CN117271229A - 一种硬盘故障预测方法、装置、存储介质及电子装置 - Google Patents
一种硬盘故障预测方法、装置、存储介质及电子装置 Download PDFInfo
- Publication number
- CN117271229A CN117271229A CN202210649272.9A CN202210649272A CN117271229A CN 117271229 A CN117271229 A CN 117271229A CN 202210649272 A CN202210649272 A CN 202210649272A CN 117271229 A CN117271229 A CN 117271229A
- Authority
- CN
- China
- Prior art keywords
- data
- hard disk
- failure
- risk
- processed
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000012549 training Methods 0.000 claims description 55
- 230000006870 function Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 16
- 230000015654 memory Effects 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 4
- 230000003203 everyday effect Effects 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 230000003442 weekly effect Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000012545 processing Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/2257—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/2205—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using arrangements specific to the hardware being tested
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/2273—Test methods
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Debugging And Monitoring (AREA)
Abstract
本申请实施例提供了一种硬盘故障预测方法、装置、存储介质及电子装置,该方法包括:采集待处理的硬盘数据,将硬盘数据的SMART数据和性能数据拼接起来,得到目标硬盘数据;将目标硬盘数据输入故障预测模型中,得到第一故障预测结果;在第一故障预测结果为存在故障风险的情况下,根据待处理的硬盘数据的SMART数据与性能数据二次确定待处理的硬盘数据是否存在故障风险,得到第二故障预测结果,根据第二故障预测结果确定硬盘故障风险等级,可以解决相关技术中人工智能预测硬盘故障预测不够准确时NTF较高,且对于风险盘为什么是风险状态,往往无法给用户解释,会造成用户对硬盘故障预测系统的质疑和不信任的问题,提高预测结果的可解释性。
Description
技术领域
本申请实施例涉及通信领域,具体而言,涉及一种硬盘故障预测方法、装置、存储介质及电子装置。
背景技术
在大规模数据中心,由硬盘故障引起的IT基础设施稳定性、可靠性下降的问题频发。21世纪初以来,学术界针对硬盘故障预测及诊断开展了大量的研究,这些研究将大数据及人工智能方法进行结合,取得了较高的准确率。但对于具体工业场景下的硬盘故障预测,存在着环境业务复杂、噪声大、器件猝死等诸多问题,硬盘故障预测的准确率和算法的泛化能力在工业应用中仍达不到满意的效果。
为预测硬盘故障,学术界和工业界都做了不少研究,学术界一般只针对单一硬盘型号,故障类的精准率一般可以到90%左右,工业界需要考虑复杂的环境,多个硬盘厂家和多个硬盘型号,故障类的精准率综合下来目前一般只有80%左右。当预测错误时,会提升无故障返修(no trouble found,简称为NTF)的比例,影响数据中心的质量指标。同时预测错误也会导致错误更换硬件,给数据中心带来经济损失。另外,用人工智能方法预测硬盘故障时,对于风险盘为什么是风险状态,往往无法给用户解释,会造成用户对硬盘故障预测系统的质疑和不信任。
针对相关技术中人工智能预测硬盘故障预测不够准确时NTF较高,且对于风险盘为什么是风险状态,往往无法给用户解释,会造成用户对硬盘故障预测系统的质疑和不信任的问题,尚未提出解决方案。
发明内容
本申请实施例提供了一种硬盘故障预测方法、装置、存储介质及电子装置,以至少解决相关技术中人工智能预测硬盘故障预测不够准确时NTF较高,且对于风险盘为什么是风险状态,往往无法给用户解释,会造成用户对硬盘故障预测系统的质疑和不信任的问题。
根据本申请的一个实施例,提供了一种硬盘故障预测方法,所述方法包括:
采集待处理的硬盘数据,其中,所述硬盘数据包括硬盘自我监测、分析及报告技术(Self-Monitoring Analysisand Reporting Technology,简称为SMART)数据和性能数据;
将所述SMART数据和所述性能数据拼接起来,得到目标硬盘数据;
将所述目标硬盘数据输入预先训练好的故障预测模型中,得到所述故障预测模型输出的第一故障预测结果;
在所述第一故障预测结果为存在故障风险的情况下,根据所述待处理的硬盘数据的SMART数据与性能数据二次确定所述待处理的硬盘数据是否存在故障风险,得到第二故障预测结果;
根据所述第二故障预测结果确定硬盘故障风险等级。
根据本申请的另一个实施例,还提供了一种硬盘故障预测装置,所述装置包括:
第一采集模块,用于采集待处理的硬盘数据,其中,所述硬盘数据包括SMART数据和性能数据;
第一拼接模块,用于将所述SMART数据和所述性能数据拼接起来,得到目标硬盘数据;
输入模块,用于将所述目标硬盘数据输入预先训练好的故障预测模型中,得到所述故障预测模型输出的第一故障预测结果;
二次预测模块,用于在所述第一故障预测结果为存在故障风险的情况下,根据所述待处理的硬盘数据的SMART数据与性能数据二次确定所述待处理的硬盘数据是否存在故障风险,得到第二故障预测结果;
第一确定模块,用于根据所述第二故障预测结果确定硬盘故障风险等级。
根据本申请的又一个实施例,还提供了一种计算机可读的存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
根据本申请的又一个实施例,还提供了一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
本申请实施例,采集待处理的硬盘数据,其中,所述硬盘数据包括SMART数据和性能数据;将所述SMART数据和所述性能数据拼接起来,得到目标硬盘数据;将所述目标硬盘数据输入预先训练好的故障预测模型中,得到所述故障预测模型输出的第一故障预测结果;在所述第一故障预测结果为存在故障风险的情况下,根据所述待处理的硬盘数据的SMART数据与性能数据二次确定所述待处理的硬盘数据是否存在故障风险,得到第二故障预测结果,可以解决相关技术中人工智能预测硬盘故障预测不够准确时NTF较高,且对于风险盘为什么是风险状态,往往无法给用户解释,会造成用户对硬盘故障预测系统的质疑和不信任的问题,结合专家系统和故障预模型预测硬盘故障,提升了预测精准率,同时在故障预模型预测不够准确时降低NTF,提高预测结果的可解释性。
附图说明
图1是本申请实施例的硬盘故障预测方法的移动终端的硬件结构框图;
图2是根据本申请实施例的硬盘故障预测方法的流程图;
图3是根据本申请可选实施例的硬盘故障预测方法的流程图;
图4是根据本实施例硬盘数据预处理的流程图;
图5是根据本实施例硬盘数据打标的流程图;
图6是根据本实施例的数据清洗的流程图;
图7是根据本实施例的硬盘故障预测和风险硬盘处理的流程图;
图8是根据本实施例是通过专家系统判定风险硬盘的流程图;
图9是根据本实施例的故障硬盘处理的流程图;
图10是根据本实施例的硬盘自动备份周期判定的流程图;
图11是根据本实施例的硬盘数据备份的流程图;
图12是根据本申请实施例的硬盘故障预测装置的框图;
图13是根据本申请可选实施例的硬盘故障预测装置的框图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本申请的实施例。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
本申请实施例中所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例,图1是本申请实施例的硬盘故障预测方法的移动终端的硬件结构框图,如图1所示,移动终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104,其中,上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述移动终端的结构造成限定。例如,移动终端还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序,例如,应用软件的软件程序以及模块,如本申请实施例中的硬盘故障预测方法对应的计算机程序,处理器102通过运行存储在存储器104内的计算机程序,从而执行各种功能应用以及业务链地址池切片处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至移动终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种运行于上述移动终端或网络架构的硬盘故障预测方法,图2是根据本申请实施例的硬盘故障预测方法的流程图,如图2所示,该流程包括如下步骤:
步骤S202,采集待处理的硬盘数据,其中,所述硬盘数据包括硬盘SMART数据和性能数据;
步骤S204,将SMART数据和性能数据拼接起来,得到目标硬盘数据;
步骤S206,将目标硬盘数据输入预先训练好的故障预测模型中,得到所述故障预测模型输出故障预测结果:
步骤S208,在故障预测结果为存在故障风险的情况下,对待处理的硬盘数据进行二次故障预测,得到第二故障预测结果;
本实施例中,上述步骤S208中,根据待处理的硬盘数据的SMART数据判断第二故障预测结果是否为存在硬盘风险;在判断结果为是的情况下,确定第二故障预测结果为存在硬盘风险;在判断结果为否的情况下,根据性能数据判断第二故障预测结果是否为存在硬盘风险;在判断结果为是的情况下,确定第二故障预测结果为存在硬盘风险;在判断结果为否的情况下,确定第二故障预测结果为不存在硬盘风险。进一步的,上述的SMART数据至少包括:SMART5(重映射扇区计数)、SMART187(无法校正的错误数)、SMART188(命令超时数)、SMART197(当前待映射扇区计数)及SMART198(脱机无法校正的扇区计数),若SMART5的原始值大于第一预设值(例如500),确定第二故障预测结果为存在硬盘风险;若SMART187的原始值大于第二预设值(例如100),确定第二故障预测结果为存在硬盘风险;若SMART188的原始值大于第三预设值(例如100),确定第二故障预测结果为存在硬盘风险;若SMART197或SMART198的原始值大于第四预设值(例如10),确定第二故障预测结果为存在硬盘风险;若性能数据为硬盘平均每秒成功读取文件数大于第五预设值(例如50),确定第二故障预测结果为存在硬盘风险;在上述条件均不满足的情况下,即若SMART5的原始值不大于第一预设值、SMART187的原始值不大于第二预设值、SMART188的原始值不大于第三预设值、SMART197的原始值不大于第四预设值、SMART198的原始值不大于第四预设值且性能数据为硬盘平均每秒成功读取文件数不大于第五预设值,确定第二故障预测结果为不存在硬盘风险。当然也可以选用其他SMART数据判断第二故障预测结果是否为存在硬盘风险,起判断方式与上述类似,在此不再赘述。另外,需要说明书的是,上述判断过程中,SMART5(重映射扇区计数)、SMART187(无法校正的错误数)、SMART188(命令超时数)、SMART197(当前待映射扇区计数)及SMART198(脱机无法校正的扇区计数)的判断先后顺序,并实施例并不进行限定,可以先判断其中人一个SMART数据,在判断结果为是的情况下,结束判断,在判断结果为否的情况下,从剩下的SMART数据中选择一种继续判断,判断结果为是则结束,否则继续从剩下的SMART数据中选取一个进行判断,以此类推,直到所有的SMART数据均判断完成,得出最终的结果,此处不再一一赘述。
步骤S210,根据第二故障预测结果确定硬盘故障风险等级。
本实施例中,上述步骤S208具体可以包括:在故障预测结果为异常的情况下,根据待处理的硬盘数据的SMART数据与性能数据二次确定待处理的硬盘数据是否存在故障风险,得到第二故障预测结果;若第二故障预测结果为存在故障风险,确定硬盘故障风险等级为第一等级;若第二故障预测结果为不存在故障风险,确定硬盘故障风险等级为第二等级,第一等级的风险级别高于第二等级的风险级别。
通过上述步骤S202至S208,可以解决相关技术中人工智能预测硬盘故障预测不够准确时NTF较高,且对于风险盘为什么是风险状态,往往无法给用户解释,会造成用户对硬盘故障预测系统的质疑和不信任的问题,结合专家系统和故障预模型预测硬盘故障,提升了预测精准率,同时在故障预模型预测不够准确时降低NTF,提高预测结果的可解释性。
在一实施例中,上述步骤S204之前,对待处理的硬盘数据进行特征提取,得到待处理的特征数据;对待处理的特征数据进行过滤,得到待处理的目标特征数据;确定待处理的目标特征数据满足预设要求,具体的,判断待处理的目标特征数据的数据时间长度是否大于或等于预设时间长度、采样点个数是否大于或等于预设值;在判断结果为是的情况下,确定待处理的目标特征数据满足预设要求。
在另一实施例中,在上述步骤S208之后,在硬盘故障风险等级为第一等级的情况下,提示更换待处理的硬盘数据对应的硬盘;在硬盘故障风险等级为第二等级的情况下,对待处理的硬盘数据进行备份,具体的,获取待处理的硬盘数据对应的硬盘的RAID配置;若RAID配置为RAID0,每天备份硬盘数据;若RAID配置为RAID5,每周备份硬盘数据;若RAID配置为RAID1或级别大于所述RAID1的RIAID,按照预设的时间周期备份硬盘数据;若RAID配置为其他类型的RAID,每周备份硬盘数据,该其他类型的RAID为除RAID0、RAID5、RAID1及级别大于RAID1的RIAID之外的RAID。对于AI预测出的风险硬盘,根据专家系统分为两类,如果专家系统判定硬盘处于风险状态,直接更换硬盘,如果专家系统未判定硬盘有风险,则对风险盘数据自动进行备份。对于高风险盘,直接更换硬盘,对中低风险盘,自动备份数据。
图3是根据本申请可选实施例的硬盘故障预测方法的流程图,如图3所示,在上述步骤S202之前,该流程包括如下步骤:
步骤S302,采集预设数量的硬盘数据,其中,所述硬盘数据包括SMART数据和性能数据;
步骤S304,将预设数量的所述SMART数据和性能数据拼接起来,形成训练数据集;
步骤S306,根据训练数据集对故障预测模型进行训练,得到训练好的所述故障预测模型。
通过上述步骤S302至S306,可以完成故障预测模型的训练,以便根据训练好的故障预测模型对待处理的硬盘数据进行故障预测。用大数据分析方法对硬盘SMART数据和性能数据分析,用机器学习算法对数据进行AI训练,用训练后的模型对硬盘数据进行故障预测。
在一实施例中,在上述步骤S304之前,对训练数据集中的无效数据和噪声数据进行清洗,并补齐缺失数据。删除训练数据中故障盘的负样本,降低数据噪声。
在另一实施例,在上述步骤S304之前,对预设数量的硬盘数据进行特征提取,得到预设数量的硬盘数据对应的特征数据;对预设数量的硬盘数据对应的特征数据进行过滤,得到预设数量的硬盘数据对应的目标特征数据;确定预设数量的硬盘数据对应的目标特征数据满足预设要求,具体的,判断预设数量的硬盘数据对应的目标特征数据的数据时间长度是否大于或等于预设时间长度、采样点个数是否大于或等于预设值;在判断结果为是的情况下,确定预设数量的硬盘数据对应的目标特征数据满足预设要求。
本实施例中,上述步骤S306具体可以包括:
S1,根据硬盘故障时间设置所述训练数据集中每条数据的标签;
进一步的,上述S1中,可以通过一下方式设置标签:对比硬盘故障时间和数据采集时间;在数据采集时间的间隔小于N天的情况下,则将所述标签设置为1;在数据采集时间和硬盘故障时间的间隔大于N天且小于M天,SMART数据的多个属性字段中有一个属性字段的原始值大于0的情况下,将标签设置为1;在数据采集时间和硬盘故障时间的间隔大于N天且小于M天,SMART数据的多个属性字段的原始值都等于0,则将标签设置为0;在数据采集时间和硬盘故障时间的间隔大于M天,将标签设置为0,其中,1代表风险,0代表无风险。对训练数据进行打标时,结合专家经验,对数据进行分段处理,使得数据标签更符合硬盘的真实状态并具有较好的可解释性。
S2,根据所述训练数据集对所述故障预测模型进行训练,在损失函数满足预设条件的情况下,得到训练好的所述故障预测模型。
本实施例或者采用的损失函数Lfl为:其中,α为平衡因子,γ为调制参数,y′为预测值,y为样本真实值。使用Focal Loss函数作为损失函数,可以解决硬盘数据的正负样本严重不均衡的问题。
图4是根据本实施例硬盘数据预处理的流程图,如图4所示,数据处理方法包括以下步骤:
步骤S401,采集硬盘数据;
采集两类数据:1、SMART数据,用smartctrl工具采集硬盘的SMART数据,一天采集一次,采集时间放在凌晨3点。2、硬盘性能数据,带内工具采集硬盘性能数据。一小时采集一次。
步骤S402,对硬盘数据进行特征提取;
对于采集到的两类数据用Pearson相关系数进行分析,删除掉数据相关性大的特征列和数据没有变化的特征列;
步骤S403,对硬盘数据进行校验;
校验数据时间长度和采样点个数是否能够满足故障检测和预测的数据量最低条件要求:数据采集时间一天采集一次,连续采集三天,两类数据至少有一类采集到了数据。
步骤S404,拼接SMART数据与性能数据,形成训练数据集。
步骤S405,对训练数据集中的硬盘数据设置标签;
根据硬盘故障时间计算训练数据集中每条数据的标签,对于正常硬盘,统一打标为0。图5是根据本实施例硬盘数据打标的流程图,如图5所示,包括以下步骤:
步骤S501,记录故障硬盘的坏盘时间;
对故障硬盘,记录下硬盘故障的日期。
步骤S502,判断硬盘是否发生故障;
对于没有发生故障的硬盘,每条数据都标注为0,否则转步骤S503。
步骤S503,对于发生故障的硬盘,确定数据的采集时间和故障时间的天数差值;
如果天数小于2天,则打标为1。如果天数大于5天,则打标为0。否则转步骤S504。
步骤S504,对于天数差值为2至5天的数据,查看数据的SMART属性,根据SMART属性为硬盘数据设置标签;
具体的,如果SMART5,SMART187,SMART188,SMART197,SMART198五个属性中有一个属性值大于0,则打标为1,否则打标为0。
本实施例中的SMART属性的选取和对应的阈值只为了说明方案步骤,实际实施中可以根据具体的情况对属性选择和阈值进行调整。
步骤S406,对训练数据集中的硬盘数据清洗;
对缺失的属性值填充0,对数据进行降噪。图6是根据本实施例的数据清洗的流程图,如图6所示,包括以下步骤:
步骤S601,查看数据集中故障盘每条数据标签,具体的,遍历数据集中故障盘每天的数据,查看标签。
步骤S602,判断标签是否为0;
判断故障盘的标签是否为0,标签为0的故障盘样本为噪声数据。
步骤S603,删除噪声数据,即删除标签为0的数据。
图7是根据本实施例的硬盘故障预测和风险硬盘处理的流程图,如图7所示,数据处理方法包括以下步骤:
步骤S701,采集硬盘数据;
包括训练数据采集和测试数据采集,训练数据需要记录下硬盘故障时间和硬盘序列号用于打标。
步骤S702,数据处理;
对于训练数据,采用上述方法进行数据处理即可;对于测试数据,按照上述方法进行数据处理即可,但是没有数据打标和数据降噪两步。
步骤S703,训练故障预测模型;
使用LightGBM二分类算法对训练数据集进行训练,算法的目标函数使用FocalLoss损失函数,Focal Loss函数公式为:
其中α为平衡因子,γ为调制参数,y′为预测值,y为样本真实值。
步骤S704,评估训练后的故障预测模型;
在训练集中随机抽取30%数据为验证集,剩下数据作为训练集,对于验证集数据,采用F1-Score作为评价指标,定义相关术语和详细指标如下,其中precision为精准率,recall为召回率:npp指的是评估窗口内被预测出未来30天会坏的硬盘数,ntpp指的是评估窗口内故障内存被提前30天发现的数量,ntr指的是评估窗口内所有的硬盘故障数,ntpr指的是评估窗口内故障硬盘被提前30天发现的数量。
步骤S705,基于训练好的故障预测模型对硬盘数据进行推理;
用训练好的模型对测试数据进行推理,推理的结果应该是0到1之间的一个值。
步骤S706,通过专家系统对硬盘数据进行二次预测;
对于AI模型推理出来的风险硬盘,数据输入专家系统,图8是根据本实施例是通过专家系统判定风险硬盘的流程图,如图8所示,专家系统由两组规则集组成,一类为SMART规则集,另一类为性能数据规则集,包括以下步骤:
步骤S801,查看硬盘SMART数据和性能数据;
将AI模型判断为风险的硬盘数据输入专家系统,查看这些硬盘的SMART数据的原始值和性能数据。
步骤S802,判断SMART5的原始值是否大于500(上述第一预设值的一种示例),在判断结果为否的情况下,执行步骤S803,在判断结果为是的情况下,执行步骤S807;
步骤S803,判断SMART187的原始值是否大于100(上述第二预设值的一种示例),在判断结果为否的情况下,执行步骤S804,在判断结果为是的情况下,执行步骤S807;
步骤S804,判断SMART188的原始值是否大于100(上述第三预设值的一种示例),在判断结果为否的情况下,执行步骤S805,在判断结果为是的情况下,执行步骤S807;
步骤S805,判断SMART197的原始值和SMART198的原始值是否大于10(上述第四预设值的一种示例),在判断结果为否的情况下,执行步骤S806,在判断结果为是的情况下,执行步骤S807;
步骤S806,判断硬盘平均每秒成功读取文件数是否大于50(上述第五预设值的一种示例),在判断结果为否的情况下,执行步骤S807,在判断结果为是的情况下,执行步骤S808;
查看性能数据如果硬盘平均每秒成功读取文件数大于50,认为硬盘风险,否则,认为硬盘正常。
步骤S807,确定硬盘正常。
步骤S808,风险硬盘处理,具体的,对于专家系统和AI同时判断为风险的硬盘,建议用户更换硬盘。
本实施例中的SMART属性和性能属性的选取和对应的阈值只为了说明方案步骤,实际实施中可以根据具体的情况对属性选择和阈值进行调整。
图9是根据本实施例的故障硬盘处理的流程图,如图9所示,包括以下步骤:
步骤S901,获取故障预测模型对硬盘数据进行推理得到的第一故障预测结果;
对待处理的硬盘数据进行预处理后,用上述训练好的故障预测模型对硬盘数据进行推理。
步骤S902,判断第一故障预测结果是否硬盘正常,在判断结果为否的情况下,执行步骤S903;
如果推理结果为正常,则认为硬盘是健康状态,否则,转步骤S903。
步骤S903,获取专家系统二次预测得到的第二故障预测结果;
步骤S904,根据第二故障预测结果确定硬盘风险等级,根据硬盘风险等级对风险硬盘进行处理。
如果专家系统得到的第二故障预测结果认为硬盘存在风险,硬盘风险等级高(对应上的第一等级),则更换硬盘,如果专家系统得到的第二故障预测结果认为硬盘不存在风险,硬盘风险等级低(对应上的第二等级),定时自动备份硬盘数据。
对于AI判断为风险但专家系统认为没有风险的硬盘,系统认为硬盘处于低风险状态,实施自动备份硬盘数据,图10是根据本实施例的硬盘自动备份周期判定的流程图,如图10所示,包括以下步骤:
步骤S1001,查看风险硬盘磁盘阵列(Redundant Arrays of Independent Disks,简称:RAID)配置;
步骤S1002,若RAID配置为RAID0,则每天凌晨自动备份数据,否则转步骤S1003。
步骤S1003,若RAID配置为RAID5,每周自动备份数据,否则,转步骤S1004。
步骤S1004,若RAID配置为RAID1或者更高级别的RAID,默认不备份,但用户可以手机配置自动备份周期,否则,转步骤S1005。
步骤S1005,若RAID配置为其他类型的RAID,每周自动备份数据。
本实施例中的备份周期只为了说明方案步骤,实际实施中可以根据具体的情况对备份周期进行调整。
图11是根据本实施例的硬盘数据备份的流程图,如图11所示,包括以下步骤:
步骤S1101,对需要备份的硬盘数据进行数据压缩;
步骤S1102,判断本机是否有备用硬盘,在判断结果为是的情况下,执行步骤S1103,在判断结果为否的情况下,执行步骤S1104;
步骤S1103,将压缩数据备份到数据中心其他备用硬盘上;
步骤S1104,将压缩数据备份到备用硬盘。
根据本申请实施例的另一方面,还提供了一种硬盘故障预测装置,图12是根据本申请实施例的硬盘故障预测装置的框图,如图12所示,所述装置包括:
第一采集模块122,用于采集待处理的硬盘数据,其中,所述硬盘数据包括SMART数据和性能数据;
第一拼接模块124,用于将所述SMART数据和所述性能数据拼接起来,得到目标硬盘数据;
输入模块126,用于将所述目标硬盘数据输入预先训练好的故障预测模型中,得到所述故障预测模型输出的第一故障预测结果;
二次预测模块128,用于在所述第一故障预测结果为存在故障风险的情况下,根据所述待处理的硬盘数据的SMART数据与性能数据二次确定所述待处理的硬盘数据是否存在故障风险,得到第二故障预测结果;
第一确定模块1210,用于根据所述第二故障预测结果确定硬盘故障风险等级。
在一实施例中,所述装置还包括:
第一特征提取模块,用于对所述待处理的硬盘数据进行特征提取,得到待处理的特征数据;
第一过滤模块,用于对所述待处理的特征数据进行过滤,得到待处理的目标特征数据;
第二确定模块,用于确定所述待处理的目标特征数据满足预设要求。
在一实施例中,所述第一确定模块,还用于若所述第二故障预测结果为存在故障风险,确定所述硬盘故障风险等级为第一等级;若所述第二故障预测结果为不存在故障风险,确定所述硬盘故障风险等级为第二等级,其中,所述第一等级的风险级别高于所述第二等级的风险级别。
在一实施例中,所述装置还包括:
提示模块,用于在所述硬盘故障风险等级为所述第一等级的情况下,提示更换所述待处理的硬盘数据对应的硬盘;
备份模块,用于在所述硬盘故障风险等级为所述第二等级的情况下,对所述待处理的硬盘数据进行备份。
在一实施例中,所述备份模块,还用于获取所述待处理的硬盘数据对应的硬盘的RAID配置;若所述RAID配置为RAID0,每天备份所述硬盘数据;若所述RAID配置为RAID5,每周备份所述硬盘数据;若所述RAID配置为RAID1或级别大于所述RAID1的RIAID,按照预设的时间周期备份所述硬盘数据;若所述RAID配置为其他类型的RAID,每周备份所述硬盘数据,其中,所述其他类型的RAID为除所述RAID0、所述RAID5、所述RAID1及所述级别大于所述RAID1的RIAID之外的RAID。
在一实施例中,所述二次预测模块128,还用于根据待处理的硬盘数据的SMART数据判断所述第二故障预测结果是否为存在硬盘风险;在判断结果为是的情况下,确定所述第二故障预测结果为存在硬盘风险;在判断结果为否的情况下,根据所述性能数据判断所述第二故障预测结果是否为存在硬盘风险;在判断结果为是的情况下,确定所述第二故障预测结果为存在硬盘风险;在判断结果为否的情况下,确定所述第二故障预测结果为不存在硬盘风险。
在一实施例中,所述二次预测模块128,还用于所述SMART数据包括:SMART5、SMART187、SMART188、SMART197及SMART198,判断所述SMART5的原始值是否大于第一预设值,在判断结果为是的情况下,确定所述第二故障预测结果为存在硬盘风险;在判断结果为否的情况下,判断所述SMART187的原始值是否大于第二预设值,在判断结果为是的情况下,确定所述第二故障预测结果为存在硬盘风险;在判断结果为否的情况下,判断所述SMART188的原始值是否大于第三预设值,在判断结果为是的情况下,确定所述第二故障预测结果为存在硬盘风险;在判断结果为否的情况下,判断所述SMART197或SMART198的原始值是否大于第四预设值,在判断结果为是的情况下,确定所述第二故障预测结果为存在硬盘风险;在判断结果为否的情况下,判断所述性能数据中硬盘平均每秒成功读取文件数是否大于第五预设值;在判断结果为是的情况下,确定所述第二故障预测结果为存在硬盘风险;在判断结果为否的情况下,确定所述第二故障预测结果为不存在硬盘风险。
在一实施例中,所述装置还包括:
第二采集模块,用于采集预设数量的硬盘数据,其中,所述硬盘数据包括SMART数据和性能数据;
第二拼接模块,用于将预设数量的所述SMART数据和所述性能数据拼接起来,形成训练数据集;
训练模块,用于根据所述训练数据集对故障预测模型进行训练,得到训练好的所述故障预测模型。
在一实施例中,所述装置还包括:
清洗模块,用于对所述训练数据集中的无效数据和噪声数据进行清洗,并补齐缺失数据。
在一实施例中,所述装置还包括:
第二特征提取模块,用于所述预设数量的硬盘数据进行特征提取,得到所述预设数量的硬盘数据对应的特征数据;
第二过滤模块,用于对所述预设数量的硬盘数据对应的特征数据进行过滤,得到所述预设数量的硬盘数据对应的目标特征数据;
第三确定模块,用于确定所述预设数量的硬盘数据对应的目标特征数据满足预设要求。
在一实施例中,所述训练模块包括:
设置子模块,用于根据硬盘故障时间设置所述训练数据集中每条数据的标签;
训练子模块,用于根据所述训练数据集对所述故障预测模型进行训练,在损失函数满足预设条件的情况下,得到训练好的所述故障预测模型。
在一实施例中,所述损失函数Lfl为:其中,α为平衡因子,γ为调制参数,y′为预测值,y为样本真实值。
在一实施例中,所述设置子模块,还用于对比硬盘故障时间和数据采集时间;在所述数据采集时间的间隔小于N天的情况下,则将所述标签设置为1;在所述数据采集时间和所述硬盘故障时间的间隔大于N天且小于M天,所述SMART数据的多个属性字段中有一个属性字段的原始值大于0的情况下,将所述标签设置为1;在所述数据采集时间和所述硬盘故障时间的间隔大于N天且小于M天,所述SMART数据的多个属性字段的原始值都等于0,则将所述标签设置为0;在所述数据采集时间和所述硬盘故障时间的间隔大于M天,将所述标签设置为0,其中,1代表风险,0代表无风险。
图13是根据本申请可选实施例的硬盘故障预测装置的框图,如图13所示,包括:
数据采集模块132,用于实现上述第一采集模块122与第二采集模块的功能,其主要负责硬盘的数据采集,按照固定时间间隔采集数据,主要包括以下两类数据:SMART数据、操作系统内采集的硬盘性能数据等。
其中硬盘SMART数据包括原始值和当前值,主要SMART属性字段有SMART5,SMART187,SMART188,SMART197,SMART198等;
操作系统内硬盘性能数据包括磁盘级性能指标,例如吞吐量,I/O操作平均等待时间等和服务器级性能指标,例如CPU活动,分页和页出活动等;
特征提取模块134,用于实现第一特征提取模块的功能,其主要负责对采集上来的数据进行特征提取,过滤掉检测预测算法未使用的数据列,只保留后续有用到的数据列。
数据校验模块136,其主要负责校验数据时间长度和采样点个数是否能够满足故障检测和预测的数据量最低条件要求:数据采集间隔至少一天一次,至少采集两天。
数据组合模块138其主要负责将SMART数据和性能数据拼接起来,形成训练数据集。
标签计算模块1310,其主要负责根据硬盘故障时间计算训练数据集中每条数据的标签,具体计算方法是对比硬盘故障时间和数据采集时间,如果采集时间间隔小于N天,则打标为1代表风险;采集时间和故障时间的间隔大于N天小于M天并且采集的数据中优选SMART5,SMART187,SMART 188,SMART 197,SMART 198这5个属性的原始值有一个大于0,也打标为1;大于N天小于M天,且上述5个属性的原始值都等于0,则打标为0,代表健康。采集时间和故障时间的间隔大于M天,数据标签也打标为0。
数据清洗模块1312,用于实现上述清洗模块的功能,其主要负责清洗数据集中的无效数据和噪声数据,并补齐缺失数据。对于训练集中故障硬盘,删除掉标签为0的数据记录,降低数据集中的噪声。
AI训练模块1314,用于实现上述训练模块的功能,其主要负责对训练数据集进行机器学习训练。
训练损失计算模块1316,用于实现上述训练模块的部分功能,其主要负责对样本的损失进行计算,使得模型向损失小的方向训练。具体采用Focal Loss函数作为损失函数。
推理模块1318,用于将未知的硬盘数据输入训练好的模型进行推理。
专家系统模块1320,对于AI模型预测为风险的硬盘,将数据输入专家系统,再次判定硬盘状态。
风险盘处理模块1322,对于AI模型和专家系统都判断为异常的硬盘,将风险级别定为高,建议用户更换硬盘,对于专家系统没有发现异常的硬盘,风险级别定位中。
硬盘数据备份模块1324,用于实现上述备份模块的功能,对于风险级别为中的硬盘,对硬盘数据进行压缩并自动定时备份硬盘数据到其他硬盘,其他硬盘可以是本服务器硬盘,也可以是数据中心专用的备份盘,用后一次的备份覆盖前一次备份,自动备份时间优选在凌晨业务量小的时间段。
本申请的实施例还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
在一个示例性实施例中,上述计算机可读存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本申请的实施例还提供了一种电子装置,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
在一个示例性实施例中,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
本实施例中的具体示例可以参考上述实施例及示例性实施方式中所描述的示例,本实施例在此不再赘述。
显然,本领域的技术人员应该明白,上述的本申请的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本申请不限制于任何特定的硬件和软件结合。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (16)
1.一种硬盘故障预测方法,其特征在于,所述方法包括:
采集待处理的硬盘数据,其中,所述硬盘数据包括SMART数据和性能数据;
将所述SMART数据和所述性能数据拼接起来,得到目标硬盘数据;
将所述目标硬盘数据输入预先训练好的故障预测模型中,得到所述故障预测模型输出的第一故障预测结果;
在所述第一故障预测结果为存在故障风险的情况下,根据所述待处理的硬盘数据的SMART数据与性能数据二次确定所述待处理的硬盘数据是否存在故障风险,得到第二故障预测结果;
根据所述第二故障预测结果确定硬盘故障风险等级。
2.根据权利要求1所述的方法,其特征在于,在将所述SMART数据和所述性能数据拼接起来,得到目标硬盘数据之前,所述方法还包括:
对所述待处理的硬盘数据进行特征提取,得到待处理的特征数据;
对所述待处理的特征数据进行过滤,得到待处理的目标特征数据;
确定所述待处理的目标特征数据满足预设要求。
3.根据权利要求1所述的方法,其特征在于,根据所述第二故障预测结果确定硬盘故障风险等级包括:
若所述第二故障预测结果为存在故障风险,确定所述硬盘故障风险等级为第一等级;
若所述第二故障预测结果为不存在故障风险,确定所述硬盘故障风险等级为第二等级,其中,所述第一等级的风险级别高于所述第二等级的风险级别。
4.根据权利要求3所述的方法,其特征在于,在根据所述待处理的硬盘数据的SMART数据与性能数据二次确定所述待处理的硬盘数据是否存在故障风险,得到第二故障预测结果之后,所述方法还包括:
在所述硬盘故障风险等级为所述第一等级的情况下,提示更换所述待处理的硬盘数据对应的硬盘;
在所述硬盘故障风险等级为所述第二等级的情况下,对所述待处理的硬盘数据进行备份。
5.根据权利要求4所述的方法,其特征在于,对所述待处理的硬盘数据进行备份包括:
获取所述待处理的硬盘数据对应的硬盘的RAID配置;
若所述RAID配置为RAID0,每天备份所述硬盘数据;
若所述RAID配置为RAID5,每周备份所述硬盘数据;
若所述RAID配置为RAID1或级别大于所述RAID1的RAID,按照预设的时间周期备份所述硬盘数据;
若所述RAID配置为其他类型的RAID,每周备份所述硬盘数据,其中,所述其他类型的RAID为除所述RAID0、所述RAID5、所述RAID1及所述级别大于所述RAID1的RAID之外的RAID。
6.根据权利要求1所述的方法,其特征在于,根据所述待处理的硬盘数据的SMART数据与性能数据二次确定所述待处理的硬盘数据是否存在故障风险,得到第二故障预测结果包括:
根据所述待处理的硬盘数据的SMART数据判断所述第二故障预测结果是否为存在硬盘风险;
在判断结果为是的情况下,确定所述第二故障预测结果为存在硬盘风险;
在判断结果为否的情况下,根据所述性能数据判断所述第二故障预测结果是否为存在硬盘风险;在判断结果为是的情况下,确定所述第二故障预测结果为存在硬盘风险;在判断结果为否的情况下,确定所述第二故障预测结果为不存在硬盘风险。
7.根据权利要求6所述的方法,其特征在于,
根据所述待处理的硬盘数据的SMART数据判断所述第二故障预测结果是否为存在硬盘风险包括:
所述SMART数据至少包括:SMART5、SMART187、SMART188、SMART197及SMART198,判断所述SMART5的原始值是否大于第一预设值,在判断结果为是的情况下,确定所述第二故障预测结果为存在硬盘风险;
在判断结果为否的情况下,判断所述SMART187的原始值是否大于第二预设值,在判断结果为是的情况下,确定所述第二故障预测结果为存在硬盘风险;
在判断结果为否的情况下,判断所述SMART188的原始值是否大于第三预设值,在判断结果为是的情况下,确定所述第二故障预测结果为存在硬盘风险;
在判断结果为否的情况下,判断所述SMART197或SMART198的原始值是否大于第四预设值,在判断结果为是的情况下,确定所述第二故障预测结果为存在硬盘风险;
在判断结果为否的情况下,根据所述性能数据判断所述第二故障预测结果是否为存在硬盘风险包括:判断所述性能数据中硬盘平均每秒成功读取文件数是否大于第五预设值;在判断结果为是的情况下,确定所述第二故障预测结果为存在硬盘风险;在判断结果为否的情况下,确定所述第二故障预测结果为不存在硬盘风险。
8.根据权利要求1至7中任一项所述的方法,其特征在于,在采集待处理的硬盘数据之前,所述方法还包括:
采集预设数量的硬盘数据,其中,所述硬盘数据包括SMART数据和性能数据;
将预设数量的所述SMART数据和所述性能数据拼接起来,形成训练数据集;
根据所述训练数据集对故障预测模型进行训练,得到训练好的所述故障预测模型。
9.根据权利要求8所述的方法,其特征在于,在根据所述训练数据集对故障预测模型进行训练,得到训练好的所述故障预测模型之前,所述方法还包括:
对所述训练数据集中的无效数据和噪声数据进行清洗,并补齐缺失数据。
10.根据权利要求8所述的方法,其特征在于,在将预设数量的所述SMART数据和所述性能数据拼接起来,形成训练数据集之前,所述方法还包括:
对所述预设数量的硬盘数据进行特征提取,得到所述预设数量的硬盘数据对应的特征数据;
对所述预设数量的硬盘数据对应的特征数据进行过滤,得到所述预设数量的硬盘数据对应的目标特征数据;
确定所述预设数量的硬盘数据对应的目标特征数据满足预设要求。
11.根据权利要求8所述的方法,其特征在于,根据所述训练数据集对故障预测模型进行训练,得到训练好的所述故障预测模型包括:
根据硬盘故障时间设置所述训练数据集中每条数据的标签;
根据所述训练数据集对所述故障预测模型进行训练,在损失函数满足预设条件的情况下,得到训练好的所述故障预测模型。
12.根据权利要求11所述的方法,其特征在于,所述损失函数Lfl为:
其中,α为平衡因子,γ为调制参数,y′为预测值,y为样本真实值。
13.根据权利要求11所述的方法,其特征在于,根据硬盘故障时间设置所述训练数据集中每条数据的标签包括:
对比硬盘故障时间和数据采集时间;
在所述数据采集时间的间隔小于N天的情况下,则将所述标签设置为1;
在所述数据采集时间和所述硬盘故障时间的间隔大于N天且小于M天,所述SMART数据的多个属性字段中有一个属性字段的原始值大于0的情况下,将所述标签设置为1;
在所述数据采集时间和所述硬盘故障时间的间隔大于N天且小于M天,所述SMART数据的多个属性字段的原始值都等于0,则将所述标签设置为0;
在所述数据采集时间和所述硬盘故障时间的间隔大于M天,将所述标签设置为0,其中,1代表风险,0代表无风险。
14.一种硬盘故障预测装置,其特征在于,所述装置包括:
第一采集模块,用于采集待处理的硬盘数据,其中,所述硬盘数据包括SMART数据和性能数据;
第一拼接模块,用于将所述SMART数据和所述性能数据拼接起来,得到目标硬盘数据;
输入模块,用于将所述目标硬盘数据输入预先训练好的故障预测模型中,得到所述故障预测模型输出的第一故障预测结果;
二次预测模块,用于在所述第一故障预测结果为存在故障风险的情况下,根据所述待处理的硬盘数据的SMART数据与性能数据二次确定所述待处理的硬盘数据是否存在故障风险,得到第二故障预测结果;
第一确定模块,用于根据所述第二故障预测结果确定硬盘故障风险等级。
15.一种计算机可读的存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1至13任一项中所述的方法。
16.一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行所述权利要求1至13任一项中所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210649272.9A CN117271229A (zh) | 2022-06-09 | 2022-06-09 | 一种硬盘故障预测方法、装置、存储介质及电子装置 |
PCT/CN2023/095118 WO2023236753A1 (zh) | 2022-06-09 | 2023-05-18 | 一种硬盘故障预测方法、装置、存储介质及电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210649272.9A CN117271229A (zh) | 2022-06-09 | 2022-06-09 | 一种硬盘故障预测方法、装置、存储介质及电子装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117271229A true CN117271229A (zh) | 2023-12-22 |
Family
ID=89117585
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210649272.9A Pending CN117271229A (zh) | 2022-06-09 | 2022-06-09 | 一种硬盘故障预测方法、装置、存储介质及电子装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN117271229A (zh) |
WO (1) | WO2023236753A1 (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108845760A (zh) * | 2018-05-28 | 2018-11-20 | 郑州云海信息技术有限公司 | 一种硬盘维护方法、装置、设备及可读存储介质 |
CN110164501B (zh) * | 2018-06-29 | 2022-05-20 | 腾讯科技(深圳)有限公司 | 一种硬盘检测方法、装置、存储介质及设备 |
CN109491850A (zh) * | 2018-11-21 | 2019-03-19 | 北京北信源软件股份有限公司 | 一种磁盘故障预测方法及装置 |
CN111459692B (zh) * | 2019-01-18 | 2023-08-18 | 伊姆西Ip控股有限责任公司 | 用于预测驱动器故障的方法、设备和计算机程序产品 |
CN111737067A (zh) * | 2020-05-29 | 2020-10-02 | 苏州浪潮智能科技有限公司 | 一种硬盘故障预测模型解释方法及装置 |
-
2022
- 2022-06-09 CN CN202210649272.9A patent/CN117271229A/zh active Pending
-
2023
- 2023-05-18 WO PCT/CN2023/095118 patent/WO2023236753A1/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2023236753A1 (zh) | 2023-12-14 |
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 | |
CN108647136B (zh) | 基于smart信息和深度学习的硬盘损坏预测方法及装置 | |
Li et al. | Hard drive failure prediction using decision trees | |
CN110955550B (zh) | 一种云平台故障定位方法、装置、设备及存储介质 | |
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 | |
KR101948634B1 (ko) | 스마트 컴퓨팅을 위한 시스템 자원의 장애 예측 방법 | |
CN114943321A (zh) | 一种针对硬盘的故障预测方法、装置及设备 | |
CN112596964B (zh) | 磁盘故障的预测方法及装置 | |
CN116610469B (zh) | 一种固态硬盘的综合质量性能测试方法及系统 | |
CN110597655A (zh) | 一种迁移与基于纠删码的重构相耦合的快速预知修复方法和实现 | |
CN111984511A (zh) | 一种基于二分类的多模型磁盘故障预测方法和系统 | |
CN110175100B (zh) | 一种存储盘故障预测方法及预测系统 | |
JPWO2007007410A1 (ja) | メッセージ解析装置、制御方法および制御プログラム | |
CN114968959A (zh) | 日志处理方法、日志处理装置及存储介质 | |
CN114116292A (zh) | 一种融合ap聚类与宽度学习系统的硬盘故障预测方法 | |
CN117271229A (zh) | 一种硬盘故障预测方法、装置、存储介质及电子装置 | |
CN115509853A (zh) | 一种集群数据异常检测方法及电子设备 | |
CN118051657B (zh) | 一种数据专线故障定位用例库测试方法及系统 | |
CN117672328B (zh) | 固态硬盘的数据恢复方法、装置、设备及存储介质 | |
CN117439899B (zh) | 一种基于大数据的通信机房巡检方法及系统 | |
CN111240915B (zh) | 一种面向硬盘故障预测的特征选择方法及硬盘故障预测方法 | |
CN117421145B (zh) | 一种异构硬盘系统故障预警方法及装置 | |
CN118051657A (zh) | 一种数据专线故障定位用例库测试方法及系统 | |
CN113434088A (zh) | 一种磁盘识别方法及装置 | |
CN116319427A (zh) | 基于装备网络的安全性评估方法、装置、电子设备和介质 |
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 |