CN116610469B - 一种固态硬盘的综合质量性能测试方法及系统 - Google Patents

一种固态硬盘的综合质量性能测试方法及系统 Download PDF

Info

Publication number
CN116610469B
CN116610469B CN202310901695.XA CN202310901695A CN116610469B CN 116610469 B CN116610469 B CN 116610469B CN 202310901695 A CN202310901695 A CN 202310901695A CN 116610469 B CN116610469 B CN 116610469B
Authority
CN
China
Prior art keywords
preset
solid state
performance
state disk
index
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
CN202310901695.XA
Other languages
English (en)
Other versions
CN116610469A (zh
Inventor
李庭育
陈育鸣
王展南
王宇
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.)
Jiangsu Huacun Electronic Technology Co Ltd
Original Assignee
Jiangsu Huacun Electronic 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 Jiangsu Huacun Electronic Technology Co Ltd filed Critical Jiangsu Huacun Electronic Technology Co Ltd
Priority to CN202310901695.XA priority Critical patent/CN116610469B/zh
Publication of CN116610469A publication Critical patent/CN116610469A/zh
Application granted granted Critical
Publication of CN116610469B publication Critical patent/CN116610469B/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
    • G06F11/30—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
    • G06F11/34—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/50—Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems
    • G06F21/57—Certifying or maintaining trusted computer platforms, e.g. secure boots or power-downs, version controls, system software checks, secure updates or assessing vulnerabilities
    • G06F21/577—Assessing vulnerabilities and evaluating computer system security
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

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

Abstract

本发明涉及数据处理技术领域，提供了一种固态硬盘的综合质量性能测试方法及系统，方法包括：采集得到预设特征参数集；检测获取N个性能参数，计算得到第一预设综合性能指数；获取历史固态硬盘风险日志，构建训练数据集，得到安全风险预测模型；将M个特征参数和N个性能参数输入安全风险预测模型，得到输出结果；获取预设稳定性检测方案，检测得到稳定性指数，结合安全风险预测指数，调整得到第二预设综合性能指数。解决了固态硬盘性能测试存在性能抖动隐患，质量性能测试的可信度低技术问题，实现了从固态硬盘性能指标出发，进行固态硬盘安全风险预测，并执行稳定性检测，彻底排除固态硬盘性能抖动隐患，提高质量性能测试的可信度技术效果。

Description

一种固态硬盘的综合质量性能测试方法及系统
技术领域
本发明涉及数据处理相关技术领域，具体涉及一种固态硬盘的综合质量性能测试方法及系统。
背景技术
solid-state drive固态硬盘，简称SSD，机械硬盘虽然容量得到了提升，但是其性能受到了本身机械结构的严重限制，难以满足日渐增长的应用需求，固态硬盘相比传统的机械硬盘，固态硬盘具备读写速度快、能耗低、工作温度范围大、体积小、 防震、抗摔、性能好等优点。
随着固态硬盘的广泛应用，以固态硬盘为攻击目标的攻击手段越来越多，数据盗取、数据恶意销毁、拒绝服务、坏块增加等安全风险频发，固态硬盘质量性能要求越来越高。
综上所述，现有技术中存在固态硬盘性能测试存在性能抖动隐患，质量性能测试的可信度低的技术问题。
发明内容
本申请通过提供了一种固态硬盘的综合质量性能测试方法及系统，旨在解决现有技术中的固态硬盘性能测试存在性能抖动隐患，质量性能测试的可信度低的技术问题。
鉴于上述问题，本申请实施例提供了一种固态硬盘的综合质量性能测试方法及系统。
本申请公开的第一个方面，提供了一种固态硬盘的综合质量性能测试方法，其中，所述方法包括：采集预设固态硬盘的多维度特征，得到预设特征参数集，其中，所述预设特征参数集包括M个特征的M个特征参数，M为大于1的整数；以及获取所述预设固态硬盘的预设固件，并检测得到所述预设固件的N个性能的N个性能参数，N为大于1的整数；基于所述M个特征参数和所述N个性能参数，计算得到第一预设综合性能指数；获取历史固态硬盘风险日志，根据所述历史固态硬盘风险日志中的数据构建训练数据集，并训练得到安全风险预测模型；将所述M个特征参数和所述N个性能参数作为所述安全风险预测模型的输入信息，得到输出结果，其中，所述输出结果包括所述预设固态硬盘的安全风险预测指数；获取预设稳定性检测方案，并对所述预设固态硬盘进行稳定性检测，得到稳定性指数；基于所述安全风险预测指数和所述稳定性指数对所述第一预设综合性能指数进行调整，得到第二预设综合性能指数。
本申请公开的另一个方面，提供了一种固态硬盘的综合质量性能测试系统，其中，所述系统包括：预设特征参数集采集模块，用于采集预设固态硬盘的多维度特征，得到预设特征参数集，其中，所述预设特征参数集包括M个特征的M个特征参数，M为大于1的整数；以及性能参数检测模块，用于获取所述预设固态硬盘的预设固件，并检测得到所述预设固件的N个性能的N个性能参数，N为大于1的整数；综合性能指数计算模块，用于基于所述M个特征参数和所述N个性能参数，计算得到第一预设综合性能指数；安全风险预测模型训练模块，用于获取历史固态硬盘风险日志，根据所述历史固态硬盘风险日志中的数据构建训练数据集，并训练得到安全风险预测模型；输出结果得到模块，用于将所述M个特征参数和所述N个性能参数作为所述安全风险预测模型的输入信息，得到输出结果，其中，所述输出结果包括所述预设固态硬盘的安全风险预测指数；稳定性检测模块，用于获取预设稳定性检测方案，并对所述预设固态硬盘进行稳定性检测，得到稳定性指数；性能指数调整模块，用于基于所述安全风险预测指数和所述稳定性指数对所述第一预设综合性能指数进行调整，得到第二预设综合性能指数。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
由于采用了采集固态硬盘的多维度特征，得到预设特征参数集；以及获取固态硬盘的固件，并检测得到N个性能参数，计算得到第一预设综合性能指数；获取历史固态硬盘风险日志，构建训练数据集，得到安全风险预测模型；将M个特征参数和N个性能参数作为安全风险预测模型的输入信息，得到输出结果；获取预设稳定性检测方案，对固态硬盘进行稳定性检测，得到稳定性指数，结合安全风险预测指数，调整第一预设综合性能指数，得到第二预设综合性能指数，实现了从固态硬盘性能指标出发，进行固态硬盘安全风险预测，并执行稳定性检测，彻底排除固态硬盘性能抖动隐患，提高质量性能测试的可信度的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了一种固态硬盘的综合质量性能测试方法可能的流程示意图；
图2为本申请实施例提供了一种固态硬盘的综合质量性能测试方法中确定安全风险预测模型可能的流程示意图；
图3为本申请实施例提供了一种固态硬盘的综合质量性能测试方法中计算得到稳定性指数可能的流程示意图；
图4为本申请实施例提供了一种固态硬盘的综合质量性能测试系统可能的结构示意图。
附图标记说明：预设特征参数集采集模块100，性能参数检测模块200，综合性能指数计算模块300，安全风险预测模型训练模块400，输出结果得到模块500，稳定性检测模块600，性能指数调整模块700。
实施方式
本申请实施例提供了一种固态硬盘的综合质量性能测试方法及系统，解决了固态硬盘性能测试存在性能抖动隐患，质量性能测试的可信度低的技术问题，实现了从固态硬盘性能指标出发，进行固态硬盘安全风险预测，并执行稳定性检测，彻底排除固态硬盘性能抖动隐患，提高质量性能测试的可信度的技术效果。
在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例
如图1所示，本申请实施例提供了一种固态硬盘的综合质量性能测试方法，其中，所述方法包括：
S10：采集预设固态硬盘的多维度特征，得到预设特征参数集，其中，所述预设特征参数集包括M个特征的M个特征参数，M为大于1的整数；以及
S20：获取所述预设固态硬盘的预设固件，并检测得到所述预设固件的N个性能的N个性能参数，N为大于1的整数；
具体而言，所述固态硬盘为的多维度特征包括但不限于容量体积特征、质量特征、功耗特征、抗震性特征，对存在质量性能测试需求的预设固态硬盘进行多维度特征采集，得到预设特征参数集，一般来说，在所述固态硬盘的使用说明书中应详尽记载容量体积特征、质量特征、功耗特征、抗震性特征的特征参数，如容量体积特征对应的特征参数可以表达为128GB，为后续分析提供数据基础；
具体而言，获取所述预设固态硬盘的预设固件，固件是固态硬盘的核心，所述预设固件即所述预设固态硬盘的固件，检测得到所述预设固件的N个性能的N个性能参数，N为大于1的整数，一般来说，N=3，即所述预设固件的N个性能可以是读取性能、写入性能、擦写性能，所述预设固件的N个性能的N个性能参数可以对应为读取速度、写入速度、擦写次数，由于固件是固态硬盘的核心，着重测试固态硬盘中的固件，为保证性能测试的可靠度提供基础。
S30：基于所述M个特征参数和所述N个性能参数，计算得到第一预设综合性能指数；
步骤S30包括步骤：
S31：对所述M个特征参数进行处理，并加权计算得到第一性能指数；
S32：对所述N个性能参数进行处理，并加权计算得到第二性能指数；
S33：利用AHP层次分析法分别得到所述第一性能指数的第一系数、所述第二性能指数的第二系数；
S34：利用粗糙集算法原理分别得到所述第一性能指数的第三系数、所述第二性能指数的第四系数；
S35：将所述第一系数与所述第三系数的平均值设为第一综合系数，将所述第二系数与所述第四系数的平均值设为第二综合系数；
S36：根据所述第一性能指数和所述第一综合系数、所述第二性能指数和所述第二综合系数，计算得到所述第一预设综合性能指数。
具体而言，基于所述M个特征参数和所述N个性能参数，计算得到第一预设综合性能指数，包括，对所述M个特征参数进行数据预处理，并加权计算得到第一性能指数；对所述N个性能参数进行数据预处理，并加权计算得到第二性能指数；利用AHP（AnalyticHierarchy Process）层次分析法（所述AHP层次分析法为一种客主观赋权方法），将定量分析与定性分析结合起来，依照指标的相对重要程度（通过经验确定指标的相对重要程度），分别得到所述第一性能指数的第一系数、所述第二性能指数的第二系数；利用粗糙集算法原理（所述粗糙集算法原理为一种客观赋权方法，AHP层次分析法与粗糙集算法原理具备互补的特性），均衡考虑属性重要性与属性归属不明确的部分有效指标，分别得到所述第一性能指数的第三系数、所述第二性能指数的第四系数；
计算所述第一系数与所述第三系数的平均值，将所述第一系数与所述第三系数的平均值设为第一综合系数；计算所述第二系数与所述第四系数的平均值，将所述第二系数与所述第四系数的平均值设为第二综合系数；由于AHP层次分析法与粗糙集算法原理具备互补的特性，因此，可以将所述第一性能指数作为第一综合系数的权重比；将所述第二性能指数作为第二综合系数的权重比，对所述第一综合系数、所述第二综合系数进行加权计算，得到所述第一预设综合性能指数，所述第一预设综合性能指数表征为预设固态硬盘的综合质量性能的初步测试结果，采用组合赋权（综合主、客观赋权结果进行赋权）的方式，提高第一预设综合性能指数的稳定性。
步骤S31包括步骤：
S311：对所述M个特征参数进行标准化处理，得到M个标准化特征参数；
S312：对所述M个标准化特征参数进行归一化处理，得到M个标准化特征参数归一化结果；
S313：利用变异系数法对所述M个标准化特征参数归一化结果进行赋权，得到M个权重系数；
S314：对所述M个标准化特征参数归一化结果和所述M个权重系数进行加权计算，得到所述第一性能指数。
具体而言，对所述M个特征参数进行处理，并加权计算得到第一性能指数，包括，对所述M个特征参数进行标准化处理（标准化处理：依照M个特征参数对应的特征矩阵的列处理数据，利用求z-score的方法，转换为标准正态分布，和整体样本分布相关，每个特征参数都能对标准化产生影响），得到M个标准化特征参数；对所述M个标准化特征参数进行归一化处理（归一化处理：将所述M个标准化特征参数转换到同一量纲下把数据映射到[0,1]或者[-1, 1]区间内，即由标准化特征参数的极值决定），得到M个标准化特征参数归一化结果；
利用变异系数法对所述M个标准化特征参数归一化结果进行赋权，所述变异系数法为一种客观赋权的方法，直接利用所述归一化处理得到的各个结果所包含的信息，通过计算得到所述归一化处理得到的得到M个权重系数（M个权重系数：所述归一化处理得到的各个结果的权重），确定权重系数后，对所述M个标准化特征参数归一化结果和所述M个权重系数进行加权计算，计算得到所述第一性能指数，在进行数据预处理（M个特征参数作为原始数据，存在不一致、重复、含噪声、维度高的问题，仅进行数据预处理，无法排除原始数据的不一致、重复、含噪声、维度高等问题）后，直接进行赋权计算，保证性能指数的稳定性。
S40：获取历史固态硬盘风险日志，根据所述历史固态硬盘风险日志中的数据构建训练数据集，并训练得到安全风险预测模型；
步骤S40包括步骤：
S41：获取所述历史固态硬盘风险日志的第一风险记录，其中，所述第一风险记录包括具备第一风险类型标识的记录信息；
S42：对所述M个特征和所述N个性能进行合并，得到目标遍历指标集；
S43：基于所述目标遍历指标集对所述第一风险记录进行遍历，得到第一风险指标参数集；以及
S44：结合所述第一风险类型标识得到所述训练数据集。
具体而言，对获取历史固态硬盘风险日志，根据所述历史固态硬盘风险日志中的数据构建训练数据集，包括，所述历史固态硬盘即与所述预设固态硬盘型号一致的固态硬盘，所述历史固态硬盘风险日志即所述历史固态硬盘在使用过程所记载的风险日志记录，所述第一风险记录包括具备第一风险类型标识的记录信息，所述第一风险类型标识可以是数据丢失风险标识、数据污染风险标识或其他风险标识，在确定所述历史固态硬盘后，对历史固态硬盘进行风险日志记录提取，获取所述历史固态硬盘风险日志，以第一风险类型标识为筛选内容，在所述历史固态硬盘风险日志进行记录信息筛选，确定所述历史固态硬盘风险日志中的第一风险记录；
M个特征的主体对象为预设固态硬盘，N个性能的主体对象为预设固态硬盘的预设固件（在结构上存在关联，可以进行合并），对所述M个特征和所述N个性能进行合并，得到目标遍历指标集；将所述目标遍历指标集作为检索内容，设置检索符，对所述第一风险记录进行遍历检索，得到第一风险指标参数集；以及结合所述第一风险类型标识对所述第一风险指标参数集进行标记，将标记后的数据添加至所述训练数据集，重复上述步骤，直至训练数据集拥有完备性（训练数据集的信息熵=历史固态硬盘风险日志的信息熵，即说明训练数据集拥有完备性）后，确定所述训练数据集，以支持向量机、循环神经网络与梯度提升决策树为模型基础，训练得到安全风险预测模型，为建立安全风险预测模型提供数据基础。
如图2所示，步骤S44包括步骤：
S441：随机划分所述训练数据集得到第一划分结果；
S442：基于所述第一划分结果进行模型训练，得到第一风险预测模型集；
S443：对所述第一风险预测模型集进行对比分析，并确定第一目标风险预测模型；
S444：随机划分所述训练数据集得到第二划分结果；
S445：基于所述第二划分结果进行模型训练，得到第二风险预测模型集；
S446：对所述第二风险预测模型集进行对比分析，并确定第二目标风险预测模型；
S447：基于所述第一目标风险预测模型和所述第二目标风险预测模型，确定所述安全风险预测模型。
具体而言，结合所述第一风险类型标识得到所述训练数据集，包括，随机划分（随机划分为现有技术）所述训练数据集得到第一划分结果；以所述第一划分结果为基础，进行模型训练，得到第一风险预测模型集；将所述多个第一风险预测模型作为弱学习器，通过加法模型将第一风险预测模型集中多个第一风险预测模型进行线性组合（在所述训练数据集中随机提取第一测试集，将所述第一测试集作为测试对比的输入信息，分别输入所述第一风险预测模型集中多个第一风险预测模型的数据输入端，进行测试对比，线性组合需要依照测试对比结果展开，学习器测试对比结果中的准确率大，则相应的学习器权值大；反之，则学习器的权值小），确定第一目标风险预测模型；
所述训练数据集随机划分为第一划分结果/第二划分结果（训练数据集、第一划分结果、第二划分结果的数据内容是一致的，区别在于训练数据集没有经过划分，第一划分结果、第二划分结果的数据划分方式不一致）；以所述第二划分结果为基础，进行模型训练，得到第二风险预测模型集；将所述多个第二风险预测模型作为弱学习器，通过加法模型将第二风险预测模型集中多个第二风险预测模型进行线性组合（在所述训练数据集中随机提取第二测试集，将所述第二测试集作为测试对比的输入信息，分别输入所述第二风险预测模型集中多个第二风险预测模型的数据输入端，进行测试对比），确定第二目标风险预测模型；
第二划分结果对应所述第一目标风险预测模型；第二划分结果对应所述第二目标风险预测模型；所述训练数据集可以随机划分为第一划分结果或第二划分结果，将所述第一目标风险预测模型作为安全风险预测模型的第一条风险预测通道，将所述第二目标风险预测模型作为安全风险预测模型的第二条风险预测通道，对所述第一目标风险预测模型和所述第二目标风险预测模型进行合并，确定所述安全风险预测模型，在风险预测模型集中进行比对筛选，为确定更适用于进行安全风险预测的模型提供支持。
步骤S442包括步骤：
S442-1：随机划分所述训练数据集得到第一划分结果；
S442-2：基于所述第一划分结果中的第一数据集训练得到第一支持向量机；
S442-3：基于所述第一划分结果中的第二数据集训练得到第一循环神经网络；
S442-4：基于所述第一划分结果中的第三数据集训练得到第一梯度提升决策树；
S442-5：基于集成学习方法原理对所述第一支持向量机、所述第一循环神经网络和所述第一梯度提升决策树进行模型搭建，得到多个第一风险预测模型；
S442-6：将所述多个第一风险预测模型作为所述第一风险预测模型集。
具体而言，基于所述第一划分结果进行模型训练，得到第一风险预测模型集，包括，随机划分所述训练数据集得到第一划分结果，所述第一划分结果包括第一数据集、第二数据集、第三数据集等多个数据集；
以支持向量机为模型基础，基于所述第一划分结果中的第一数据集，训练能够正确划分所述第一数据集并且几何间隔最大的分离超平面，用于表征分离超平面特征子集就被称为支持向量，得到第一支持向量机；
以循环神经网络为模型基础，将所述第一划分结果中的第二数据集作为训练数据，采用每次根据训练得到的结果与预想结果（预想结果：所述历史固态硬盘风险日志中的安全风险历史指数）进行误差分析，进而修改权值和阈值（进而修改权值和阈值可以将循环神经网络训练至适用于进行风险预测），一步一步得到能输出和预想结果一致的模型，在模型输出趋于稳定（模型稳定：输出和预想结果一致）后，确定第一循环神经网络；
以梯度提升决策树为模型基础，将所述第一划分结果中的第三数据集作为训练样本，训练时采用前向分布算法进行贪婪的学习，每次迭代都学习一棵梯度提升决策树来拟合之前 t-1 棵树的预测结果与训练样本真实值的残差，训练得到第一梯度提升决策树；
利用集成学习方法原理，使用一定的结合策略（采用加法模型，即给学习器好的模型一个较大的确信度，提高学习器的性能）对所述第一支持向量机、所述第一循环神经网络和所述第一梯度提升决策树进行模型搭建，得到多个第一风险预测模型；将所述多个第一风险预测模型作为所述第一风险预测模型集，为后续进行模型搭建模型参考。
S50：将所述M个特征参数和所述N个性能参数作为所述安全风险预测模型的输入信息，得到输出结果，其中，所述输出结果包括所述预设固态硬盘的安全风险预测指数；
S60：获取预设稳定性检测方案，并对所述预设固态硬盘进行稳定性检测，得到稳定性指数；
S70：基于所述安全风险预测指数和所述稳定性指数对所述第一预设综合性能指数进行调整，得到第二预设综合性能指数。
具体而言，将所述M个特征参数和所述N个性能参数作为所述安全风险预测模型的输入信息，输入所述安全风险预测模型中，进行安全风险预测，得到输出结果，其中，所述输出结果包括所述预设固态硬盘的安全风险预测指数（安全风险预测指数越高，综合性能指数越低）；获取预设稳定性检测方案（相关领域的技术人员设置），并对所述预设固态硬盘进行稳定性检测（稳定性检测：包括清空、预热、压力、数据读取等环节，稳定性检测不通过，固态硬盘性能抖动可能导致交易型存储系统中的交易数据延迟，甚至发生错误），得到稳定性指数；
基于所述安全风险预测指数和所述稳定性指数对所述第一预设综合性能指数进行调整（若安全风险预测指数为0.65、第一预设综合性能指数为0.8，基于所述安全风险预测指数对所述第一预设综合性能指数进行一次调整的表达式为0.8-0.65*0.8；一次调整结果为0.28，若稳定性指数为0.7，基于所述安稳定性指数对所述第一预设综合性能指数进行一次调整的表达式为0.28*0.7），得到第二预设综合性能指数，所述第二预设综合性能指数表征为预设固态硬盘的综合质量性能的最终测试结果，保证质量性能测试结果的精准度。
如图3所示，步骤S60包括步骤：
S61：组建预设固态硬盘应用场景集；
S62：其中，所述预设固态硬盘应用场景集包括清空应用场景、预热应用场景、压力应用场景、数据读取应用场景；
S63：依次在所述清空应用场景、所述预热应用场景、所述压力应用场景和所述数据读取应用场景下对所述预设固态硬盘进行攻击试验，分别得到清空攻击数据、预热攻击数据、压力攻击数据、数据读取攻击数据；
S64：分析所述清空攻击数据、所述预热攻击数据、所述压力攻击数据、所述数据读取攻击数据，并计算得到所述稳定性指数。
具体而言，获取预设稳定性检测方案，并对所述预设固态硬盘进行稳定性检测，得到稳定性指数，包括，预设固态硬盘的功能出发，组建预设固态硬盘应用场景集，所述预设固态硬盘应用场景集包括清空应用场景（清空SSD：完整擦除一遍SSD）、预热应用场景（预热：使用FIO（磁盘IO测试工具）对SSD全盘顺序写满两遍，然后4K（4K：读写单位）随机写3小时进行预热)、压力应用场景(使用FIO，以80：20的随机读／随机写比例的4K数据块，对SSD盘进行压力测试，持续12小时)、数据读取应用场景(在DISKXFER页(DISKXFER页：每秒磁盘传输数报表)找到对应的测试对象（测试对象：数据读取应用场景的传输内容），不统计前面FIO-ramp-time(执行任务时预热的时间)大于或等于300S的数据点，取读取速度的平均值）；
依次在所述清空应用场景、所述预热应用场景、所述压力应用场景和所述数据读取应用场景下，触发恶意代码（恶意代码为相关领域的技术人员设置）对所述预设固态硬盘进行攻击试验（攻击试验的类型包括数据盗取、数据销毁、拒绝服务、攻击主机、SSD 性能下降、坏块增加、频繁出错等），分别得到清空攻击数据（对应清空应用场景）、预热攻击数据（对应预热应用场景）、压力攻击数据（对应压力应用场景）、数据读取攻击数据（对应数据读取应用场景）；将测试对象作为参考，分析所述清空攻击数据、所述预热攻击数据、所述压力攻击数据、所述数据读取攻击数据，计算得到所述稳定性指数（测试对象在进行攻击试验中，预热攻击数据中的写入SSD的内容与测试对象完全一致，预热应用场景下的稳定性指数为1；预热攻击数据中的写入SSD的内容与测试对象相同部分为85%，预热应用场景下的稳定性指数为0.85），所述稳定性指数等于清空应用场景下的稳定性指数、预热应用场景下的稳定性指数、压力应用场景下的稳定性指数与数据读取应用场景下的稳定性指数的均值，通过进行多次验证测试，获取稳定性指数，保证稳定性指数的可靠性。
综上所述，本申请实施例所提供的一种固态硬盘的综合质量性能测试方法及系统具有如下技术效果：
1．由于采用了采集固态硬盘的多维度特征，得到预设特征参数集；以及获取固态硬盘的固件，并检测得到N个性能参数，计算得到第一预设综合性能指数；获取历史固态硬盘风险日志，构建训练数据集，得到安全风险预测模型；将M个特征参数和N个性能参数作为安全风险预测模型的输入信息，得到输出结果；获取预设稳定性检测方案，对固态硬盘进行稳定性检测，得到稳定性指数，结合安全风险预测指数，调整第一预设综合性能指数，得到第二预设综合性能指数，本申请通过提供了一种固态硬盘的综合质量性能测试方法及系统，实现了从固态硬盘性能指标出发，进行固态硬盘安全风险预测，并执行稳定性检测，彻底排除固态硬盘性能抖动隐患，提高质量性能测试的可信度的技术效果。
2．由于采用了组建预设固态硬盘应用场景集；依次在清空应用场景、预热应用场景、压力应用场景和数据读取应用场景下对预设固态硬盘进行攻击试验，分别得到清空攻击数据、预热攻击数据、压力攻击数据、数据读取攻击数据，计算得到稳定性指数，通过进行多次验证测试，获取稳定性指数，保证稳定性指数的可靠性。
实施例
基于与前述实施例中一种固态硬盘的综合质量性能测试方法相同的发明构思，如图4所示，本申请实施例提供了一种固态硬盘的综合质量性能测试系统，其中，所述系统包括：
预设特征参数集采集模块100，用于采集预设固态硬盘的多维度特征，得到预设特征参数集，其中，所述预设特征参数集包括M个特征的M个特征参数，M为大于1的整数；以及
性能参数检测模块200，用于获取所述预设固态硬盘的预设固件，并检测得到所述预设固件的N个性能的N个性能参数，N为大于1的整数；
综合性能指数计算模块300，用于基于所述M个特征参数和所述N个性能参数，计算得到第一预设综合性能指数；
安全风险预测模型训练模块400，用于获取历史固态硬盘风险日志，根据所述历史固态硬盘风险日志中的数据构建训练数据集，并训练得到安全风险预测模型；
输出结果得到模块500，用于将所述M个特征参数和所述N个性能参数作为所述安全风险预测模型的输入信息，得到输出结果，其中，所述输出结果包括所述预设固态硬盘的安全风险预测指数；
稳定性检测模块600，用于获取预设稳定性检测方案，并对所述预设固态硬盘进行稳定性检测，得到稳定性指数；
性能指数调整模块700，用于基于所述安全风险预测指数和所述稳定性指数对所述第一预设综合性能指数进行调整，得到第二预设综合性能指数。
进一步的，所述系统包括：
第一加权计算模块，用于对所述M个特征参数进行处理，并加权计算得到第一性能指数；
第二加权计算模块，用于对所述N个性能参数进行处理，并加权计算得到第二性能指数；
层次分析模块，用于利用AHP层次分析法分别得到所述第一性能指数的第一系数、所述第二性能指数的第二系数；
粗糙集算法原理分析模块，用于利用粗糙集算法原理分别得到所述第一性能指数的第三系数、所述第二性能指数的第四系数；
平均值计算模块，用于将所述第一系数与所述第三系数的平均值设为第一综合系数，将所述第二系数与所述第四系数的平均值设为第二综合系数；
第一预设综合性能指数计算模块，用于根据所述第一性能指数和所述第一综合系数、所述第二性能指数和所述第二综合系数，计算得到所述第一预设综合性能指数。
进一步的，所述系统包括：
标准化处理模块，用于对所述M个特征参数进行标准化处理，得到M个标准化特征参数；
归一化处理模块，用于对所述M个标准化特征参数进行归一化处理，得到M个标准化特征参数归一化结果；
赋权计算模块，用于利用变异系数法对所述M个标准化特征参数归一化结果进行赋权，得到M个权重系数；
第三加权计算模块，用于对所述M个标准化特征参数归一化结果和所述M个权重系数进行加权计算，得到所述第一性能指数。
进一步的，所述系统包括：
第一风险记录获取模块，用于获取所述历史固态硬盘风险日志的第一风险记录，其中，所述第一风险记录包括具备第一风险类型标识的记录信息；
目标遍历指标集确定模块，用于对所述M个特征和所述N个性能进行合并，得到目标遍历指标集；
第一风险指标参数集确定模块，用于基于所述目标遍历指标集对所述第一风险记录进行遍历，得到第一风险指标参数集；以及
训练数据集确定模块，用于结合所述第一风险类型标识得到所述训练数据集。
进一步的，所述系统包括：
第一随机划分模块，用于随机划分所述训练数据集得到第一划分结果；
第一模型训练模块，用于基于所述第一划分结果进行模型训练，得到第一风险预测模型集；
第一对比分析模块，用于对所述第一风险预测模型集进行对比分析，并确定第一目标风险预测模型；
第二随机划分模块，用于随机划分所述训练数据集得到第二划分结果；
第二模型训练模块，用于基于所述第二划分结果进行模型训练，得到第二风险预测模型集；
第二对比分析模块，用于对所述第二风险预测模型集进行对比分析，并确定第二目标风险预测模型；
安全风险预测模型确定模块，用于基于所述第一目标风险预测模型和所述第二目标风险预测模型，确定所述安全风险预测模型。
进一步的，所述系统包括：
第一划分结果确定模块，用于随机划分所述训练数据集得到第一划分结果；
第一支持向量机搭建模块，用于基于所述第一划分结果中的第一数据集训练得到第一支持向量机；
第一循环神经网络搭建模块，用于基于所述第一划分结果中的第二数据集训练得到第一循环神经网络；
第一梯度提升决策树搭建模块，用于基于所述第一划分结果中的第三数据集训练得到第一梯度提升决策树；
多个第一风险预测模型搭建模块，用于基于集成学习方法原理对所述第一支持向量机、所述第一循环神经网络和所述第一梯度提升决策树进行模型搭建，得到多个第一风险预测模型；
第一风险预测模型集确定模块，用于将所述多个第一风险预测模型作为所述第一风险预测模型集。
进一步的，所述系统包括：
应用场景集组建模块，用于组建预设固态硬盘应用场景集；
应用场景确定模块，用于其中，所述预设固态硬盘应用场景集包括清空应用场景、预热应用场景、压力应用场景、数据读取应用场景；
攻击试验模块，用于依次在所述清空应用场景、所述预热应用场景、所述压力应用场景和所述数据读取应用场景下对所述预设固态硬盘进行攻击试验，分别得到清空攻击数据、预热攻击数据、压力攻击数据、数据读取攻击数据；
稳定性指数计算模块，用于分析所述清空攻击数据、所述预热攻击数据、所述压力攻击数据、所述数据读取攻击数据，并计算得到所述稳定性指数。
综上所述的方法的任意步骤都可作为计算机指令或者程序存储在不设限制的计算机存储器中，并可以被不设限制的计算机处理器调用识别用以实现本申请实施例中的任一项方法，在此不做多余限制。
进一步的，综上所述的第一或第二可能不止代表次序关系，也可能代表某项特指概念，和/或指的是多个元素之间可单独或全部选择。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。

Claims (7)

1.一种固态硬盘的综合质量性能测试方法，其特征在于，包括：
采集预设固态硬盘的多维度特征，得到预设特征参数集，其中，所述预设特征参数集包括M个特征的M个特征参数，M为大于1的整数；以及
获取所述预设固态硬盘的预设固件，并检测得到所述预设固件的N个性能的N个性能参数，N为大于1的整数；
基于所述M个特征参数和所述N个性能参数，计算得到第一预设综合性能指数；
获取历史固态硬盘风险日志，根据所述历史固态硬盘风险日志中的数据构建训练数据集，并训练得到安全风险预测模型；
将所述M个特征参数和所述N个性能参数作为所述安全风险预测模型的输入信息，得到输出结果，其中，所述输出结果包括所述预设固态硬盘的安全风险预测指数；
获取预设稳定性检测方案，并对所述预设固态硬盘进行稳定性检测，得到稳定性指数；
基于所述安全风险预测指数和所述稳定性指数对所述第一预设综合性能指数进行调整，得到第二预设综合性能指数；
其中，所述基于所述M个特征参数和所述N个性能参数，计算得到第一预设综合性能指数，包括：
对所述M个特征参数进行处理，并加权计算得到第一性能指数；
对所述N个性能参数进行处理，并加权计算得到第二性能指数；
利用AHP层次分析法分别得到所述第一性能指数的第一系数、所述第二性能指数的第二系数；
利用粗糙集算法分别得到所述第一性能指数的第三系数、所述第二性能指数的第四系数；
将所述第一系数与所述第三系数的平均值设为第一综合系数，将所述第二系数与所述第四系数的平均值设为第二综合系数；
根据所述第一性能指数和所述第一综合系数、所述第二性能指数和所述第二综合系数，计算得到所述第一预设综合性能指数。
2.根据权利要求1所述综合质量性能测试方法，其特征在于，所述对所述M个特征参数进行处理，并加权计算得到第一性能指数，包括：
对所述M个特征参数进行标准化处理，得到M个标准化特征参数；
对所述M个标准化特征参数进行归一化处理，得到M个标准化特征参数归一化结果；
利用变异系数法对所述M个标准化特征参数归一化结果进行赋权，得到M个权重系数；
对所述M个标准化特征参数归一化结果和所述M个权重系数进行加权计算，得到所述第一性能指数。
3.根据权利要求1所述综合质量性能测试方法，其特征在于，所述获取历史固态硬盘风险日志，根据所述历史固态硬盘风险日志中的数据构建训练数据集，并训练得到安全风险预测模型，包括：
获取所述历史固态硬盘风险日志的第一风险记录，其中，所述第一风险记录包括具备第一风险类型标识的记录信息；
对所述M个特征参数和所述N个性能参数进行合并，得到目标遍历指标集；
基于所述目标遍历指标集对所述第一风险记录进行遍历，得到第一风险指标参数集；以及
结合所述第一风险类型标识得到所述训练数据集。
4.根据权利要求3所述综合质量性能测试方法，其特征在于，在所述结合所述第一风险类型标识得到所述训练数据集之后，包括：
随机划分所述训练数据集得到第一划分结果；
基于所述第一划分结果进行模型训练，得到第一风险预测模型集；
对所述第一风险预测模型集进行对比分析，并确定第一目标风险预测模型；
随机划分所述训练数据集得到第二划分结果；
基于所述第二划分结果进行模型训练，得到第二风险预测模型集；
对所述第二风险预测模型集进行对比分析，并确定第二目标风险预测模型；
基于所述第一目标风险预测模型和所述第二目标风险预测模型，确定所述安全风险预测模型。
5.根据权利要求4所述综合质量性能测试方法，其特征在于，所述基于所述第一划分结果进行模型训练，得到第一风险预测模型集，包括：
基于所述第一划分结果中的第一数据集训练得到第一支持向量机；
基于所述第一划分结果中的第二数据集训练得到第一循环神经网络；
基于所述第一划分结果中的第三数据集训练得到第一梯度提升决策树；
基于集成学习方法对所述第一支持向量机、所述第一循环神经网络和所述第一梯度提升决策树进行模型搭建，得到多个第一风险预测模型；
将所述多个第一风险预测模型作为所述第一风险预测模型集。
6.根据权利要求1所述综合质量性能测试方法，其特征在于，所述获取预设稳定性检测方案，并对所述预设固态硬盘进行稳定性检测，得到稳定性指数，包括：
组建预设固态硬盘应用场景集；
其中，所述预设固态硬盘应用场景集包括清空应用场景、预热应用场景、压力应用场景、数据读取应用场景；
依次在所述清空应用场景、所述预热应用场景、所述压力应用场景和所述数据读取应用场景下对所述预设固态硬盘进行攻击试验，分别得到清空攻击数据、预热攻击数据、压力攻击数据、数据读取攻击数据；
分析所述清空攻击数据、所述预热攻击数据、所述压力攻击数据、所述数据读取攻击数据，并计算得到所述稳定性指数。
7.一种固态硬盘的综合质量性能测试系统，其特征在于，用于实施权利要求1-6任意一项所述的一种固态硬盘的综合质量性能测试方法，包括：
预设特征参数集采集模块，用于采集预设固态硬盘的多维度特征，得到预设特征参数集，其中，所述预设特征参数集包括M个特征的M个特征参数，M为大于1的整数；以及
性能参数检测模块，用于获取所述预设固态硬盘的预设固件，并检测得到所述预设固件的N个性能的N个性能参数，N为大于1的整数；
综合性能指数计算模块，用于基于所述M个特征参数和所述N个性能参数，计算得到第一预设综合性能指数；
安全风险预测模型训练模块，用于获取历史固态硬盘风险日志，根据所述历史固态硬盘风险日志中的数据构建训练数据集，并训练得到安全风险预测模型；
输出结果得到模块，用于将所述M个特征参数和所述N个性能参数作为所述安全风险预测模型的输入信息，得到输出结果，其中，所述输出结果包括所述预设固态硬盘的安全风险预测指数；
稳定性检测模块，用于获取预设稳定性检测方案，并对所述预设固态硬盘进行稳定性检测，得到稳定性指数；
性能指数调整模块，用于基于所述安全风险预测指数和所述稳定性指数对所述第一预设综合性能指数进行调整，得到第二预设综合性能指数；
第一加权计算模块，用于对所述M个特征参数进行处理，并加权计算得到第一性能指数；
第二加权计算模块，用于对所述N个性能参数进行处理，并加权计算得到第二性能指数；
层次分析模块，用于利用AHP层次分析法分别得到所述第一性能指数的第一系数、所述第二性能指数的第二系数；
粗糙集算法分析模块，用于利用粗糙集算法分别得到所述第一性能指数的第三系数、所述第二性能指数的第四系数；
平均值计算模块，用于将所述第一系数与所述第三系数的平均值设为第一综合系数，将所述第二系数与所述第四系数的平均值设为第二综合系数；
第一预设综合性能指数计算模块，用于根据所述第一性能指数和所述第一综合系数、所述第二性能指数和所述第二综合系数，计算得到所述第一预设综合性能指数。
CN202310901695.XA 2023-07-21 2023-07-21 一种固态硬盘的综合质量性能测试方法及系统 Active CN116610469B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310901695.XA CN116610469B (zh) 2023-07-21 2023-07-21 一种固态硬盘的综合质量性能测试方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310901695.XA CN116610469B (zh) 2023-07-21 2023-07-21 一种固态硬盘的综合质量性能测试方法及系统

Publications (2)

Publication Number Publication Date
CN116610469A CN116610469A (zh) 2023-08-18
CN116610469B true CN116610469B (zh) 2023-11-14

Family

ID=87675077

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310901695.XA Active CN116610469B (zh) 2023-07-21 2023-07-21 一种固态硬盘的综合质量性能测试方法及系统

Country Status (1)

Country Link
CN (1) CN116610469B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117894347B (zh) * 2024-03-15 2024-05-24 深圳市铨兴科技有限公司 一种固态硬盘功耗控制方法、系统和介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104866411A (zh) * 2015-06-08 2015-08-26 北京奇虎科技有限公司 固态硬盘的监测及分析方法及装置
CN113703913A (zh) * 2021-08-06 2021-11-26 长江存储科技有限责任公司 设备测试方法及装置
CN114943321A (zh) * 2021-02-08 2022-08-26 超聚变数字技术有限公司 一种针对硬盘的故障预测方法、装置及设备

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104866411A (zh) * 2015-06-08 2015-08-26 北京奇虎科技有限公司 固态硬盘的监测及分析方法及装置
CN114943321A (zh) * 2021-02-08 2022-08-26 超聚变数字技术有限公司 一种针对硬盘的故障预测方法、装置及设备
CN113703913A (zh) * 2021-08-06 2021-11-26 长江存储科技有限责任公司 设备测试方法及装置

Also Published As

Publication number Publication date
CN116610469A (zh) 2023-08-18

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
CN110688288B (zh) 基于人工智能的自动化测试方法、装置、设备及存储介质
CN116610469B (zh) 一种固态硬盘的综合质量性能测试方法及系统
CN107168995B (zh) 一种数据处理方法及服务器
CN108765189B (zh) 基于智能诊断算法的开放式局部放电大数据管理系统
CN112951311B (zh) 一种基于变权重随机森林的硬盘故障预测方法及系统
CN112214369A (zh) 基于模型融合的硬盘故障预测模型建立方法及其应用
CN116737510B (zh) 一种基于数据分析的键盘智能监测方法及系统
CN111858265A (zh) 一种存储系统的存储故障预测方法、系统及装置
CN116822383A (zh) 设备寿命预测模型构建方法、装置、可读存储介质及设备
CN113822336A (zh) 一种云硬盘故障预测方法、装置、系统及可读存储介质
CN113239006A (zh) 日志检测模型的生成方法和装置、日志检测方法和装置
CN116148656A (zh) 一种便携式模拟断路器故障检测方法
CN116049766A (zh) 基于数字孪生的多源数据异常监测系统
CN116150191A (zh) 一种用于云端数据架构的数据运算加速方法及系统
CN116306806A (zh) 故障诊断模型确定方法、装置及非易失性存储介质
CN111767162A (zh) 一种面向不同型号硬盘的故障预测方法及电子装置
CN113742983A (zh) 基于深度自编码器神经网络的长跨结构损伤识别方法
CN116842240B (zh) 一种基于全链路治理管控的数据治理系统
CN111767546B (zh) 一种基于深度学习的输入结构推断方法和装置
CN117556369A (zh) 一种动态生成的残差图卷积神经网络的窃电检测方法及系统
CN113778766A (zh) 基于多维特征的硬盘故障预测模型建立方法及其应用
CN115729761B (zh) 一种硬盘故障预测方法、系统、设备及介质
CN110852443B (zh) 特征稳定性检测方法、设备及计算机可读介质
CN111863135A (zh) 一种假阳性结构变异过滤方法、存储介质及计算设备

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
GR01 Patent grant
GR01 Patent grant