬件监测数据；与寿命预测相关联的历史硬件监测数据的数据格式一致且比原始历史硬件监测数据的维度低。
在其中一个实施例中，根据当前时刻的故障诊断结果及每一历史时间段的统计故障信息，确定机械硬盘的健康评估结果，包括：
确定当前时刻的故障类型所出现的第一概率及每一历史时间段的每种类型的故障统计结果所出现的第二概率；
将第一概率及每一第二概率进行加权融合；
根据融合结果，确定健康评估结果。
一种机械硬盘监测装置，该装置包括：
第一确定模块，用于根据机械硬盘的目标历史硬件监测数据及当前时刻的状态信息，确定机械硬盘当前时刻的故障诊断结果，故障诊断结果包括故障类型；目标历史硬件监测数据包含机械硬盘每一历史时刻的状态信息及每一历史时间段的故障统计信息；
第一输出模块，用于将目标历史硬件监测数据输入至第一预测模型，输出机械硬盘的故障预测结果；故障预测结果包含故障时间及故障类型；
第二输出模块，用于将目标历史硬件监测数据输入至第二预测模型，输出机械硬盘的寿命预测结果；
第二确定模块，用于根据当前时刻的故障诊断结果及每一历史时间段的统计故障信息，确定机械硬盘的健康评估结果。
一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：
根据机械硬盘的目标历史硬件监测数据及当前时刻的状态信息，确定机械硬盘当前时刻的故障诊断结果，故障诊断结果包括故障类型；目标历史硬件监测数据包含机械硬盘每一历史时刻的状态信息及每一历史时间段的故障统计信息；
将目标历史硬件监测数据输入至第一预测模型，输出机械硬盘的故障预测结果；故障预测结果包含故障时间及故障类型；
将目标历史硬件监测数据输入至第二预测模型，输出机械硬盘的寿命预测结果；
根据当前时刻的故障诊断结果及每一历史时间段的统计故障信息，确定机械硬盘的健康评估结果。
一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
根据机械硬盘的目标历史硬件监测数据及当前时刻的状态信息，确定机械硬盘当前时刻的故障诊断结果，故障诊断结果包括故障类型；目标历史硬件监测数据包含机械硬盘每一历史时刻的状态信息及每一历史时间段的故障统计信息；
将目标历史硬件监测数据输入至第一预测模型，输出机械硬盘的故障预测结果；故障预测结果包含故障时间及故障类型；
将目标历史硬件监测数据输入至第二预测模型，输出机械硬盘的寿命预测结果；
根据当前时刻的故障诊断结果及每一历史时间段的统计故障信息，确定机械硬盘的健康评估结果。
上述机械硬盘监测方法、装置、计算机设备和存储介质，通过确定机械硬盘当前时刻的故障诊断结果、故障预测结果、寿命预测结果及健康评估结果，实现对机械硬盘的全面监测，从而全方面保障机械硬盘中的数据不丢失。
附图说明
图1为一个实施例中机械硬盘监测方法的流程示意图；
图2为一个实施例中机械硬盘监测系统的结构框图；
图3为一个实施例中机械硬盘监测装置的结构框图；
图4为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
存储系统的核心是存储介质，尽管现在新的存储介质SSD(Solid State Drive，固态硬盘)已经在读、写及安全性能等方面比硬盘表现地更优秀，但其高昂的成本使得大部分企业难以负担。因此，目前绝大多数企业的数据中心仍然采用以机械硬盘为主体的存储系统。然而，硬盘作为一种易耗品，是存储系统中最容易出问题的环节。一旦硬盘故障，往往会造成比较大的事故，轻则会造成数据中心对外提供的数据服务不可用，重则可能会导致存储在内的数据永久丢失，给用户和企业带来巨大损失。
相关技术中，为了保护机械硬盘中的数据不丢失，会对机械硬盘进行寿命预测，从而在硬盘寿命结束前提前将硬盘中的数据进行备份，实现对硬盘中数据的保护。存在功能比较单一，无法完全保证机械硬盘中的数据不丢失的问题。
可以理解，本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种专业名词，但除非特别说明，这些专业名词不受这些术语限制。这些术语仅用于将一个专业名词与另一个专业名词区分。举例来说，在不脱离本申请的范围的情况下，第一预测模型与第二预测模型可以相同可以不同。
针对上述相关技术中存在的问题，本发明实施例提供了一种机械硬盘监测方法，该方法可以应用于服务器中，服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。需要说明的是，本申请各实施例中提及的“多个”等的数量均指代“至少两个”的数量，比如，“多个”指“至少两个”。
在对本发明实施例的具体实施方式进行说明之前，先对本发明实施例的主要应用场景进行说明。本发明实施例提供了一种机械硬盘监测方法，该方法可以应用于对机械硬盘进行监测的应用场景。主要是通过对机械硬盘的当前时刻故障诊断结果、故障预测结果、寿命预测结果及健康评估结果进行监测，功能全面，实现对机械硬盘的全面监测，解决相关技术中功能单一的问题，从而全方面保障机械硬盘中的数据不丢失。
基于此，参见图1，提供了一种机械硬盘监测方法。以该方法应用于服务器，且执行主体为服务器为例进行说明，该方法包括如下步骤：
101、根据机械硬盘的目标历史硬件监测数据及当前时刻的状态信息，确定机械硬盘当前时刻的故障诊断结果，故障诊断结果包括故障类型；目标历史硬件监测数据包含机械硬盘每一历史时刻的状态信息及每一历史时间段的故障统计信息；
102、将目标历史硬件监测数据输入至第一预测模型，输出机械硬盘的故障预测结果；故障预测结果包含故障时间及故障类型；
103、将目标历史硬件监测数据输入至第二预测模型，输出机械硬盘的寿命预测结果；
104、根据当前时刻的故障诊断结果及每一历史时间段的统计故障信息，确定机械硬盘的健康评估结果。
在上述步骤101中，每一历史时刻的状态信息包括读写次数、读写时间、温度、加电时长及重定位磁区计数等类型的参数，本发明实施例对此不作具体限定。每一历史时间段的故障统计信息包括错误次数、读写错误信息、寻道错误率及数据读取错误率等类型的参数，本发明实施例对此不作具体限定。需要说明的是，每一历史时间段可以是机械硬盘使用至今的时间段中的一个子时间段，每一历史时间段的时长可以是一个星期，也可以是一个月，本发明实施例对此不作具体限定。具体地，需要结合机械硬盘使用至今的时间段所对应的时长确定，当机械硬盘使用至今的时间段所对应的时长较短时，相应地，每一历史时间段的时长也可以较短，例如，机械硬盘使用至今的时间段所对应的时长为一个月时，每一历史时间段的时长可以为一个星期。
在上述步骤101中，根据机械硬盘的目标历史硬件监测数据及当前时刻的状态信息，确定机械硬盘当前时刻的故障诊断结果的具体过程包括但不限于：将目标历史硬件监测数据及当前时刻的状态信息输入至已训练好的多层前馈神经网络模型，输出机械硬盘当前时刻的故障诊断结果。
另外，还可以根据机械硬盘当前时刻的状态信息，确定机械硬盘当前时刻的故障诊断结果。根据机械硬盘当前时刻的状态信息，确定机械硬盘当前时刻的故障诊断结果的具体过程包括：根据机械硬盘当前时刻的状态信息中每一类型参数的取值所落入的预设区间，确定机械硬盘当前时刻的状态信息中每一类型参数的取值对应的数据状态，根据机械硬盘当前时刻的状态信息中每一类型参数的取值对应的数据状态，确定机械硬盘当前时刻的故障诊断结果。其中，数据状态为以下三种状态中的任意一种，以下三种状态分别为正常状态、告警状态及故障状态；每一类型参数预先划分有3个不同的预设子区间且与以下三种状态一一对应。具体地，若当前时刻的状态信息中存在故障状态的参数，则确定机械硬盘当前时刻的故障诊断结果为故障，并记录为故障状态的参数。若当前时刻的状态信息中不存在故障状态的参数且存在告警状态的参数，则确定机械硬盘当前时刻的故障诊断结果为告警，并记录为告警状态的参数，若当前时刻的状态信息中不存在故障状态的参数且不存在告警状态的参数，则确定机械硬盘当前时刻的故障诊断结果为正常。由于，目标历史硬件监测数据及当前时刻的状态信息数据量大于当前时刻的状态信息，因此，“根据机械硬盘的目标历史硬件监测数据及当前时刻的状态信息，确定机械硬盘当前时刻的故障诊断结果”相比于“根据机械硬盘当前时刻的状态信息，确定机械硬盘当前时刻的故障诊断结果”更精确。
在上述步骤102中，第一预测模型的训练过程包括：获取训练样本集，训练样本集可以包括：与机械硬盘型号相同的机械硬盘的目标历史硬件监测数据及根据每一与机械硬盘型号相同的机械硬盘的目标历史硬件监测数据确定的故障预测结果，从而使得第一预测模型输出的机械硬盘的故障预测结果更加精确；训练样本集也可以包括：与机械硬盘型号相同、型号不同的机械硬盘的目标历史硬件监测数据及根据每一与机械硬盘型号相同、型号不同的机械硬盘的目标历史硬件监测数据确定的故障预测结果，本发明实施例对此不作具体限定。基于训练样本集对第一训练模型进行监督式微调训练，从而得到第一预测模型。
在上述步骤103中，第二预测模型的训练过程包括：获取训练样本集，训练样本集可以包括：与机械硬盘型号相同的机械硬盘的目标历史硬件监测数据及根据每一与机械硬盘型号相同的机械硬盘的目标历史硬件监测数据确定的寿命预测结果，从而使得第二预测模型输出的机械硬盘的寿命预测结果更加精确；训练样本集也可以包括：与机械硬盘型号相同、型号不同的机械硬盘的目标历史硬件监测数据及根据每一与机械硬盘型号相同、型号不同的机械硬盘的目标历史硬件监测数据确定的寿命预测结果，本发明实施例对此不作具体限定。基于训练样本集对第二训练模型进行监督式微调训练，从而得到第二预测模型。另外，第二预测模型的层数可以不小于第一预测模型的层数，进而使得确定的寿命预测结果更精确。
在上述步骤104中，健康评估结果的具体呈现方式可以为一个分值。
需要说明的是，在实际应用中，为了便于用户对所使用的机械硬盘有一个全面的认知，确定机械硬盘当前时刻的故障诊断结果、故障预测结果、寿命预测结果及健康评估结果后，会将机械硬盘当前时刻的故障诊断结果、故障预测结果、寿命预测结果及健康评估结果推送至用户终端。
本发明实施例提供的方法，通过确定机械硬盘当前时刻的故障诊断结果、故障预测结果、寿命预测结果及健康评估结果，实现对机械硬盘的全面监测，从而全方面保障机械硬盘中的数据不丢失。
结合上述实施例的内容，在一个实施例中，根据机械硬盘的目标历史硬件监测数据及当前时刻的状态信息，确定机械硬盘当前时刻的故障诊断结果之前，还包括：
获取原始历史硬件监测数据，原始历史硬件监测数据包括数据格式一致的历史硬件监测数据及数据格式不一致的历史硬件监测数据；
根据原始历史硬件监测数据中数据格式一致的历史硬件监测数据，获取目标历史硬件监测数据。
以“数值为数据格式一致的标准，原始历史硬件监测数据包括读写次数、读写时间、温度、错误次数、寻道错误率及读写错误信息六种类型的参数，其中读写次数、读写时间、温度、错误次数及寻道错误率的数据格式均为数值，而读写错误信息的数据格式为汉字”为例，对原始历史硬件监测数据包括数据格式一致的历史硬件监测数据及数据格式不一致的历史硬件监测数据进行解释说明：读写次数、读写时间、温度、错误次数及寻道错误率这五种类型的参数就为数据格式一致的历史硬件监测数据，而读写错误信息就为数据格式不一致的历史硬件监测数据。
本发明实施例不对根据原始历史硬件监测数据中数据格式一致的历史硬件监测数据，获取目标历史硬件监测数据的具体方式作限定，包括但不限于：滤除数据格式一致的历史硬件监测数据中的高频噪声信号，并将滤波处理后的历史硬件监测数据，作为目标历史硬件监测数据。具体的，因为原始历史硬件监测数据通常是通过传感器采集的，环境的影响会导致采集的数据中含有高频噪声信号，因此，将数据格式一致的历史硬件监测数据中的高频噪声信号滤除，使得确定的机械硬盘当前时刻的故障诊断结果、故障预测结果、寿命预测结果及健康评估结果更加精确。
本发明实施例提供的方法，通过根据原始历史硬件监测数据中数据格式一致的历史硬件监测数据，获取目标历史硬件监测数据，由于将原始历史硬件监测数据中数据不一致的历史硬件监测数据剔除，从而降低需要处理的数据量，提高确定机械硬盘当前时刻的故障诊断结果的速度。
结合上述实施例的内容，在一个实施例中，根据原始历史硬件监测数据中数据格式一致的历史硬件监测数据，获取目标历史硬件监测数据，包括：
从数据格式一致的历史硬件监测数据中筛选出与寿命预测相关联的历史硬件监测数据，并将筛选结果作为目标历史硬件监测数据。
其中，与寿命预测相关联的历史硬件监测数据也即与时间成相关性的历史硬件监测数据。
本发明实施例提供的方法，通过从数据格式一致的历史硬件监测数据中筛选出与寿命预测相关联的历史硬件监测数据，并将筛选结果作为目标历史硬件监测数据。一方面，由于目标历史硬件监测数据是与寿命预测相关联的历史硬件监测数据，从而根据目标历史硬件监测数据，确定的机械硬盘的寿命预测结果更加精确。另一方面，降低数据量，从而提高确定机械硬盘的寿命预测结果的速度。
结合上述实施例的内容，在一个实施例中，将筛选结果作为目标历史硬件监测数据之前，还包括：对筛选结果进行降维处理。
具体地，可以通过主成分分析技术对筛选结果进行降维处理。例如，筛选结果包括：两个历史时刻的历史硬件监测数据，而每一历史时刻的历史硬件监测数据包括读写时间、温度、加电时长及重定位磁区计数四种类型的参数，也即每一历史时刻均是四维的，可以通过主成分分析技术将每一历史时刻的历史硬件监测数据降为二维数据。
本发明实施例提供的方法，通过对筛选结果进行降维处理，由于降维处理之后数据量有效降低，从而提高确定机械硬盘当前时刻的故障诊断结果、故障预测结果、寿命预测结果及健康评估结果的速度。
结合上述实施例的内容，在一个实施例中，根据机械硬盘的目标历史硬件监测数据及当前时刻的状态信息，确定机械硬盘当前时刻的故障诊断结果，包括：
将目标历史硬件监测数据及当前时刻的状态信息输入至已训练好的支持向量机模型，输出机械硬盘当前时刻的故障诊断结果。
其中，支持向量机模型的训练过程可以为：获取训练样本集，训练样本集可以包括：与机械硬盘型号相同的机械硬盘的目标历史硬件监测数据及当前时刻的状态信息、根据每一与机械硬盘型号相同的机械硬盘的目标历史硬件监测数据及当前时刻的状态信息确定的故障诊断结果，从而使得支持向量机模型输出的机械硬盘的故障诊断结果更加精确；训练样本集也可以包括：与机械硬盘型号相同、型号不同的机械硬盘的目标历史硬件监测数据及当前时刻的状态信息、根据每一与机械硬盘型号相同、型号不同的机械硬盘的目标历史硬件监测数据及当前时刻的状态信息确定的故障诊断结果，本发明实施例对此不作具体限定。基于训练样本集对第三训练模型进行监督式微调训练，从而得到支持向量机模型。
需要说明的是，支持向量机模型的层数可以不大于第二预测模型的层数。
本发明实施例提供的方法，通过将目标历史硬件监测数据及当前时刻的状态信息输入至已训练好的支持向量机模型，输出机械硬盘当前时刻的故障诊断结果，从而实现确定机械硬盘当前时刻的故障诊断结果。
结合上述实施例的内容，在一个实施例中，目标历史硬件监测数据包括原始历史硬件监测数据及与寿命预测结果相关联的历史硬件监测数据；其中，原始历史硬件监测数据包括数据格式一致的历史硬件监测数据及数据格式不一致的历史硬件监测数据；与寿命预测相关联的历史硬件监测数据的数据格式一致且比原始历史硬件监测数据的维度低。
其中，还是以“数值为数据格式一致的标准，原始历史硬件监测数据包括读写次数、读写时间、温度、错误次数、寻道错误率及读写错误信息六种类型的参数，其中读写次数、读写时间、温度、错误次数及寻道错误率的数据格式均为数值，而读写错误信息的数据格式为汉字”为例，对原始历史硬件监测数据包括数据格式一致的历史硬件监测数据及数据格式不一致的历史硬件监测数据进行解释说明：读写次数、读写时间、温度、错误次数及寻道错误率这五种类型的参数就为数据格式一致的历史硬件监测数据，而读写错误信息就为数据格式不一致的历史硬件监测数据。
另外，与寿命预测结果相关联的历史硬件监测数据的具体获取过程可参考上述实施例中“获取目标历史硬件监测数据”相关实施例的内容，此处不再赘述。
本发明实施例提供的方法，通过目标历史硬件监测数据包括原始历史硬件监测数据及与寿命预测结果相关联的历史硬件监测数据，由于还根据原始历史硬件监测数据确定机械硬盘当前时刻的故障诊断结果、故障预测结果、寿命预测结果及健康评估结果，从而使得根据目标历史硬件监测数据确定的机械硬盘当前时刻的故障诊断结果、故障预测结果、寿命预测结果及健康评估结果更精确。
结合上述实施例的内容，在一个实施例中，根据当前时刻的故障诊断结果及每一历史时间段的统计故障信息，确定机械硬盘的健康评估结果，包括：
确定当前时刻的故障类型所出现的第一概率及每一历史时间段的每种类型的故障统计结果所出现的第二概率；
将第一概率及每一第二概率进行加权融合；
根据融合结果，确定健康评估结果。
例如，当前时刻的故障类型为温度，且温度所出现的第一概率为0.6，包括一个历史时间段，该历史时间段包括寻道错误率及数据读取错误率两种类型的故障统计结果，寻道错误率这种类型的故障统计结果所出现的第二概率为0.3，数据读取错误率这种类型的故障统计结果所出现的第二概率为0.1，第一概率的权重为0.5，两个第二概率的权重均为0.25。相应地，将第一概率及每一第二概率进行加权融合0.6*0.5+0.3*0.25+0.1*0.25＝0.4，也即融合结果为0.4。具体地，根据融合结果，确定健康评估结果可以包括：求100与融合结果的乘积，将乘积作为健康评估结果，本例子中，健康评估结果即为40分。需要说明的是，当健康评估结果以分值的形式体现时，对应地，分值与机械硬盘的健康程度呈正相关，分值越高，机械硬盘的健康状况越良好。
本发明实施例提供的方法，通过确定当前时刻的故障类型所出现的第一概率，每一历史时间段的每种类型的故障统计结果所出现的第二概率，将第一概率及每一第二概率进行加权融合，根据融合结果，从而确定健康评估结果。
结合上述实施例的内容，在一个实施例中，如图2所示，提供了一种机械硬盘监测系统，该系统包括：
数据采集模块201，用于采集机械硬盘的原始历史硬件监测数据，并将原始历史硬件监测数据传输至现场可编程逻辑门阵列芯片、数字信号处理芯片及顶层上位机；其中，原始历史硬件监测数据包括数据格式一致的历史硬件监测数据及数据格式不一致的历史硬件监测数据；原始历史硬件监测数据包含机械硬盘每一历史时刻的状态信息及每一历史时间段的故障统计信息；
现场可编程逻辑门阵列芯片202，用于获取原始历史硬件监测数据，从数据格式一致的历史硬件监测数据中筛选出与寿命预测相关联的历史硬件监测数据，并对筛选结果进行降维处理；将降维处理后的筛选结果传输至数字信号处理芯片及顶层上位机，根据降维处理后的筛选结果及机械硬盘当前时刻的状态信息，确定机械硬盘当前时刻的故障诊断结果；
数字信号处理芯片203，用于获取原始历史硬件监测数据及降维处理后的筛选结果，并将原始历史硬件监测数据及降维处理后的筛选结果输入至第三预测模型，输出机械硬盘的故障预测结果；故障预测结果包含故障时间及故障类型；
顶层上位机204，用于获取原始历史硬件监测数据及降维处理后的筛选结果，并将原始历史硬件监测数据及降维处理后的筛选结果输入至第四预测模型，输出机械硬盘的寿命预测结果；根据当前时刻的故障诊断结果及每一历史时间段的统计故障信息，确定机械硬盘的健康评估结果。
其中，第三预测模型的训练过程可参考一种机械硬盘监测方法中第一预测模型相关实施例的内容，此处不再赘述。第四预测模型的训练过程可参考一种机械硬盘监测方法中第二预测模型相关实施例的内容，此处不再赘述。另外，顶层上位机可以为服务器。
上述系统中各个模块的执行过程及相关名词解释，可参考上述一种机械硬盘监测方法相关实施例的内容，此处不再赘述。
本发明实施例提供的系统，通过确定机械硬盘当前时刻的故障诊断结果、故障预测结果、寿命预测结果及健康评估结果，实现对机械硬盘的全面监测，从而全方面保障机械硬盘中的数据不丢失；
通过现场可编程逻辑门阵列芯片确定机械硬盘当前时刻的故障诊断结果，数字信号处理芯片确定机械硬盘的寿命预测结果，由于仅通过芯片就能确定机械硬盘当前时刻的故障诊断结果及故障预测结果，从而节约成本。
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
结合上述实施例的内容，在一个实施例中，如图3所示，提供了一种机械硬盘监测装置，包括：第一确定模块301、第一输出模块302、第二输出模块303及第二确定模块304，其中：
第一确定模块301，用于根据机械硬盘的目标历史硬件监测数据及当前时刻的状态信息，确定机械硬盘当前时刻的故障诊断结果，故障诊断结果包括故障类型；目标历史硬件监测数据包含机械硬盘每一历史时刻的状态信息及每一历史时间段的故障统计信息；
第一输出模块302，用于将目标历史硬件监测数据输入至第一预测模型，输出机械硬盘的故障预测结果；故障预测结果包含故障时间及故障类型；
第二输出模块303，用于将目标历史硬件监测数据输入至第二预测模型，输出机械硬盘的寿命预测结果；
第二确定模块304，用于根据当前时刻的故障诊断结果及每一历史时间段的统计故障信息，确定机械硬盘的健康评估结果。
在一个实施例中，该装置还包括：
第一获取模块，用于获取原始历史硬件监测数据，原始历史硬件监测数据包括数据格式一致的历史硬件监测数据及数据格式不一致的历史硬件监测数据；
第二获取模块，用于根据原始历史硬件监测数据中数据格式一致的历史硬件监测数据，获取目标历史硬件监测数据。
在一个实施例中，第二获取模块，包括：
筛选单元，用于从数据格式一致的历史硬件监测数据中筛选出与寿命预测相关联的历史硬件监测数据，并将筛选结果作为目标历史硬件监测数据。
在一个实施例中，第二获取模块，还包括：
降维单元，用于对筛选结果进行降维处理。
在一个实施例中，第一确定模块301，包括：
输出单元，用于将目标历史硬件监测数据及当前时刻的状态信息输入至已训练好的支持向量机模型，输出机械硬盘当前时刻的故障诊断结果。
在一个实施例中，目标历史硬件监测数据包括原始历史硬件监测数据及与寿命预测结果相关联的历史硬件监测数据；其中，原始历史硬件监测数据包括数据格式一致的历史硬件监测数据及数据格式不一致的历史硬件监测数据；与寿命预测相关联的历史硬件监测数据的数据格式一致且比原始历史硬件监测数据的维度低。
在一个实施例中，第二确定模块304，包括：
第一确定单元，用于确定当前时刻的故障类型所出现的第一概率及每一历史时间段的每种类型的故障统计结果所出现的第二概率；
融合单元，用于将第一概率及每一第二概率进行加权融合；
第二确定单元，用于根据融合结果，确定健康评估结果。
本发明实施例提供的装置，通过确定机械硬盘当前时刻的故障诊断结果、故障预测结果、寿命预测结果及健康评估结果，实现对机械硬盘的全面监测，从而全方面保障机械硬盘中的数据不丢失。
关于机械硬盘监测装置的具体限定可以参见上文中对于机械硬盘监测方法的限定，在此不再赘述。上述机械硬盘监测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储机械硬盘的目标历史硬件监测数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种机械硬盘监测方法。
本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
根据机械硬盘的目标历史硬件监测数据及当前时刻的状态信息，确定机械硬盘当前时刻的故障诊断结果，故障诊断结果包括故障类型；目标历史硬件监测数据包含机械硬盘每一历史时刻的状态信息及每一历史时间段的故障统计信息；
将目标历史硬件监测数据输入至第一预测模型，输出机械硬盘的故障预测结果；故障预测结果包含故障时间及故障类型；
将目标历史硬件监测数据输入至第二预测模型，输出机械硬盘的寿命预测结果；
根据当前时刻的故障诊断结果及每一历史时间段的统计故障信息，确定机械硬盘的健康评估结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取原始历史硬件监测数据，原始历史硬件监测数据包括数据格式一致的历史硬件监测数据及数据格式不一致的历史硬件监测数据；
根据原始历史硬件监测数据中数据格式一致的历史硬件监测数据，获取目标历史硬件监测数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
从数据格式一致的历史硬件监测数据中筛选出与寿命预测相关联的历史硬件监测数据，并将筛选结果作为目标历史硬件监测数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
对筛选结果进行降维处理。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将目标历史硬件监测数据及当前时刻的状态信息输入至已训练好的支持向量机模型，输出机械硬盘当前时刻的故障诊断结果。
在一个实施例中，处理器在执行计算机程序时，目标历史硬件监测数据包括原始历史硬件监测数据及与寿命预测结果相关联的历史硬件监测数据；其中，原始历史硬件监测数据包括数据格式一致的历史硬件监测数据及数据格式不一致的历史硬件监测数据；与寿命预测相关联的历史硬件监测数据的数据格式一致且比原始历史硬件监测数据的维度低。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
确定当前时刻的故障类型所出现的第一概率及每一历史时间段的每种类型的故障统计结果所出现的第二概率；
将第一概率及每一第二概率进行加权融合；
根据融合结果，确定健康评估结果。
在一个实施例中，提供了一种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以下步骤：
根据机械硬盘的目标历史硬件监测数据及当前时刻的状态信息，确定机械硬盘当前时刻的故障诊断结果，故障诊断结果包括故障类型；目标历史硬件监测数据包含机械硬盘每一历史时刻的状态信息及每一历史时间段的故障统计信息；
将目标历史硬件监测数据输入至第一预测模型，输出机械硬盘的故障预测结果；故障预测结果包含故障时间及故障类型；
将目标历史硬件监测数据输入至第二预测模型，输出机械硬盘的寿命预测结果；
根据当前时刻的故障诊断结果及每一历史时间段的统计故障信息，确定机械硬盘的健康评估结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取原始历史硬件监测数据，原始历史硬件监测数据包括数据格式一致的历史硬件监测数据及数据格式不一致的历史硬件监测数据；
根据原始历史硬件监测数据中数据格式一致的历史硬件监测数据，获取目标历史硬件监测数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
从数据格式一致的历史硬件监测数据中筛选出与寿命预测相关联的历史硬件监测数据，并将筛选结果作为目标历史硬件监测数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对筛选结果进行降维处理。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将目标历史硬件监测数据及当前时刻的状态信息输入至已训练好的支持向量机模型，输出机械硬盘当前时刻的故障诊断结果。
在一个实施例中，计算机程序被处理器执行时，目标历史硬件监测数据包括原始历史硬件监测数据及与寿命预测结果相关联的历史硬件监测数据；其中，原始历史硬件监测数据包括数据格式一致的历史硬件监测数据及数据格式不一致的历史硬件监测数据；与寿命预测相关联的历史硬件监测数据的数据格式一致且比原始历史硬件监测数据的维度低。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
确定当前时刻的故障类型所出现的第一概率及每一历史时间段的每种类型的故障统计结果所出现的第二概率；
将第一概率及每一第二概率进行加权融合；
根据融合结果，确定健康评估结果。
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，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种机械硬盘监测方法，其特征在于，所述方法包括：
根据机械硬盘的目标历史硬件监测数据及当前时刻的状态信息，确定所述机械硬盘当前时刻的故障诊断结果，所述故障诊断结果包括故障类型；所述目标历史硬件监测数据包含所述机械硬盘每一历史时刻的状态信息及每一历史时间段的故障统计信息；
将所述目标历史硬件监测数据输入至第一预测模型，输出所述机械硬盘的故障预测结果；所述故障预测结果包含故障时间及故障类型；
将所述目标历史硬件监测数据输入至第二预测模型，输出所述机械硬盘的寿命预测结果；
根据当前时刻的故障诊断结果及每一历史时间段的统计故障信息，确定所述机械硬盘的健康评估结果。
2.根据权利要求1所述的方法，其特征在于，所述根据机械硬盘的目标历史硬件监测数据及当前时刻的状态信息，确定所述机械硬盘当前时刻的故障诊断结果之前，还包括：
获取原始历史硬件监测数据，所述原始历史硬件监测数据包括数据格式一致的历史硬件监测数据及数据格式不一致的历史硬件监测数据；
根据所述原始历史硬件监测数据中数据格式一致的历史硬件监测数据，获取所述目标历史硬件监测数据。
3.根据权利要求2所述的方法，其特征在于，所述根据所述原始历史硬件监测数据中数据格式一致的历史硬件监测数据，获取所述目标历史硬件监测数据，包括：
从数据格式一致的历史硬件监测数据中筛选出与寿命预测相关联的历史硬件监测数据，并将筛选结果作为所述目标历史硬件监测数据。
4.根据权利要求3所述的方法，其特征在于，所述将筛选结果作为所述目标历史硬件监测数据之前，还包括：
对所述筛选结果进行降维处理。
5.根据权利要求4所述的方法，其特征在于，所述根据机械硬盘的目标历史硬件监测数据及当前时刻的状态信息，确定所述机械硬盘当前时刻的故障诊断结果，包括：
将所述目标历史硬件监测数据及当前时刻的状态信息输入至已训练好的支持向量机模型，输出所述机械硬盘当前时刻的故障诊断结果。
6.根据权利要求1所述的方法，其特征在于，所述目标历史硬件监测数据包括原始历史硬件监测数据及与寿命预测结果相关联的历史硬件监测数据；其中，所述原始历史硬件监测数据包括数据格式一致的历史硬件监测数据及数据格式不一致的历史硬件监测数据；所述与寿命预测相关联的历史硬件监测数据的数据格式一致且比所述原始历史硬件监测数据的维度低。
7.根据权利要求1所述的方法，其特征在于，所述根据当前时刻的故障诊断结果及每一历史时间段的统计故障信息，确定所述机械硬盘的健康评估结果，包括：
确定所述当前时刻的故障类型所出现的第一概率及每一历史时间段的每种类型的故障统计结果所出现的第二概率；
将所述第一概率及每一第二概率进行加权融合；
根据所述融合结果，确定健康评估结果。
8.一种机械硬盘监测装置，其特征在于，所述装置包括：
第一确定模块，用于根据机械硬盘的目标历史硬件监测数据及当前时刻的状态信息，确定所述机械硬盘当前时刻的故障诊断结果，所述故障诊断结果包括故障类型；所述目标历史硬件监测数据包含所述机械硬盘每一历史时刻的状态信息及每一历史时间段的故障统计信息；
第一输出模块，用于将所述目标历史硬件监测数据输入至第一预测模型，输出所述机械硬盘的故障预测结果；所述故障预测结果包含故障时间及故障类型；
第二输出模块，用于将所述目标历史硬件监测数据输入至第二预测模型，输出所述机械硬盘的寿命预测结果；
第二确定模块，用于根据当前时刻的故障诊断结果及每一历史时间段的统计故障信息，确定所述机械硬盘的健康评估结果。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种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至7中任一项所述的方法的步骤。
CN202111005303.9A 2021-08-30 2021-08-30 机械硬盘监测方法、装置、计算机设备和存储介质 Pending CN113778797A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111005303.9A CN113778797A (zh) 2021-08-30 2021-08-30 机械硬盘监测方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111005303.9A CN113778797A (zh) 2021-08-30 2021-08-30 机械硬盘监测方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN113778797A true CN113778797A (zh) 2021-12-10

Family

ID=78839932

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111005303.9A Pending CN113778797A (zh) 2021-08-30 2021-08-30 机械硬盘监测方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN113778797A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115509789B (zh) * 2022-09-30 2023-08-11 中国科学院重庆绿色智能技术研究院 一种基于组件调用分析的计算系统故障预测方法和系统
CN117150580A (zh) * 2023-08-15 2023-12-01 速度科技股份有限公司 一种智能化数据库的数据储存硬件安全防护系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109710505A (zh) * 2019-01-02 2019-05-03 郑州云海信息技术有限公司 一种磁盘故障预测方法、装置、终端及存储介质
CN111966569A (zh) * 2019-05-20 2020-11-20 中国电信股份有限公司 硬盘健康度评估方法和装置、计算机可读存储介质
CN112631848A (zh) * 2021-01-13 2021-04-09 公安部物证鉴定中心 一种机械硬盘故障智能诊断方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109710505A (zh) * 2019-01-02 2019-05-03 郑州云海信息技术有限公司 一种磁盘故障预测方法、装置、终端及存储介质
CN111966569A (zh) * 2019-05-20 2020-11-20 中国电信股份有限公司 硬盘健康度评估方法和装置、计算机可读存储介质
CN112631848A (zh) * 2021-01-13 2021-04-09 公安部物证鉴定中心 一种机械硬盘故障智能诊断方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115509789B (zh) * 2022-09-30 2023-08-11 中国科学院重庆绿色智能技术研究院 一种基于组件调用分析的计算系统故障预测方法和系统
CN117150580A (zh) * 2023-08-15 2023-12-01 速度科技股份有限公司 一种智能化数据库的数据储存硬件安全防护系统
CN117150580B (zh) * 2023-08-15 2024-04-02 速度科技股份有限公司 一种智能化数据库的数据储存硬件安全防护系统

Similar Documents

Publication Publication Date Title
CN108647136B (zh) 基于smart信息和深度学习的硬盘损坏预测方法及装置
Sun et al. System-level hardware failure prediction using deep learning
US7506314B2 (en) Method for automatically collecting trace detail and history data
US9702703B2 (en) System and method for monitoring driving behavior of a driver
US7769562B2 (en) Method and apparatus for detecting degradation in a remote storage device
US7451210B2 (en) Hybrid method for event prediction and system control
US7529979B2 (en) Hardware/software based indirect time stamping methodology for proactive hardware/software event detection and control
CN113778797A (zh) 机械硬盘监测方法、装置、计算机设备和存储介质
US11734103B2 (en) Behavior-driven die management on solid-state drives
CN111176565A (zh) 确定应用的存储负载的方法和设备
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
CN112433896A (zh) 一种服务器磁盘故障预测方法、装置、设备及存储介质
CN117033039A (zh) 故障检测方法、装置、计算机设备和存储介质
CN113435467A (zh) 数据管理系统、数据管理方法及记录介质
CN115793990B (zh) 存储器健康状态确定方法、装置、电子设备及存储介质
CN111858108A (zh) 一种硬盘故障预测方法、装置、电子设备和存储介质
US10467258B2 (en) Data categorizing system, method, program software and recording medium therein
US20230035666A1 (en) Anomaly detection in storage systems
Bayram et al. Improving reliability with dynamic syndrome allocation in intelligent software defined data centers
CN112631850A (zh) 故障场景的模拟方法及装置
US11416187B2 (en) Information processing system, information processing apparatus, and non-transitory computer readable medium
Xu et al. ML-based Modeling to Predict I/O Performance on Different Storage Sub-systems
Svendsen Online failure prediction in UNIX systems
CN114756401B (zh) 基于日志的异常节点检测方法、装置、设备及介质
CN114281815A (zh) 一种产业创新资源数据分析方法及系统

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20211210