CN115729761A - 一种硬盘故障预测方法、系统、设备及介质 - Google Patents
一种硬盘故障预测方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN115729761A CN115729761A CN202211470140.6A CN202211470140A CN115729761A CN 115729761 A CN115729761 A CN 115729761A CN 202211470140 A CN202211470140 A CN 202211470140A CN 115729761 A CN115729761 A CN 115729761A
- Authority
- CN
- China
- Prior art keywords
- hard disk
- smart attribute
- tested
- attribute value
- smart
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000003066 decision tree Methods 0.000 claims abstract description 42
- 230000036541 health Effects 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000012216 screening Methods 0.000 claims abstract description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 229910052731 fluorine Inorganic materials 0.000 claims description 2
- 125000001153 fluoro group Chemical group F* 0.000 claims description 2
- 238000010606 normalization Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011425 standardization method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 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
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明涉及一种硬盘故障预测方法、系统、设备及介质，属于硬盘故障预测领域。方法包括：获取硬盘的SMART属性值；对SMART属性值进行数据标准化处理，并利用Relief算法对处理后的SMART属性值进行筛选，得到筛选后的SMART属性值；根据筛选后的SMART属性值、与筛选后的SMART属性值相对应的警戒值和额定值，构建硬盘故障预测关键数据库；利用硬盘故障预测关键数据库对基于决策树的硬盘故障预测模型进行优化，得到优化后的基于决策树的硬盘故障预测模型；获取待测试硬盘的SMART属性值，利用优化后的基于决策树的硬盘故障预测模型对待测试硬盘的健康度进行预测，得到预测结果。本发明提高了故障预测准确率。
Description
技术领域
本发明涉及硬盘故障预测领域，特别是涉及一种硬盘故障预测方法、系统、设备及介质。
背景技术
现如今，硬盘的应用已经十分广泛，在实际应用中，不同的硬盘有着不同的使用方式，从而导致硬盘故障频发，发生故障会导致严重的数据丢失，但是如果可以提出一种预测硬盘使用寿命的方法，就可以给客户提供了一种防患于未然的技术保障。
为了获得好的故障预测结果，学者们利用SMART数据和人工智能算法进行故障预测，并采用二分类、健康度和剩余使用寿命来度量硬盘健康状态。预测方式都是根据硬盘设备内嵌的SMART技术，但是SMART技术并不完美，它所提供的故障预测准确率仅在30％左右。
例如，现有技术中的一种基于SMART数据动态诊断硬盘故障的方法和装置，方法流程图如图1所示，101建立云存储服务器，持续收集各类数据；102将收集到的SMART参数数据及其对应的硬盘品牌、型号数据进行归一化处理，生成归一化SMART数据集合，基于归一化SMART数据集合，基于归一化SMART数据集合和收集到的硬盘错误日志数据，建立硬盘故障预警动态模型；103将收集到的SMART数据以参数为组，结合对于硬盘品牌、型号数据，形成不同品牌、不同型号硬盘SMART参数动态变化曲线，统计得出硬盘健康运行SMART参数正常波动范围，建立SMART参数正常波动曲线和范围；104通过大数据进行分析，结合SMART预警参数设定，得出健康诊断评分动态模型；105开始健康诊断；106确定硬盘类型：是固态硬盘还是机械硬盘；107诊断。该方法只基于SMART状态数据信息进行寿命预测建模和预测，SMART方法简单实用，但是在实际应用中，若仅凭借准确率和误判率这两个指标反映故障预测模型的可靠性，则无法全面识别硬盘的健康度，无法给出明确的预警指示，不足以给用户提供准确的预测提示，从而无法对磁盘阵列或存储系统的安全起到主动保护作用。
发明内容
本发明的目的是提供一种硬盘故障预测方法、系统、设备及介质，以解决现有技术中的硬盘故障预测方法预测准确度低的问题。
为实现上述目的，本发明提供了如下方案：
一种硬盘故障预测方法，包括：
获取硬盘的SMART属性值、所述SMART属性值的额定值以及所述SMART属性值的警戒值；
对所述SMART属性值进行数据标准化处理，得到处理后的SMART属性值；
利用Relief算法对所述处理后的SMART属性值进行筛选，得到筛选后的SMART属性值；
根据所述筛选后的SMART属性值、与所述筛选后的SMART属性值相对应的警戒值和与所述筛选后的SMART属性值相对应的额定值，构建硬盘故障预测关键数据库；
利用所述硬盘故障预测关键数据库对基于决策树的硬盘故障预测模型进行优化，得到优化后的基于决策树的硬盘故障预测模型；
获取待测试硬盘的SMART属性值，利用所述优化后的基于决策树的硬盘故障预测模型对待测试硬盘的健康度进行预测，得到预测结果；所述预测结果为待测试硬盘正常、待测试硬盘健康度较差或待测试硬盘即将故障。
可选地，所述对所述SMART属性值进行数据标准化处理，得到处理后的SMART属性值，具体包括：
利用公式
对所述SMART属性值进行数据标准化处理，得到处理后的SMART属性值；其中，x为SMART属性值，xmin为SMART属性值的最小值，xmax为SMART属性值的最大值；xnor为处理后的SMART属性值。
可选地，所述获取待测试硬盘的SMART属性值，利用所述优化后的基于决策树的硬盘故障预测模型对待测试硬盘的健康度进行预测，得到预测结果，具体包括：
将所述待测试硬盘的SMART属性值输入至所述优化后的基于决策树的硬盘故障预测模型中，判断所述待测试硬盘的SMART属性值是否在设定范围内；
若所述待测试硬盘的SMART属性值在所述设定范围内，则确定所述待测试硬盘正常；
若所述待测试硬盘的SMART属性值未在所述设定范围内，则判断所述待测试硬盘的SMART属性值与警戒值的比率是否大于设定值；
若所述待测试硬盘的SMART属性值与警戒值的比率大于所述设定值，则确定所述待测试硬盘即将故障；
若所述待测试硬盘的SMART属性值与警戒值的比率不大于所述设定值，则确定所述待测试硬盘健康度较差。
可选地，所述将所述待测试硬盘的SMART属性值输入至所述优化后的基于决策树的硬盘故障预测模型中，判断所述待测试硬盘的SMART属性值是否在设定范围内，具体包括：
根据所述待测试硬盘的SMART属性值的权重，对所述待测试硬盘的SMART属性值进行降序排列；所述待测试硬盘的SMART属性值的权重相同时，根据所述待测试硬盘的SMART属性值的发生故障概率，对所述待测试硬盘的SMART属性值进行降序排列，得到排列后的SMART属性值；
将排列后的SMART属性值依次输入至所述优化后的基于决策树的硬盘故障预测模型中；
依次判断当前SMART属性值是否在设定范围内。
一种硬盘故障预测系统，包括：
数据获取模块，用于获取硬盘的SMART属性值、所述SMART属性值的额定值以及所述SMART属性值的警戒值；
预处理模块，用于对所述SMART属性值进行数据标准化处理，得到处理后的SMART属性值；
筛选模块，用于利用Relief算法对所述处理后的SMART属性值进行筛选，得到筛选后的SMART属性值；
数据库构建模块，用于根据所述筛选后的SMART属性值、与所述筛选后的SMART属性值相对应的警戒值和与所述筛选后的SMART属性值相对应的额定值，构建硬盘故障预测关键数据库；
模型优化模块，用于利用所述硬盘故障预测关键数据库对基于决策树的硬盘故障预测模型进行优化，得到优化后的基于决策树的硬盘故障预测模型；
预测模块，用于获取待测试硬盘的SMART属性值，利用所述优化后的基于决策树的硬盘故障预测模型对待测试硬盘的健康度进行预测，得到预测结果；所述预测结果为待测试硬盘正常、待测试硬盘健康度较差或待测试硬盘即将故障。
一种电子设备，包括：存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述的硬盘故障预测方法。
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，所述计算机程序被处理器执行时实现上述的硬盘故障预测方法。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供的硬盘故障预测方法，首先获取硬盘的SMART属性值，采用min-max数据标准化方法对SMART属性值进行预处理；然后，利用Relief算法提取SMART属性值中的关键数据属性类别，并构建硬盘故障预测关键数据库；最后，利用硬盘故障预测关键数据库训练基于决策树的硬盘故障预测模型，训练所得的基于决策树的硬盘故障预测模型可以在线应用于硬盘健康度的预测。本发明利用Relief算法提取了对硬盘健康度影响的关键SMART属性类别，降低了决策树的输入数据维度，提高了训练和应用的效率；另外，筛除了故障概率极低的SMART属性值，提高了故障预测准确率，同时最大程度上降低了误判率。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为现有技术中的一种基于SMART数据动态诊断硬盘故障的方法流程图；
图2为本发明提供的硬盘故障预测方法的流程图；
图3为本发明提供的基于决策树的硬盘故障预测模型在实际应用中的预测流程图。
具体实施方式
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，都属于本发明保护的范围。
本发明的目的是提供一种硬盘故障预测方法、系统、设备及介质，以解决现有技术中的硬盘故障预测方法预测准确度低的问题。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
图2为本发明提供的硬盘故障预测方法的流程图，如图2所示，该方法包括：
步骤201：获取硬盘的SMART属性值、所述SMART属性值的额定值以及所述SMART属性值的警戒值。所述SMART属性值包括耐久性剩余量、读取错误重试率和磁头的飞行高度。
步骤202：对所述SMART属性值进行数据标准化处理，得到处理后的SMART属性值。在实际应用中，采用min-max数据标准化方法对硬盘SMART属性值进行预处理。
在机器学习中，数据标准化对其稳定性有重要意义，所以将数据进行标准化处理是十分必要的。本发明采用min-max数据标准化方法将SMART属性值进行了归一化处理，即将所有SMART属性值归一到[-1,1]区域中。采用的数据标准化的公式如下：
其中，x为SMART属性值，xmin为SMART属性值的最小值，xmax为SMART属性值的最大值；xnor为处理后的SMART属性值。由该公式计算得出的标准化结果(处理后的SMART属性值)xnor在[-1,1]这个闭区间中，从而达到将特征属性值标准化的目的。
步骤203：利用Relief算法对所述处理后的SMART属性值进行筛选，得到筛选后的SMART属性值。
由于硬盘的SMART属性值数量庞大，若全部输入基于决策树的硬盘故障预测模型进行预测，则将会对基于决策树的硬盘故障预测模型以及CPU产生较大的压力，进而影响计算机的正常工作，因此，在预测前，采用Relief算法对SMART属性值进行筛选，将重要程度较低的属性值(如马达运行情况)进行筛除以减轻模型和CPU的工作压力。
从所有用于训练的硬盘中随机选择一个样本硬盘A，然后从和样本硬盘A同类品牌的样本硬盘中寻找最近邻样本硬盘B，称为猜中近邻；从和样本硬盘A不同类品牌的样本硬盘中寻找最近邻样本硬盘C，称为猜错近邻。
如果A的SMART属性值中的某一个属性和B的SMART属性值中的该属性的距离小于A的SMART属性值中的某一个属性和C的SMART属性值中的该属性的距离，则增加该属性的权重；反之，则降低该属性的权重。
以上过程重复多次，最后得到SMART属性值中各属性的平均权重。属性的权重越大，表示该属性的分类能力越强，反之，表示该属性分类能力越弱。为此需要将权重低于0.05的属性值剔除。Relief算法的运行时间随着样本的抽样次数和原始属性个数的线性增加，因而运行效率非常高。
步骤204：根据所述筛选后的SMART属性值、与所述筛选后的SMART属性值相对应的警戒值和与所述筛选后的SMART属性值相对应的额定值，构建硬盘故障预测关键数据库。
筛除完毕后将剩余的SMART属性值(剩余的SMART属性值指的是剔除权重低于设定值0.05的SMART属性值后的SMART属性值)构建成硬盘故障预测关键数据库，并将数据库中的数据按照硬盘运行时间的先后顺序将数据划分为训练集和测试集。
步骤205：利用所述硬盘故障预测关键数据库对基于决策树的硬盘故障预测模型进行优化，得到优化后的基于决策树的硬盘故障预测模型。
由于不同的SMART属性值异常导致硬盘故障的概率不同，因此，需要根据发生故障概率高低程度和属性值异常导致硬盘损坏程度的规模来将SMART属性值进行加权划分，从而在基于决策树的硬盘故障预测模型中对权重高的SMART属性着重预测，从而提高故障预测准确率，以保证硬盘可以安全稳定运行。
输入：训练数据(包括SMART属性、差值属性和目标值)，权重更改后的SMART属性值。其中，差值属性指的是SMART属性值与警戒值的比率；目标值指的是SMART属性值的额定值和警戒值。
输出：优化后的基于决策树的硬盘故障预测模型。
为了更全面的评估硬盘的健康程度，将模型进行优化，对权重高的SMART属性值进行重点预测的同时，对预测结果进行进一步划分。
步骤206：获取待测试硬盘的SMART属性值，利用所述优化后的基于决策树的硬盘故障预测模型对待测试硬盘的健康度进行预测，得到预测结果；所述预测结果为待测试硬盘正常、待测试硬盘健康度较差或待测试硬盘即将故障。
对于SMART属性值超过额定范围(设定范围)，并与警戒值的比率超过0.5，则说明硬盘已经处于濒危状态(即将故障)，随时可能发生故障，因此急需更换硬盘；若与警戒值的比率没有超过0.5，则说明该硬盘开始出现异常(健康度较差)，需要重点关注，可能会发生故障但发生故障的概率较低，根据用户自身的需求来决定是否提前更换硬盘。
进一步地，所述步骤206，具体包括：
步骤2061：将所述待测试硬盘的SMART属性值输入至所述优化后的基于决策树的硬盘故障预测模型中，判断所述待测试硬盘的SMART属性值是否在设定范围内。
步骤2062：若所述待测试硬盘的SMART属性值在所述设定范围内，则确定所述待测试硬盘正常。
步骤2063：若所述待测试硬盘的SMART属性值未在所述设定范围内，则判断所述待测试硬盘的SMART属性值与警戒值的比率是否大于设定值。
步骤2064：若所述待测试硬盘的SMART属性值与警戒值的比率大于所述设定值，则确定所述待测试硬盘即将故障。
步骤2065：若所述待测试硬盘的SMART属性值与警戒值的比率不大于所述设定值，则确定所述待测试硬盘健康度较差。
具体地，所述步骤2061，具体包括：
根据所述待测试硬盘的SMART属性值的权重，对所述待测试硬盘的SMART属性值进行降序排列；所述待测试硬盘的SMART属性值的权重相同时，根据所述待测试硬盘的SMART属性值的发生故障概率，对所述待测试硬盘的SMART属性值进行降序排列，得到排列后的SMART属性值。
将排列后的SMART属性值依次输入至所述优化后的基于决策树的硬盘故障预测模型中。
依次判断当前SMART属性值是否在设定范围内。
在实际应用中，如图3所示，优化后的基于决策树的硬盘故障预测模型的预测步骤如下：
(1)按照权重的高低对硬盘故障预测关键数据库中待测试硬盘的SMART属性值进行排列，对于权重相同或相近的SMART属性值则按照故障发生概率的可能性大小进行从高到低的排列。
(2)将排列好的数据(排列后的SMART属性值)输入优化后的基于决策树的硬盘故障预测模型中进行预测：首先判断权重最高的SMART属性值(例如，耐久性剩余量)，此时的数据是否在额定值范围内：
①不在，则要进一步判断:该当前SMART属性值与警戒值的比率是否大于0.5，若大于0.5，则说明硬盘健康度极差，即将发生故障，急需更换硬盘，若小于0.5，则说明硬盘健康度较差，需要重点观察并考虑是否更换硬盘。
②在，则该属性值正常，不会造成硬盘故障。
(3)判断权重次之的SMART属性值(例如，读取错误重试率、磁头的飞行高度)，重复上述判断步骤，直到所有属性值判断完毕，若所有属性值均正常，则该硬盘的健康度良好，不会发生故障。
本发明首先建立硬盘故障预测关键数据库，提高预测模型的工作效率，其次根据数据库中SMART属性值的重要程度对SMART属性值进行分配权重，来组成全新的预测模型对硬盘进行故障预测，相较于其它机器学习模型，以使用同一数据集为前提，提高了故障检测准确率的同时，大大降低了误报率，与其它现有方案相比具有一定的优越性，为硬盘故障的预测问题提供了新的解决思路。
与现有技术相比，本发明具有如下优点：
1.获取硬盘的SMART属性值后对数据进行归一化处理并应用Relief算法筛选关键数据，并将所有关键数据存储起来构建硬盘故障预测关键数据库，运用本数据库进行预测可以减轻模型的运行压力，并提高预测效率。
2.将SMART属性值赋予权重，对权重高的属性值重点预测，提高预测准确率，同时将决策树的节点分裂进行进一步划分，将预测结果分为三种：正常、健康度较差、即将故障，更全面表征硬盘的健康状态。
实施例二
为了执行上述实施例一对应的方法，以实现相应的功能和技术效果。下面提供一种硬盘故障预测系统，包括：
数据获取模块，用于获取硬盘的SMART属性值、所述SMART属性值的额定值以及所述SMART属性值的警戒值。
预处理模块，用于对所述SMART属性值进行数据标准化处理，得到处理后的SMART属性值。
筛选模块，用于利用Relief算法对所述处理后的SMART属性值进行筛选，得到筛选后的SMART属性值。
数据库构建模块，用于根据所述筛选后的SMART属性值、与所述筛选后的SMART属性值相对应的警戒值和与所述筛选后的SMART属性值相对应的额定值，构建硬盘故障预测关键数据库。
模型优化模块，用于利用所述硬盘故障预测关键数据库对基于决策树的硬盘故障预测模型进行优化，得到优化后的基于决策树的硬盘故障预测模型。
预测模块，用于获取待测试硬盘的SMART属性值，利用所述优化后的基于决策树的硬盘故障预测模型对待测试硬盘的健康度进行预测，得到预测结果；所述预测结果为待测试硬盘正常、待测试硬盘健康度较差或待测试硬盘即将故障。
实施例三
本发明还提供了一种电子设备，包括：存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行实施例一的硬盘故障预测方法。
实施例四
本发明还提供了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，所述计算机程序被处理器执行时实现实施例一的硬盘故障预测方法。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种硬盘故障预测方法，其特征在于，包括：
获取硬盘的SMART属性值、所述SMART属性值的额定值以及所述SMART属性值的警戒值；
对所述SMART属性值进行数据标准化处理，得到处理后的SMART属性值；
利用Relief算法对所述处理后的SMART属性值进行筛选，得到筛选后的SMART属性值；
根据所述筛选后的SMART属性值、与所述筛选后的SMART属性值相对应的警戒值和与所述筛选后的SMART属性值相对应的额定值，构建硬盘故障预测关键数据库；
利用所述硬盘故障预测关键数据库对基于决策树的硬盘故障预测模型进行优化，得到优化后的基于决策树的硬盘故障预测模型；
获取待测试硬盘的SMART属性值，利用所述优化后的基于决策树的硬盘故障预测模型对待测试硬盘的健康度进行预测，得到预测结果；所述预测结果为待测试硬盘正常、待测试硬盘健康度较差或待测试硬盘即将故障。
2.根据权利要求1所述的硬盘故障预测方法，其特征在于，所述对所述SMART属性值进行数据标准化处理，得到处理后的SMART属性值，具体包括：
利用公式
对所述SMART属性值进行数据标准化处理，得到处理后的SMART属性值；其中，x为SMART属性值，xmin为SMART属性值的最小值，xmax为SMART属性值的最大值；xnor为处理后的SMART属性值。
3.根据权利要求1所述的硬盘故障预测方法，其特征在于，所述获取待测试硬盘的SMART属性值，利用所述优化后的基于决策树的硬盘故障预测模型对待测试硬盘的健康度进行预测，得到预测结果，具体包括：
将所述待测试硬盘的SMART属性值输入至所述优化后的基于决策树的硬盘故障预测模型中，判断所述待测试硬盘的SMART属性值是否在设定范围内；
若所述待测试硬盘的SMART属性值在所述设定范围内，则确定所述待测试硬盘正常；
若所述待测试硬盘的SMART属性值未在所述设定范围内，则判断所述待测试硬盘的SMART属性值与警戒值的比率是否大于设定值；
若所述待测试硬盘的SMART属性值与警戒值的比率大于所述设定值，则确定所述待测试硬盘即将故障；
若所述待测试硬盘的SMART属性值与警戒值的比率不大于所述设定值，则确定所述待测试硬盘健康度较差。
4.根据权利要求3所述的硬盘故障预测方法，其特征在于，所述将所述待测试硬盘的SMART属性值输入至所述优化后的基于决策树的硬盘故障预测模型中，判断所述待测试硬盘的SMART属性值是否在设定范围内，具体包括：
根据所述待测试硬盘的SMART属性值的权重，对所述待测试硬盘的SMART属性值进行降序排列；所述待测试硬盘的SMART属性值的权重相同时，根据所述待测试硬盘的SMART属性值的发生故障概率，对所述待测试硬盘的SMART属性值进行降序排列，得到排列后的SMART属性值；
将排列后的SMART属性值依次输入至所述优化后的基于决策树的硬盘故障预测模型中；
依次判断当前SMART属性值是否在设定范围内。
5.一种硬盘故障预测系统，其特征在于，包括：
数据获取模块，用于获取硬盘的SMART属性值、所述SMART属性值的额定值以及所述SMART属性值的警戒值；
预处理模块，用于对所述SMART属性值进行数据标准化处理，得到处理后的SMART属性值；
筛选模块，用于利用Relief算法对所述处理后的SMART属性值进行筛选，得到筛选后的SMART属性值；
数据库构建模块，用于根据所述筛选后的SMART属性值、与所述筛选后的SMART属性值相对应的警戒值和与所述筛选后的SMART属性值相对应的额定值，构建硬盘故障预测关键数据库；
模型优化模块，用于利用所述硬盘故障预测关键数据库对基于决策树的硬盘故障预测模型进行优化，得到优化后的基于决策树的硬盘故障预测模型；
预测模块，用于获取待测试硬盘的SMART属性值，利用所述优化后的基于决策树的硬盘故障预测模型对待测试硬盘的健康度进行预测，得到预测结果；所述预测结果为待测试硬盘正常、待测试硬盘健康度较差或待测试硬盘即将故障。
6.一种电子设备，其特征在于，包括：存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行权利要求1-4任一项所述的硬盘故障预测方法。
7.一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1-4任一项所述的硬盘故障预测方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211470140.6A CN115729761B (zh) | 2022-11-23 | 2022-11-23 | 一种硬盘故障预测方法、系统、设备及介质 |
| US18/517,076 US20240168835A1 (en) | 2022-11-23 | 2023-11-22 | Hard disk failure prediction method, system, device and medium |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211470140.6A CN115729761B (zh) | 2022-11-23 | 2022-11-23 | 一种硬盘故障预测方法、系统、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115729761A true CN115729761A (zh) | 2023-03-03 |
| CN115729761B CN115729761B (zh) | 2023-10-20 |
Family
ID=85297629
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211470140.6A Active CN115729761B (zh) | 2022-11-23 | 2022-11-23 | 一种硬盘故障预测方法、系统、设备及介质 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US20240168835A1 (zh) |
| CN (1) | CN115729761B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117421145A (zh) * | 2023-12-18 | 2024-01-19 | 苏州元脑智能科技有限公司 | 一种异构硬盘系统故障预警方法及装置 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017129030A1 (zh) * | 2016-01-29 | 2017-08-03 | 阿里巴巴集团控股有限公司 | 磁盘的故障预测方法和装置 |
| CN109657795A (zh) * | 2018-12-12 | 2019-04-19 | 华中科技大学 | 一种基于属性选择的硬盘故障预测方法 |
| US20200233587A1 (en) * | 2019-01-18 | 2020-07-23 | EMC IP Holding Company LLC | Method, device and computer product for predicting disk failure |
| CN112951311A (zh) * | 2021-04-16 | 2021-06-11 | 中国民航大学 | 一种基于变权重随机森林的硬盘故障预测方法及系统 |
| WO2021114676A1 (zh) * | 2019-12-13 | 2021-06-17 | 浪潮电子信息产业股份有限公司 | 一种硬盘预测模型的更新方法、装置、设备及介质 |
| CN113689911A (zh) * | 2021-10-26 | 2021-11-23 | 苏州浪潮智能科技有限公司 | 一种故障诊断方法、装置、设备及可读存储介质 |
| CN113986636A (zh) * | 2021-11-01 | 2022-01-28 | 合肥城市云数据中心股份有限公司 | 一种基于硬盘自适应报告数据的数据中心硬盘故障预测方法 |
| WO2022166481A1 (zh) * | 2021-02-08 | 2022-08-11 | 华为技术有限公司 | 一种针对硬盘的故障预测方法、装置及设备 |
-
2022
- 2022-11-23 CN CN202211470140.6A patent/CN115729761B/zh active Active
-
2023
- 2023-11-22 US US18/517,076 patent/US20240168835A1/en active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017129030A1 (zh) * | 2016-01-29 | 2017-08-03 | 阿里巴巴集团控股有限公司 | 磁盘的故障预测方法和装置 |
| CN109657795A (zh) * | 2018-12-12 | 2019-04-19 | 华中科技大学 | 一种基于属性选择的硬盘故障预测方法 |
| US20200233587A1 (en) * | 2019-01-18 | 2020-07-23 | EMC IP Holding Company LLC | Method, device and computer product for predicting disk failure |
| WO2021114676A1 (zh) * | 2019-12-13 | 2021-06-17 | 浪潮电子信息产业股份有限公司 | 一种硬盘预测模型的更新方法、装置、设备及介质 |
| WO2022166481A1 (zh) * | 2021-02-08 | 2022-08-11 | 华为技术有限公司 | 一种针对硬盘的故障预测方法、装置及设备 |
| CN112951311A (zh) * | 2021-04-16 | 2021-06-11 | 中国民航大学 | 一种基于变权重随机森林的硬盘故障预测方法及系统 |
| CN113689911A (zh) * | 2021-10-26 | 2021-11-23 | 苏州浪潮智能科技有限公司 | 一种故障诊断方法、装置、设备及可读存储介质 |
| CN113986636A (zh) * | 2021-11-01 | 2022-01-28 | 合肥城市云数据中心股份有限公司 | 一种基于硬盘自适应报告数据的数据中心硬盘故障预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| JIAN ZHAO等: "Disk Failure Early Warning Based on the Characteristics of Customized SMART", 《2020 19TH IEEE INTERSOCIETY CONFERENCE ON THERMAL AND THERMOMECHANICAL PHENOMENA IN ELECTRONIC SYSTEMS (ITHERM)》, pages 1282 - 1288 * |
| 邹金伟: "IaaS云平台异常检测系统的设计与实现", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 4, pages 138 - 235 * |
| 韩国泰;: "航空电子的故障预测与健康管理技术", 航空电子技术, no. 01, pages 30 - 48 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117421145A (zh) * | 2023-12-18 | 2024-01-19 | 苏州元脑智能科技有限公司 | 一种异构硬盘系统故障预警方法及装置 |
| CN117421145B (zh) * | 2023-12-18 | 2024-03-01 | 苏州元脑智能科技有限公司 | 一种异构硬盘系统故障预警方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20240168835A1 (en) | 2024-05-23 |
| CN115729761B (zh) | 2023-10-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108986869B (zh) | 一种使用多模型预测的磁盘故障检测方法 | |
| US6625589B1 (en) | Method for adaptive threshold computation for time and frequency based anomalous feature identification in fault log data | |
| CN108052528A (zh) | 一种存储设备时序分类预警方法 | |
| CN107168995B (zh) | 一种数据处理方法及服务器 | |
| CN112039903B (zh) | 基于深度自编码神经网络模型的网络安全态势评估方法 | |
| US20140344624A1 (en) | Operation data analysis apparatus, method and non-transitory computer readable medium | |
| CN116450399B (zh) | 微服务系统故障诊断及根因定位方法 | |
| WO2022001125A1 (zh) | 一种存储系统的存储故障预测方法、系统及装置 | |
| CN116737510B (zh) | 一种基于数据分析的键盘智能监测方法及系统 | |
| CN117390536B (zh) | 基于人工智能的运维管理方法及系统 | |
| US20050144537A1 (en) | Method to use a receiver operator characteristics curve for model comparison in machine condition monitoring | |
| CN115638875B (zh) | 基于图谱分析的电厂设备故障诊断方法及系统 | |
| CN115729761B (zh) | 一种硬盘故障预测方法、系统、设备及介质 | |
| 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 | |
| CN112433928A (zh) | 一种存储设备的故障预测方法、装置、设备及存储介质 | |
| CN115935286A (zh) | 铁路轴承状态监测数据的异常点检测方法、装置及终端 | |
| CN115392782A (zh) | 一种核电厂工艺系统健康状态监测和诊断方法及系统 | |
| CN115719283A (zh) | 一种智能化会计管理系统 | |
| CN111639722A (zh) | 基于主成分分析和孪生支持向量机的变压器故障诊断方法 | |
| CN113822336A (zh) | 一种云硬盘故障预测方法、装置、系统及可读存储介质 | |
| CN117170915A (zh) | 数据中心设备故障预测方法、装置和计算机设备 | |
| KR101967633B1 (ko) | 원자력 발전설비의 기계학습식 예측진단장치 | |
| CN116910526A (zh) | 模型训练方法、装置、通信设备及可读存储介质 | |
| CN115659271A (zh) | 传感器异常检测方法、模型训练方法、系统、设备及介质 | |
| CN115577873A (zh) | 一种基于选择性集成学习的海上事故类型预测方法 |
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 |