CN116631487A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN116631487A CN116631487A CN202310610600.9A CN202310610600A CN116631487A CN 116631487 A CN116631487 A CN 116631487A CN 202310610600 A CN202310610600 A CN 202310610600A CN 116631487 A CN116631487 A CN 116631487A
- Authority
- CN
- China
- Prior art keywords
- solid state
- state disk
- long
- service life
- network 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.)
- Pending
Links
- 239000007787 solid Substances 0.000 title claims abstract description 188
- 230000015654 memory Effects 0.000 title claims abstract description 125
- 238000000034 method Methods 0.000 title claims abstract description 58
- 210000002569 neuron Anatomy 0.000 claims description 37
- 230000007787 long-term memory Effects 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 25
- 238000012544 monitoring process Methods 0.000 claims description 21
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 230000006403 short-term memory Effects 0.000 claims description 16
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 230000003749 cleanliness Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- 230000003321 amplification Effects 0.000 claims description 5
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 abstract description 7
- 230000036541 health Effects 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 16
- 210000004027 cell Anatomy 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 238000012417 linear regression Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 6
- 238000013500 data storage Methods 0.000 description 5
- 239000002245 particle Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000013459 approach Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 235000019800 disodium phosphate Nutrition 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007334 memory performance Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035939 shock Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004549 pulsed laser deposition Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G11—INFORMATION STORAGE
- G11C—STATIC STORES
- G11C29/00—Checking stores for correct operation ; Subsequent repair; Testing stores during standby or offline operation
- G11C29/04—Detection or location of defective memory elements, e.g. cell constructio details, timing of test signals
- G11C29/08—Functional testing, e.g. testing during refresh, power-on self testing [POST] or distributed testing
- G11C29/12—Built-in arrangements for testing, e.g. built-in self testing [BIST] or interconnection details
-
- 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
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
-
- 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
本申请提供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,本发明通过长短期记忆网络模型,基于机房环境因子、服务器负载配置因子及IT环境因子等构建固态硬盘寿命预测模型。通过此发明,可以实时了解固态硬盘的健康情况和有效降低硬盘备货成本,大大降低数据丢失的风险,并给IT运维人员提供了硬盘维护的可靠依据。
Description
技术领域
本申请涉及设备使用寿命预测的技术领域,特别是涉及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。
背景技术
IDC(Internet Data Center)是互联网数据中心,是一种拥有完善的设备(包括高速互联网接入带宽、高性能局域网络、安全可靠的机房环境等)、专业化的管理、完善的应用服务平台。在这个平台基础上,IDC服务商为客户提供互联网基础平台服务(服务器托管、虚拟主机、邮件缓存、虚拟邮件等)以及各种增值服务。
在大型IDC数据中心中,鉴于SSD(Solid State Disk)固态硬盘的高密度、读写速度快,防震抗摔,低功耗和轻便等优点,外置存储系统和服务器内置存储采用SSD(SolidState Disk)固态硬盘已成为重要发展趋势。硬盘会因使用方式不同、温度高低、震动以及异常掉电等因素影响着硬盘的使用寿命,在大型IDC数据中心因硬盘故障导致数据丢失的情况时常发生。然而,现有的SSD(Solid State Disk)固态硬盘的健康状况及使用寿命无法进行准确预测,导致无法可靠安全地保护客户数据。
发明内容
鉴于以上所述现有技术的缺点,本申请的目的在于提供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,用于解决现有的SSD硬盘的健康状况及使用寿命无法进行准确预测,导致无法可靠安全地保护客户数据的问题。
为实现上述目的及其他相关目的,本申请的第一方面提供一种基于长短期记忆网络模型的固态硬盘寿命预测方法,包括:获取关联于固态硬盘使用寿命的多个影响因子;基于故障固态硬盘的样本数据、由硬盘监控系统采集所得的监控数据及各硬盘使用环境下产生的环境数据,获取各所述影响因子的参数值以生成相应的训练数据集;构建用于预测固态硬盘使用寿命的长短期记忆网络模型,并利用所述训练数据集来迭代训练所述长短期记忆网络模型,直至训练次数达到预设最大迭代次数;其中,所述长短期记忆网络模型包括一系列基于时间序列的长短期记忆单元;每个长短期记忆单元包括以各所述影响因子作为神经元的输入层,以若干个固态硬盘性能指标作为神经元的隐藏层,并以固态硬盘预测寿命作为神经元的输出层;将当前状态下服务器中的固态硬盘相关数据输入构建得到的用于预测固态硬盘使用寿命的长短期记忆网络模型中,以对所述当前状态下服务器中的固态硬盘进行剩余寿命预测。
于本申请的第一方面的一些实施例中,所述长短期记忆网络模型由一系列长短期记忆单元组成;每个长短期记忆单元由如下元素构成:神经网络层、按位操作或逐点操作、向量传递及向量拼接。
于本申请的第一方面的一些实施例中,所述长短期记忆单元的输入层中的神经元包括:温度、湿度、机房洁净度、内存、CPU、网络带宽、通电时长、异常掉电次数、闪存数据写入量、主机数据写入量、硬盘IO;所述长短期记忆单元的隐藏层中的神经元包括写入放大率、IOPS、坏块数、读写速度、P/E次数;所述长短期记忆单元的输出层中的神经元包括使用寿命。
于本申请的第一方面的一些实施例中,所述关联于固态硬盘使用寿命的多个影响因子的获取方式包括:基于固态硬盘使用寿命的理论推演及测试分析,撷取与固态硬盘使用寿命相关度最高的若干个影响因子。
于本申请的第一方面的一些实施例中,撷取到的与固态硬盘使用寿命相关度最高的若干个影响因子包括:机房环境因子、服务器负载配置因子及IT环境因子中的任一种或多种因子的组合。
于本申请的第一方面的一些实施例中,在构建得到所述长短期记忆网络模型后,所述方法还执行如下:分别获取固态硬盘的实际使用寿命和经由所述长短期记忆网络模型输出的预测使用寿命;计算所述实际使用寿命和预测使用寿命在预测步数内的平均绝对误差值;通过所述平均绝对误差值的大小来表征所述长短期记忆网络模型对固态硬盘使用寿命预测的精度。
于本申请的第一方面的一些实施例中,所述实际使用寿命和预测使用寿命在预测步数内的平均绝对误差值的计算方式包括:其中,N表示预测步数;y表示固态硬盘的实际使用寿命;p表示固态硬盘的预测使用寿命。
为实现上述目的及其他相关目的,本申请的第二方面提供一种基于长短期记忆网络模型的固态硬盘寿命预测装置,包括:影响因子构建模块,用于获取关联于固态硬盘使用寿命的多个影响因子;数据集生成模块,用于基于故障固态硬盘的样本数据、由硬盘监控系统采集所得的监控数据及各硬盘使用环境下产生的环境数据,获取各所述影响因子的参数值以生成相应的训练数据集;模型构建模块,用于构建用于预测固态硬盘使用寿命的长短期记忆网络模型,并利用所述训练数据集来迭代训练所述长短期记忆网络模型,直至训练次数达到预设最大迭代次数;其中,所述长短期记忆网络模型包括一系列基于时间序列的长短期记忆单元;每个长短期记忆单元包括以各所述影响因子作为神经元的输入层,以若干个固态硬盘性能指标作为神经元的隐藏层,并以固态硬盘预测寿命作为神经元的输出层;寿命预测模块,用于将当前状态下服务器中的固态硬盘相关数据输入构建得到的用于预测固态硬盘使用寿命的长短期记忆网络模型中,以对所述当前状态下服务器中的固态硬盘进行剩余寿命预测。
为实现上述目的及其他相关目的,本申请的第三方面提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现所述基于长短期记忆网络模型的固态硬盘寿命预测方法。
为实现上述目的及其他相关目的,本申请的第四方面提供一种电子终端,包括:处理器及存储器;所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行所述基于长短期记忆网络模型的固态硬盘寿命预测方法。
如上所述,本申请的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,具有以下有益效果:本发明通过长短期记忆网络模型,基于机房环境因子、服务器负载配置因子及IT环境因子等构建固态硬盘寿命预测模型。通过此发明,可以实时了解固态硬盘的健康情况和有效降低硬盘备货成本,大大降低数据丢失的风险,并给IT运维人员提供了硬盘维护的可靠依据。
附图说明
图1显示为本申请一实施例中的一种基于长短期记忆网络模型的固态硬盘寿命预测方法的流程示意图。
图2A显示为本申请一实施例中机械硬盘的逻辑结构的示意图。
图2B显示为本申请一实施例中机械硬盘的逻辑结构的示意图。
图2C显示为本申请一实施例中固态硬盘的逻辑结构的示意图。
图3显示为本申请一实施例中长短期记忆网络模型的结构示意图。
图4显示为本申请一实施例中长短期记忆单元的结构示意图。
图5显示为本申请一实施例中LSTM单元的神经网络层的结构示意图。
图6显示为本申请一实施例中复杂非线性关系数据中多元线性回归模型收敛效果示意图。
图7显示为本申请一实施例中的一种基于长短期记忆网络模型的固态硬盘寿命预测装置的结构示意图。
图8显示为本申请一实施例中电子终端的结构示意图。
具体实施方式
以下通过特定的具体实例说明本申请的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。本申请还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本申请的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,在下述描述中,参考附图,附图描述了本申请的若干实施例。应当理解,还可使用其他实施例,并且可以在不背离本申请的精神和范围的情况下进行机械组成、结构、电气以及操作上的改变。下面的详细描述不应该被认为是限制性的,并且本申请的实施例的范围仅由公布的专利的权利要求书所限定。这里使用的术语仅是为了描述特定实施例,而并非旨在限制本申请。空间相关的术语,例如“上”、“下”、“左”、“右”、“下面”、“下方”、“下部”、“上方”、“上部”等,可在文中使用以便于说明图中所示的一个元件或特征与另一元件或特征的关系。
在本申请中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”、“固持”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本申请中的具体含义。
再者,如同在本文中所使用的,单数形式“一”、“一个”和“该”旨在也包括复数形式,除非上下文中有相反的指示。应当进一步理解,术语“包含”、“包括”表明存在所述的特征、操作、元件、组件、项目、种类、和/或组,但不排除一个或多个其他特征、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。此处使用的术语“或”和“和/或”被解释为包括性的,或意味着任一个或任何组合。因此,“A、B或C”或者“A、B和/或C”意味着“以下任一个:A;B;C;A和B;A和C;B和C;A、B和C”。仅当元件、功能或操作的组合在某些方式下内在地互相排斥时,才会出现该定义的例外。
为解决上述背景技术中的问题,本发明提供固态硬盘使用寿命的预测方法、装置、终端及介质,旨在能够实时掌握固态硬盘的健康状况及使用寿命,提供预警机制,解决由于硬盘故障而导致数据丢失的问题,从而更加可靠安全地保护客户数据。
为了使本发明的目的、技术方案及优点更加清楚明白,通过下述实施例并结合附图,对本发明实施例中的技术方案的进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定发明。
在对本发明进行进一步详细说明之前,对本发明实施例中涉及的名词和术语进行说明,本发明实施例中涉及的名词和术语适用于如下的解释:
<1>SSD(Solid State Disk),固态硬盘,是用固态电子存储芯片阵列制成的硬盘。SSD固态硬盘由控制单元和存储单元(Flash芯片、DRAM芯片)组成。
<2>LSTM(Long Short-Term Memory),长短期记忆网络模型,是一种时间循环神经网络,是为了解决一般的RNN循环神经网络存在的长期依赖问题而专门设计出来的。
<3>P/E次数:可擦写次数;P是指Program(编程),E是指Erase(擦除),固态硬盘中存储数据采用的是闪存颗粒,由于闪存颗粒不能无限次的反复写入数据,而是有一定数量的可擦写次数。
<4>IOPS(Input/Output Operations Per Second),每秒进行读写(I/O)操作的次数。随机读写性是固态硬盘的关键指标,其在某种程度上影响着数据存取会不会卡顿;IOPS值越高意味着4K读写速度越快。
<5>SMART监控系统,是一种自我监测、分析与报告的技术,是固态硬盘的内置系统,旨在监控驱动器的状态并确定需要修复的问题。
本发明实施例提供固态硬盘使用寿命的预测方法、固态硬盘使用寿命的预测方法的装置、以及存储用于实现固态硬盘使用寿命的预测方法的可执行程序的存储介质。就固态硬盘使用寿命的预测方法的实施而言,本发明实施例将对固态硬盘使用寿命的预测的示例性实施场景进行说明。
如图1所示,展示了本发明实施例中的一种基于长短期记忆网络模型的固态硬盘寿命预测方法的流程示意图。本实施例中的固态硬盘使用寿命的预测方法主要包括如下各步骤:
步骤S11:获取关联于固态硬盘使用寿命的多个影响因子。
于本发明实施例中,所述关联于固态硬盘使用寿命的多个影响因子的获取方式包括:基于固态硬盘使用寿命的理论推演及测试分析,撷取与固态硬盘使用寿命相关度最高的若干个影响因子。
所述固态硬盘使用寿命的理论推演可以是固态硬盘使用寿命的理论计算公式,举例如下:
其中,P/E次数是指可擦写次数;固态硬盘每年实际写入容量≈365*固态硬盘每天写入容量。
于本发明实施例中,为获取与固态硬盘使用寿命高度相关的影响因子,通过对固态硬盘使用寿命理论值的计算公式及实验测试分析得到的多个影响因子包括但不限于:机房环境因子、服务器负载配置因子及IT环境因子中的任一种或多种因子的组合。
所述机房环境因子主要是指装载有固态硬盘的计算机设备(如服务器等)所处的环境情况;所述服务器负载配置因子主要是指装载有固态硬盘的计算机设备(如服务器等)的负载配置情况;所述IT环境因子主要是指装载有固态硬盘的计算机设备(如服务器等)的设备使用情况。
示例性地,所述机房环境因子包括但不限于如温度因子、湿度因子、机房洁净度因子、电磁场强度因子、噪音干扰因子、振动因子、防雷因子、接地因子等等。所述服务器负载配置因子包括但不限于如内存性能因子、CPU性能因子、网络性能因子、硬盘IO性能因子、UPS性能因子等。所述IT环境因子包括但不限于如通电时长因子、异常掉电次数因子、闪存数据写入量因子、主机数据写入量因子等。
可以理解的是,由于固态硬盘作为电子元件,其机械构件及材料都受环境条件的影响,若机房环境不满足使用要求,则会加速电子元件及材料的老化,缩短固态硬盘的使用寿命。所述内存性能因子主要涉及到如内存速度、内存容量、内存电压、内存线数等;CPU性能因子主要涉及到如CPU时钟频率、CPU基准频率、倍频系数等;硬盘IO性能主要涉及到硬盘读写能力;UPS性能因子主要涉及到能够支持一定功率的服务器工作的续航时长。
步骤S12:基于故障固态硬盘的样本数据、由硬盘监控系统采集所得的监控数据及各硬盘使用环境下产生的环境数据,获取各所述影响因子的参数值以生成相应的训练数据集。
具体而言,在筛选出与固态硬盘寿命高度相关的若干个影响因子后,可通过在大型IDC数据中心运维管理过程中收集大量故障硬盘的样本数据以及通过SMART监控系统得到固态硬盘的实际运行数据,由此得到服务器负载配置因子及IT环境因子的参数值;还可通过收集各个固态硬盘厂商的硬盘使用环境下的数据来得到机房环境因子的参数值。
SMART监控系统是一种自我监测、分析与报告的技术,是固态硬盘的内置系统,旨在监控驱动器的状态并确定需要修复的问题。SMART监控系统对于监控固态硬盘的运行状况、剩余使用寿命以及报告固态硬盘记录的各种数据(例如最低/最高/平均温度、主机在使用期间的读/写次数、通电小时数、以及意外断电的频率)非常有用。
值得说明的是:固态硬盘和机械硬盘虽然同为硬盘,但两者在机械结构及存储原理上都有较大的区别,故而在使用寿命预测中也有明显差异,具体如下:
机械硬盘(Hard Disk Drive,HDD)是一种传统普通硬盘,其由机械部件组成,具有机械属性,其机械属性是指机械硬盘内置有主轴马达、旋转轴、盘片、磁头臂、磁头、永磁铁、磁头停泊区、磁头控制芯片等相关机械配件组成的数据存储设备。磁头臂是可以旋转的,磁头臂上的磁头可以借助磁头臂沿盘片的半径方向运动,再加上盘片每分钟几千转的高速旋转,磁头则可以定位在盘片的指定位置上进行数据的读写操作。机械硬盘的逻辑结构如图2A和2B所示,主要分为磁道、扇区和柱面。固态硬盘和传统的机械硬盘较大区别在于丢弃了机械硬盘的物理结构,不再采用盘片进行数据存储,而采用存储芯片进行数据存储。
目前对于机械硬盘的使用寿命预测,通常只考虑磁盘坏道、读扇区计数、读错误计数、写扇区计数、写错误计数等指标,然而机械硬盘在刚开始使用阶段却并没有磁盘坏道和读写错误计数。除此之外,机械硬盘的使用寿命预测只考虑SMART监控收集的数据,数据来源单一,对后续预测的精准度有很大影响。
与之不同的是,本发明涉及的是固态硬盘。固态硬盘又被称为SSD,是一种较为新型的数据存储介质。固态硬盘的结构如图2C所示:因为它是由控制单元和存储单元(FLASH芯片、DRAM芯片)组成,简单来说即为用固态电子存储芯片阵列制成的硬盘,因为它没有和机械硬盘类似的机械结构,整体更像是一块固态的PCB板,所以得名固态硬盘。
固态硬盘的内部结构可分为三大块:主控芯片、闪存颗粒和缓存单元。三者之间的协同工作即可为完成数据读写任务。数据存储在闪存中,读取时无需寻道,因此速度极快效率高,运行时无噪音抗震能力强,具备低功耗待机功能,工作时能承受的温度范围比机械硬盘大。
固态硬盘使用寿命的预测方法不仅考虑SMART监控收集的数据,还充分考虑了固态硬盘的使用机房环境、服务器负载配置以及IT环境等所有主要因素,例如温度、湿度、机房洁净度、内存、CPU、网络带宽、通电时长、异常掉电次数、闪存数据写入量、主机数据写入量、硬盘IO大小等等,由此形成多维度的数据来源,能够更准确地预测固态硬盘的使用寿命。正是由于机械硬盘和固态硬盘在组成结构及运行原理上都存在明显且实质性的差异,因此应用于机械硬盘上的使用寿命预测方案挪用到固态硬盘上进行寿命预测是不可实现的。
步骤S13:构建用于预测固态硬盘使用寿命的长短期记忆网络模型,并利用所述训练数据集来迭代训练所述长短期记忆网络模型,直至训练次数达到预设最大迭代次数;其中,所述长短期记忆网络模型包括一系列基于时间序列的长短期记忆单元;每个长短期记忆单元包括以各所述影响因子作为神经元的输入层,以若干个固态硬盘性能指标作为神经元的隐藏层,并以固态硬盘预测寿命作为神经元的输出层。
需说明的是,长短期记忆网络模型LSTM(Long Short-Term Memory)是一种时间循环神经网络,是为了解决一般的RNN循环神经网络存在的长期依赖问题而专门设计出来的。LSTM模型的网络结构通常由三层组成,这三层分别是输入层、隐藏层和输出层。本领域技术人员应理解的是,为便于描述,下文中将长短期记忆网络模型简称为LSTM模型,将长短期记忆单元简称为LSTM单元。
基于训练数据集得到的长短期记忆网络模型(LSTM,Long Short-Term Memory)的结构如图3所示,由一系列LSTM单元组成,每个LSTM单元的结构如图4所示。每个LSTM中的方块表示一个神经网络层;圆圈表示按位操作或逐点操作,例如向量加和或者向量乘积等;单箭头表示信号传递(向量传递);合流箭头表示两个信号的连接(向量拼接);分流箭头表示信号被复制后传递到两个不同的地方。
不同于其它模型(如RNN模型)把所有信息都记住而不管这些信息是有用信息还是无用信息,LSTM模型则是选择重要信息而过滤噪声信息,以减轻记忆负担。LSTM单元通过设置记忆单元并增设输入门、输出门及遗忘门这三个控制门来实现信息选择功能。
输入门决定是否能把神经元输出值写入记忆单元,当某个神经元的输出值写到记忆单元时,需先通过输入门,只有当输入门打开时才能将神经元的输出值写入记忆单元中。输入门的计算公式如下:
it=σ(Wi·[ht-1,xt]+bi);公式(1)
其中,σ(·)表示sigmoid函数;tanh(·)表示tanh函数;bi、bC表示偏置;ht-1表示上一时刻的输出值;xt表示当前输入值。Wi是输入xt和上一时刻输出ht-1到输入门的权重;Wc表示输入xt和上一时刻输出ht-1到记忆单元临时状态的权重,然后记忆单元临时状态/>通过tanh层后与遗忘门的输出相乘。这样,只输出所选的部分。
输出门决定其它的神经元是否可以将值从记忆单元中读出来,只有当输出门打开时外界才可将值从记忆单元中读出来。输出门的计算公式如下:
Ot=σ(Wo·[ht-1,xt]+bo);公式(3)
ht=Ot*tanh(Ct);公式(4)
其中,σ(·)sigmoid函数;tanh()表示tanh函数;Wo表示输出门的权重;bo表示输出门的偏置;Ot表示输出门的输出值;ht表示输出端的最终输出值。
遗忘门决定之前记忆单元中存储的值是否保存下来,遗忘门中的sigmoid层可以决定上一个记忆单元状态中要遗忘的信息,遗忘门的输入由xt和ht-1组成,遗忘门的计算公式如下:
ft=σ(Wf·[ht-1,xt]+bf);公式(5)
其中,σ(·)表示sigmoid函数;Wf表示遗忘门的权重;bf表示遗忘门的偏置;ht-1表示上一时刻的输出值。
记忆单元是LSTM模型内部的细胞状态,具有记忆功能,给了LSTM模型有能力自由选择每个时间步里面记忆的内容。记忆单元的计算公式如下:
其中,Ct和Ct-1分别表示LSTM记忆单元在t时刻和t-1时刻的状态。ft表示遗忘门的输出,it表示输入门的输出。
示例性地,神经网络层σ(·)可选用sigmoid函数作为激励函数,主要起到门控作用,由于sigmoid函数的输出值为0~1,因此当输出值接近0或1时,符合物理意义上的关和开。tanh函数作为生成候选记忆C的选项,其输出值为-1~1,符合大多数场景下的0中心的特征分布,且梯度在接近0时,收敛速度比sigmoid函数要快。
在具体的使用过程中,当输入的序列不存在有用信息时,遗忘门ft的值就会接近1,那么输入门的值就会接近0,这样会使过去有用的信息被保存;而当输入的序列存在有用信息时,遗忘门ft的值就会接近0,那么输入门的值会接近1,此时LSTM模型遗忘过去的记忆。
于本发明实施例中,每个LSTM单元包括以各所述影响因子作为神经元的输入层,以若干个固态硬盘性能指标作为神经元的隐藏层,以及以固态硬盘预测寿命作为神经元的输出层。
示例性地,LSTM单元的神经网络层的结构如图5所示:LSTM单元的输入层中的神经元包括但不限于如温度、湿度、机房洁净度、内存、CPU、网络带宽、通电时长、异常掉电次数、闪存数据写入量、主机数据写入量、硬盘IO等等。LSTM单元的隐藏层中的神经元包括但不限于如写入放大率、IOPS、坏块数、读写速度、P/E次数等等。LSTM单元的输出层中的神经元为使用寿命。
应理解的是,写入放大率(Write Amplification,WA)是固态硬盘中一种不良的现象,即实际写入的物理数据量是写入数据量的多倍。IOPS(Input Output Operations PerSecond)是用于固态硬盘性能测试的测量方式,视为每秒的读写次数。坏块通常是指固态硬盘出厂时因不符合厂商标准的出厂坏块、使用过程中因磨损造成的新增坏块、异常掉电等原因被主控误判的假性坏块。读写速度是指固态硬盘读和写数据的速度,例如150~300M每秒。P/E次数是指可擦写次数,固态硬盘中存储数据采用的是闪存颗粒,由于闪存颗粒不能无限次的反复写入数据,而是有一定数量的可擦写次数。
值得说明的是,本发明使用的训练数据集是包含时间序列的,由于LSTM模型本身就是长短期记忆模型,适用于处理时序性的数据。然而,其他模型(如多元线性回归模型)则不适用于时序性的数据。因此在很多的实际应用中表明LSTM神经网络的预测模型比多元线性回归方法预测效果更佳。此外,本发明实施例中还特意将机房洁净度、主机数据写入量、闪存数据写入量等重要参数都纳入了考量。
进一步地,本发明实施例中使用温度、湿度、机房洁净度、内存、CPU、网络带宽、通电时长、异常掉电次数、闪存数据写入量、主机数据写入量、硬盘IO等来构建输入层,而并未使用基于多元线性回归来构建融合指标,这是因为基于多元线性回归来构建融合指标会造成很大的精度差异。含隐含层的神经网络较多元线性回归更能把握数据的内置规律性,特别是其中复杂的非线性关系。
另外,LSTM神经网络是基于循环神经网络(Recurrent Neural Networks,RNN)改进的一种神经网络,LSTM神经网络可以学习前面时间的信息并用于当前时刻的输出,能够自动学习过去一段时间内的数据信息,对于处理时间序列相关的数据有很好的效果;还可以过滤无用信息并保留有用信息,用来进行这一时刻的预测以使模型更加精准。而其他模型(例如多元线性回归模型)则是侧重于从现有的数据中学习权重w和偏置b的值,只有权重w和偏置b的值确定后,才能够拟合出数据的线性方程。因此,两种模型的预测效果不一样,含隐含层的LSTM网络较多元线性回归更能把握时序性数据的内置规律性,特别是其中复杂的非线性关系。因此通过含时间序列的数据集中,LSTM模型对SSD寿命的预测比多元线性回归方法预测效果好一些。例如,在图6所展示的示意图中,复杂非线性关系数据里,多元线性回归模型收敛性较差,即时拟合出的线性方程不一定完全能说明的数据规律性。
步骤S14:将当前状态下服务器中的固态硬盘相关数据输入构建得到的用于预测固态硬盘使用寿命的长短期记忆网络模型中,以对所述当前状态下服务器中的固态硬盘进行剩余寿命预测。
具体而言,在构建得到用于预测固态硬盘使用寿命的LSTM网络后,可将当前使用状态下的任意服务器中的固态硬盘相关数据输入LSTM网络中,例如当前所处机房的温度、湿度、机房洁净度等相关数据,以及硬盘的内存、CPU、网络等配置数据等等,将这些数据输入LSTM网络后输出固态硬盘的使用寿命预测值。
优选地,在构建得到所述长短期记忆网络模型后,所述方法还执行如下:分别获取固态硬盘的实际使用寿命和经由所述长短期记忆网络模型输出的预测使用寿命;计算所述实际使用寿命和预测使用寿命在预测步数内的平均绝对误差值;通过所述平均绝对误差值的大小来表征所述长短期记忆网络模型对固态硬盘使用寿命预测的精度。
具体而言,在评价LSTM模型性能的过程中,假设y为SSD硬盘的实际使用寿命,p为SSD硬盘的预测使用寿命,N为预测步数。所使用的度量标准用平均绝对误差(MeanAbsolute Error,MAE)来表示:
平均绝对误差MAE是一种统计量,可以用来衡量预测值与实际值之间的距离,通常MAE值越小,表明LSTM模型对实际固态硬盘的寿命预测的精度就越高。
如图7所示,展示了本发明一实施中基于长短期记忆网络模型的固态硬盘寿命预测装置的结构示意图。本发明实施例的固态硬盘寿命预测装置700包括:影响因子构建模块701、数据集生成模块702、模型构建模块703、寿命预测模块704。
影响因子构建模块701用于获取关联于固态硬盘使用寿命的多个影响因子。
在一些示例中,所述影响因子构建模块701获取关联于固态硬盘使用寿命的多个影响因子的方式包括:基于固态硬盘使用寿命的理论推演及测试分析,撷取与固态硬盘使用寿命相关度最高的若干个影响因子。
在一些示例中,撷取到的与固态硬盘使用寿命相关度最高的若干个影响因子包括:机房环境因子、服务器负载配置因子及IT环境因子中的任一种或多种因子的组合。
数据集生成模块702用于基于故障固态硬盘的样本数据、由硬盘监控系统采集所得的监控数据及各硬盘使用环境下产生的环境数据,获取各所述影响因子的参数值以生成相应的训练数据集。
模型构建模块703用于构建用于预测固态硬盘使用寿命的长短期记忆网络模型,并利用所述训练数据集来迭代训练所述长短期记忆网络模型,直至训练次数达到预设最大迭代次数;其中,所述长短期记忆网络模型包括一系列基于时间序列的长短期记忆单元;每个长短期记忆单元包括以各所述影响因子作为神经元的输入层,以若干个固态硬盘性能指标作为神经元的隐藏层,并以固态硬盘预测寿命作为神经元的输出层。
在一些示例中,所述长短期记忆网络模型由一系列长短期记忆单元组成;每个长短期记忆单元由如下元素构成:神经网络层、按位操作或逐点操作、向量传递及向量拼接。
进一步地,所述长短期记忆单元的输入层中的神经元包括:温度、湿度、机房洁净度、内存、CPU、网络带宽、通电时长、异常掉电次数、闪存数据写入量、主机数据写入量、硬盘IO;所述长短期记忆单元的隐藏层中的神经元包括写入放大率、IOPS、坏块数、读写速度、P/E次数;所述长短期记忆单元的输出层中的神经元包括使用寿命。
在一些示例中,模型构建模块703在构建得到所述长短期记忆网络模型后,还执行如下:分别获取固态硬盘的实际使用寿命和经由所述长短期记忆网络模型输出的预测使用寿命;计算所述实际使用寿命和预测使用寿命在预测步数内的平均绝对误差值;通过所述平均绝对误差值的大小来表征所述长短期记忆网络模型对固态硬盘使用寿命预测的精度。
进一步地,所述实际使用寿命和预测使用寿命在预测步数内的平均绝对误差值的计算方式包括:其中,N表示预测步数;y表示固态硬盘的实际使用寿命;p表示固态硬盘的预测使用寿命。
寿命预测模块704用于将当前状态下服务器中的固态硬盘相关数据输入构建得到的用于预测固态硬盘使用寿命的长短期记忆网络模型中,以对所述当前状态下服务器中的固态硬盘进行剩余寿命预测。
需要说明的是:上述实施例提供的固态硬盘使用寿命的预测装置在进行固态硬盘使用寿命的预测时,仅以上述各程序模块的划分进行举例说明,实际应用中,可以根据需要而将上述处理分配由不同的程序模块完成,即将装置的内部结构划分成不同的程序模块,以完成以上描述的全部或者部分处理。另外,上述实施例提供的固态硬盘使用寿命的预测装置与固态硬盘使用寿命的预测方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
本发明实施例提供的固态硬盘使用寿命的预测方法可以采用终端侧或服务器侧实施,就固态硬盘使用寿命的预测终端的硬件结构而言,请参阅图8,为本发明实施例提供的固态硬盘使用寿命的预测终端800的一个可选的硬件结构示意图,该终端800可以是移动电话、计算机设备、平板设备、个人数字处理设备、工厂后台处理设备等。固态硬盘使用寿命的预测终端800包括:至少一个处理器801、存储器802、至少一个网络接口804和用户接口806。装置中的各个组件通过总线系统805耦合在一起。可以理解的是,总线系统805用于实现这些组件之间的连接通信。总线系统805除包括数据总线之外,还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见,在图8中将各种总线都标为总线系统。
其中,用户接口806可以包括显示器、键盘、鼠标、轨迹球、点击枪、按键、按钮、触感板或者触摸屏等。
可以理解,存储器802可以是易失性存储器或非易失性存储器,也可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(ROM,Read Only Memory)、可编程只读存储器(PROM,Programmable Read-Only Memory),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(SRAM,StaticRandom Access Memory)、同步静态随机存取存储器(SSRAM,Synchronous StaticRandomAccess Memory)。本发明实施例描述的存储器旨在包括但不限于这些和任意其它适合类别的存储器。
本发明实施例中的存储器802用于存储各种类别的数据以支持固态硬盘使用寿命的预测终端800的操作。这些数据的示例包括:用于在固态硬盘使用寿命的预测终端800上操作的任何可执行程序,如操作系统8021和应用程序8022;操作系统8021包含各种系统程序,例如框架层、核心库层、驱动层等,用于实现各种基础业务以及处理基于硬件的任务。应用程序8022可以包含各种应用程序,例如媒体播放器(MediaPlayer)、浏览器(Browser)等,用于实现各种应用业务。实现本发明实施例提供的固态硬盘使用寿命的预测方法可以包含在应用程序8022中。
上述本发明实施例揭示的方法可以应用于处理器801中,或者由处理器801实现。处理器801可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器801中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器801可以是通用处理器、数字信号处理器(DSP,Digital Signal Processor),或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器801可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器801可以是微处理器或者任何常规的处理器等。结合本发明实施例所提供的配件优化方法的步骤,可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中,该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成前述方法的步骤。
在示例性实施例中,固态硬盘使用寿命的预测终端800可以被一个或多个应用专用集成电路(ASIC,Application Specific Integrated Circuit)、DSP、可编程逻辑器件(PLD,Programmable Logic Device)、复杂可编程逻辑器件(CPLD,Complex ProgrammableLogicDevice),用于执行前述方法。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
于本申请提供的实施例中,所述计算机可读写存储介质可以包括只读存储器、随机存取存储器、EEPROM、CD-ROM或其它光盘存储装置、磁盘存储装置或其它磁存储设备、闪存、U盘、移动硬盘、或者能够用于存储具有指令或数据结构形式的期望的程序代码并能够由计算机进行存取的任何其它介质。另外,任何连接都可以适当地称为计算机可读介质。例如,如果指令是使用同轴电缆、光纤光缆、双绞线、数字订户线(DSL)或者诸如红外线、无线电和微波之类的无线技术,从网站、服务器或其它远程源发送的,则所述同轴电缆、光纤光缆、双绞线、DSL或者诸如红外线、无线电和微波之类的无线技术包括在所述介质的定义中。然而,应当理解的是,计算机可读写存储介质和数据存储介质不包括连接、载波、信号或者其它暂时性介质,而是旨在针对于非暂时性、有形的存储介质。如申请中所使用的磁盘和光盘包括压缩光盘(CD)、激光光盘、光盘、数字多功能光盘(DVD)、软盘和蓝光光盘,其中,磁盘通常磁性地复制数据,而光盘则用激光来光学地复制数据。
综上所述,本申请提供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,本发明通过长短期记忆网络模型,基于机房环境因子、服务器负载配置因子及IT环境因子等构建固态硬盘寿命预测模型。通过此发明,可以实时了解固态硬盘的健康情况和有效降低硬盘备货成本,大大降低数据丢失的风险,并给IT运维人员提供了硬盘维护的可靠依据。所以,本申请有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本申请的原理及其功效,而非用于限制本申请。任何熟悉此技术的人士皆可在不违背本申请的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本申请所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本申请的权利要求所涵盖。
Claims (10)
1.一种基于长短期记忆网络模型的固态硬盘寿命预测方法,其特征在于,包括:
获取关联于固态硬盘使用寿命的多个影响因子;
基于故障固态硬盘的样本数据、由硬盘监控系统采集所得的监控数据及各硬盘使用环境下产生的环境数据,获取各所述影响因子的参数值以生成相应的训练数据集;
构建用于预测固态硬盘使用寿命的长短期记忆网络模型,并利用所述训练数据集来迭代训练所述长短期记忆网络模型,直至训练次数达到预设最大迭代次数;其中,所述长短期记忆网络模型包括一系列基于时间序列的长短期记忆单元;每个长短期记忆单元包括以各所述影响因子作为神经元的输入层,以若干个固态硬盘性能指标作为神经元的隐藏层,并以固态硬盘预测寿命作为神经元的输出层;
将当前状态下服务器中的固态硬盘相关数据输入构建得到的用于预测固态硬盘使用寿命的长短期记忆网络模型中,以对所述当前状态下服务器中的固态硬盘进行剩余寿命预测。
2.根据权利要求1所述的基于长短期记忆网络模型的固态硬盘寿命预测方法,其特征在于,所述关联于固态硬盘使用寿命的多个影响因子的获取方式包括:基于固态硬盘使用寿命的理论推演及测试分析,撷取与固态硬盘使用寿命相关度最高的若干个影响因子。
3.根据权利要求2所述的基于长短期记忆网络模型的固态硬盘寿命预测方法,其特征在于,撷取到的与固态硬盘使用寿命相关度最高的若干个影响因子包括:机房环境因子、服务器负载配置因子及IT环境因子中的任一种或多种因子的组合。
4.根据权利要求1所述的基于长短期记忆网络模型的固态硬盘寿命预测方法,其特征在于,包括:所述长短期记忆网络模型由一系列长短期记忆单元组成;每个长短期记忆单元由如下元素构成:神经网络层、按位操作或逐点操作、向量传递及向量拼接。
5.根据权利要求4所述的基于长短期记忆网络模型的固态硬盘寿命预测方法,其特征在于,所述长短期记忆单元的输入层中的神经元包括:温度、湿度、机房洁净度、内存、CPU、网络带宽、通电时长、异常掉电次数、闪存数据写入量、主机数据写入量、硬盘IO;所述长短期记忆单元的隐藏层中的神经元包括写入放大率、IOPS、坏块数、读写速度、P/E次数;所述长短期记忆单元的输出层中的神经元包括使用寿命。
6.根据权利要求1所述的基于长短期记忆网络模型的固态硬盘寿命预测方法,其特征在于,在构建得到所述长短期记忆网络模型后,所述方法还执行如下:分别获取固态硬盘的实际使用寿命和经由所述长短期记忆网络模型输出的预测使用寿命;计算所述实际使用寿命和预测使用寿命在预测步数内的平均绝对误差值;通过所述平均绝对误差值的大小来表征所述长短期记忆网络模型对固态硬盘使用寿命预测的精度。
7.根据权利要求6所述的基于长短期记忆网络模型的固态硬盘寿命预测方法,其特征在于,所述实际使用寿命和预测使用寿命在预测步数内的平均绝对误差值的计算方式包括:
其中,N表示预测步数;y表示固态硬盘的实际使用寿命;p表示固态硬盘的预测使用寿命。
8.一种基于长短期记忆网络模型的固态硬盘寿命预测装置,其特征在于,包括:
影响因子构建模块,用于获取关联于固态硬盘使用寿命的多个影响因子;
数据集生成模块,用于基于故障固态硬盘的样本数据、由硬盘监控系统采集所得的监控数据及各硬盘使用环境下产生的环境数据,获取各所述影响因子的参数值以生成相应的训练数据集;
模型构建模块,用于构建用于预测固态硬盘使用寿命的长短期记忆网络模型,并利用所述训练数据集来迭代训练所述长短期记忆网络模型,直至训练次数达到预设最大迭代次数;其中,所述长短期记忆网络模型包括一系列基于时间序列的长短期记忆单元;每个长短期记忆单元包括以各所述影响因子作为神经元的输入层,以若干个固态硬盘性能指标作为神经元的隐藏层,并以固态硬盘预测寿命作为神经元的输出层;
寿命预测模块,用于将当前状态下服务器中的固态硬盘相关数据输入构建得到的用于预测固态硬盘使用寿命的长短期记忆网络模型中,以对所述当前状态下服务器中的固态硬盘进行剩余寿命预测。
9.一种计算机可读存储介质,其上存储有计算机程序,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中任一项所述基于长短期记忆网络模型的固态硬盘寿命预测方法。
10.一种电子终端,其特征在于,包括:处理器及存储器;
所述存储器用于存储计算机程序;
所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行如权利要求1至7中任一项所述基于长短期记忆网络模型的固态硬盘寿命预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310610600.9A CN116631487A (zh) | 2023-05-26 | 2023-05-26 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310610600.9A CN116631487A (zh) | 2023-05-26 | 2023-05-26 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116631487A true CN116631487A (zh) | 2023-08-22 |
Family
ID=87596916
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310610600.9A Pending CN116631487A (zh) | 2023-05-26 | 2023-05-26 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116631487A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116822383A (zh) * | 2023-08-31 | 2023-09-29 | 成都态坦测试科技有限公司 | 设备寿命预测模型构建方法、装置、可读存储介质及设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108206045A (zh) * | 2016-12-20 | 2018-06-26 | 三星电子株式会社 | 估计固态驱动设备的剩余寿命的方法 |
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 |
CN111930602A (zh) * | 2020-08-13 | 2020-11-13 | 中国工商银行股份有限公司 | 性能指标预测方法及装置 |
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 |
US20220165348A1 (en) * | 2020-11-20 | 2022-05-26 | Microchip Technology Inc. | Method and apparatus for determining when actual wear of a flash memory device differs from reliability states for the flash memory device |
-
2023
- 2023-05-26 CN CN202310610600.9A patent/CN116631487A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108206045A (zh) * | 2016-12-20 | 2018-06-26 | 三星电子株式会社 | 估计固态驱动设备的剩余寿命的方法 |
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 |
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 |
CN111930602A (zh) * | 2020-08-13 | 2020-11-13 | 中国工商银行股份有限公司 | 性能指标预测方法及装置 |
US20220165348A1 (en) * | 2020-11-20 | 2022-05-26 | Microchip Technology Inc. | Method and apparatus for determining when actual wear of a flash memory device differs from reliability states for the flash memory device |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116822383A (zh) * | 2023-08-31 | 2023-09-29 | 成都态坦测试科技有限公司 | 设备寿命预测模型构建方法、装置、可读存储介质及设备 |
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 | |
CN108052528A (zh) | 一种存储设备时序分类预警方法 | |
US20180060192A1 (en) | Adaptive Failure Prediction Modeling for Detection of Data Storage Device Failures | |
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 | |
Ma et al. | RBER-aware lifetime prediction scheme for 3D-TLC NAND flash memory | |
US20220100389A1 (en) | Method, electronic device, and computer program product for managing disk | |
US20220100632A1 (en) | Detecting performance degradation in remotely deployed applications | |
CN116881737A (zh) | 一种工业智慧监盘系统中的系统分析方法 | |
CN111881000A (zh) | 一种故障预测方法、装置、设备及机器可读介质 | |
CN116775362A (zh) | 独立冗余磁盘阵列的通路阻塞处理方法、系统 | |
CN111091863A (zh) | 一种存储设备故障检测方法及相关装置 | |
Wu et al. | Adaptive sequential predictive maintenance policy with nonperiodic inspection for hard failures | |
US20220121985A1 (en) | Machine Learning Supplemented Storage Device Calibration | |
CN109343796A (zh) | 一种数据处理方法和装置 | |
Frumkin et al. | Jumping through local minima: Quantization in the loss landscape of vision transformers | |
US11593204B2 (en) | Fleet health management device classification framework | |
US10699193B2 (en) | Methods, devices, and systems for reducing device test time | |
KR20130019432A (ko) | 프로브리스 트레이스 캡처를 갖는 아키텍처 실행의 재생 | |
CN109146558A (zh) | 一种识别虚假运动步数的方法和装置 | |
US11436069B2 (en) | Method and apparatus for predicting hard drive failure | |
Wang et al. | Hard disk drives failure detection using a dynamic tracking method | |
CN114489498A (zh) | 一种NAND Flash介质剩余寿命预测的方法、装置、设备及介质 | |
Shen et al. | A multi-agent reinforcement learning-assisted cache cleaning scheme for DM-SMR | |
Niu et al. | A deep look at SMR performance via simulation approach | |
Mudiyanselage | Data engineering and failure prediction for hard drive SMART data |
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 |