CN117271247B - 一种ssd固态硬盘测试方法 - Google Patents
一种ssd固态硬盘测试方法 Download PDFInfo
- Publication number
- CN117271247B CN117271247B CN202311566622.6A CN202311566622A CN117271247B CN 117271247 B CN117271247 B CN 117271247B CN 202311566622 A CN202311566622 A CN 202311566622A CN 117271247 B CN117271247 B CN 117271247B
- Authority
- CN
- China
- Prior art keywords
- data
- frequency
- flow
- frequency flow
- low
- 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
Links
- 239000007787 solid Substances 0.000 title claims abstract description 187
- 238000012360 testing method Methods 0.000 title claims abstract description 88
- 230000002159 abnormal effect Effects 0.000 claims abstract description 314
- 238000012544 monitoring process Methods 0.000 claims abstract description 225
- 230000005856 abnormality Effects 0.000 claims abstract description 63
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims description 41
- 238000004364 calculation method Methods 0.000 claims description 40
- 238000004422 calculation algorithm Methods 0.000 claims description 38
- 230000005540 biological transmission Effects 0.000 claims description 35
- 238000012545 processing Methods 0.000 claims description 19
- 238000003066 decision tree Methods 0.000 claims description 18
- 238000005206 flow analysis Methods 0.000 claims description 16
- 238000013507 mapping Methods 0.000 claims description 14
- 238000010998 test method Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 6
- 238000013075 data extraction Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 abstract description 23
- 238000004458 analytical method Methods 0.000 description 32
- 230000009286 beneficial effect Effects 0.000 description 27
- 238000012423 maintenance Methods 0.000 description 21
- 230000006399 behavior Effects 0.000 description 16
- 230000015556 catabolic process Effects 0.000 description 14
- 238000006731 degradation reaction Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 14
- 230000004044 response Effects 0.000 description 10
- 230000008859 change Effects 0.000 description 9
- 230000007246 mechanism Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 230000002547 anomalous effect Effects 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013450 outlier detection Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000010200 validation analysis Methods 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
- G06F11/2205—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
- G06F11/2221—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 to test input/output devices or peripheral units
-
- 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
- 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
- G06F11/3485—Performance evaluation by tracing or monitoring for I/O devices
-
- 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)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明涉及固态硬盘检测技术领域,尤其涉及一种SSD固态硬盘测试方法。所述方法包括以下步骤:对SSD固态硬盘进行SSD固态硬盘读写流量采集,分别生成低频流量数据以及高频流量数据;对低频流量数据对低频等待队列数据进行等待队列异常值计算,生成等待队列异常值;根据等待队列异常值对低频流量数据进行低频流量数据异常判定,生成异常低频流量数据或常规低频流量数据;对高频流量预测数据进行高频流量数据异常判定,生成异常高频流量数据或常规高频流量数据;当低频流量数据为异常低频流量数据或者高频流量数据为异常高频流量数据时,将读写流量监测数据标记为异常流量监测数据。本发明实现更精准地SSD固态硬盘检测。
Description
技术领域
本发明涉及固态硬盘检测技术领域,尤其涉及一种SSD固态硬盘测试方法。
背景技术
SSD固态硬盘测试是因为固态硬盘(SSD)在计算机系统中扮演着关键的角色,但其性能和可靠性与传统机械硬盘有很大差异。由于SSD采用了不同的储存技术,如闪存存储,因此需要专门的测试方法来评估其性能、耐久性和一致性。这种测试方法不仅有助于制造商确保其产品的质量和性能,还能够帮助消费者选择最适合其需求的SSD,同时也对数据中心和高性能计算等关键领域的应用至关重要,以确保系统的稳定性和可用性。然而,传统的SSD固态硬盘检测方法未能对固态硬盘的读写流量数据进行异常分析,无法实现更精准的固态硬盘检测。
发明内容
基于此,本发明提供一种SSD固态硬盘测试方法,以解决至少一个上述技术问题。
为实现上述目的,一种SSD固态硬盘测试方法,包括以下步骤:
步骤S1:获取硬盘测试数据;将SSD固态硬盘进行外部接口连接,并接收硬盘测试数据进行SSD固态硬盘读写数据采集,生成固态硬盘读写数据;对固态硬盘读写数据进行读写流量分析,分别生成低频流量数据以及高频流量数据;
步骤S2:对低频流量数据对应的固态硬盘读写数据进行等待队列数据提取,生成低频等待队列数据;对低频等待队列数据进行等待队列异常值计算,生成等待队列异常值;根据等待队列异常值对低频流量数据进行低频流量数据异常判定,生成异常低频流量数据或常规低频流量数据;
步骤S3:获取SSD固态硬盘的历史读写流量监测数据;对历史读写流量监测数据特征数据提取,生成历史流量特征数据;利用决策树算法建立高频流量数据预测的映射关系,生成初始高频流量预测模型,并利用历史流量特征数据对初始高频流量预测模型进行模型训练及验证,生成高频流量预测模型;将高频流量数据传输至高频流量预测模型进行高频流量数据预测,生成高频流量预测数据;对高频流量预测数据进行高频流量数据异常判定,生成异常高频流量数据或常规高频流量数据;
步骤S4:当低频流量数据为异常低频流量数据或者高频流量数据为异常高频流量数据时,将读写流量监测数据标记为异常流量监测数据,将SSD固态硬盘进行异常SSD固态硬盘标记,生成异常SSD固态硬盘,将异常SSD固态硬盘传输至终端进行反馈。
本发明通过实时接收硬盘测试数据,可以实现对SSD固态硬盘性能的即时监测和评估,可以立即检测到性能下降、异常或潜在故障的迹象,从而提前采取预防措施,减少数据丢失和系统停机的风险。对固态硬盘读写数据进行读写流量分析,生成低频流量数据和高频流量数据,实现了对硬盘工作负载的细致划分和分析,有益于更精确地了解不同负载下的性能表现,帮助识别工作中的瓶颈和性能瓶颈,有助于优化硬盘性能、提高响应速度,并确保硬盘在不同负载下的稳定性。通过对低频流量数据对应的固态硬盘读写数据进行等待队列数据提取,可以深入了解硬盘的操作状况。等待队列数据包含了每个操作在等待硬盘响应的时间,这使得能够分析每个操作的延迟,从而识别潜在的性能问题或瓶颈,例如长时间的等待队列可能表明硬盘负载过重或响应速度下降,这可能需要进一步的关注和维护。对低频等待队列数据进行异常值计算有助于确定哪些操作的等待时间明显超出了正常范围,这种异常值检测可以帮助快速识别可能导致性能下降或系统不稳定的问题。根据等待队列异常值对低频流量数据进行异常判定,可以生成异常低频流量数据或常规低频流量数据,使得能够区分出哪些低频负载是正常的、稳定的,哪些可能需要进一步的关注和处理,这种细致的流量数据分析和异常检测有助于提前发现潜在问题,减少硬盘故障和性能下降的风险。历史读写流量监测数据的特征提取允许了对硬盘性能和工作负载的全面理解,包括了不同时间段内的性能趋势、波动模式以及可能的周期性特征,有助于识别硬盘性能的长期趋势和变化,以及在不同负载条件下的性能表现。利用决策树算法建立高频流量数据的预测模型,可以预测未来高频流量数据的趋势和变化,使得能够提前识别高负载或异常负载情况,有助于预防性能下降或硬盘故障。通过使用历史流量特征数据对初始高频流量预测模型进行模型训练及验证,可以不断改进和优化预测模型的准确性,这种迭代训练过程可以提高模型的可靠性,确保高频流量数据预测更加准确和稳定。对高频流量预测数据进行高频流量数据异常判定,有助于快速识别出高频流量中的异常模式,这可能表明硬盘正在经历非正常工作状态,通过及时检测异常高频流量数据,可以采取措施来预防潜在的问题,提高硬盘的可靠性和性能。将读写流量监测数据标记为异常流量监测数据,有助于实现快速问题定位和隔离,迅速识别出存在性能异常或潜在问题的硬盘,从而提高了硬盘问题的可追踪性。将SSD固态硬盘进行异常标记有助于快速识别哪些硬盘需要优先关注和处理,通过标记异常硬盘,可以有效地降低硬盘故障的潜在风险,减少数据丢失的可能性,并加速硬盘的维护周期。生成异常SSD固态硬盘并将其传输至终端进行反馈,实现了实时性的问题处理和通知,允许管理员或维护人员迅速采取必要的措施,例如备份关键数据、替换硬盘或进行维修,有助于最大程度地减少硬盘问题对系统性能和数据完整性的潜在影响。因此,本发明的SSD固态硬盘检测方法实现对固态硬盘的高频及低频的读写流量数据进行异常分析,从而实现更精准的固态硬盘检测,并且通过分析等待队列数据来检测SSD固态硬盘异常,有助于捕获可能影响硬盘性能的潜在问题,能够提供这种深入的细节,不仅是只关注更高层次的性能指标。
优选地,步骤S1包括以下步骤:
步骤S11:获取硬盘测试数据;
步骤S12:将SSD固态硬盘进行外部接口连接,并接收硬盘测试数据进行SSD固态硬盘测试处理,生成测试数据;
步骤S13:对测试数据进行固态硬盘读写数据采集,生成固态硬盘读写数据;
步骤S14:对固态硬盘读写数据进行固态硬盘读写数据的流量数据监测处理,生成读写流量监测数据;
步骤S15:对读写流量监测数据进行高频及低频的读写流量分析,分别生成低频流量数据以及高频流量数据。
本发明通过获取硬盘测试数据,能够获得有关SSD固态硬盘性能和运行状态的原始信息,包括了硬盘的读写速度、延迟、响应时间等性能指标,以及可能的异常或故障情况,这种数据获取为后续的分析和监测提供了基础。将SSD固态硬盘进行外部接口连接并进行测试处理,实际上是将硬盘置于实际工作环境中,有助于模拟真实使用情况下的性能和可靠性,而不仅仅是基于模拟或理论条件的测试,这种实际连接和测试可以更准确地反映硬盘的工作状态,包括其对各种负载和操作的响应。对测试数据进行固态硬盘读写数据采集,生成了实际的读写数据,有助于监测硬盘的读写操作,了解硬盘的工作负载和数据访问模式,允许了更深入的性能分析和故障检测。对固态硬盘读写数据进行流量监测处理,生成了读写流量监测数据,提供了硬盘工作的详细信息,包括读写操作的频率、大小和持续时间等,有助于检测可能的性能问题和工作瓶颈。对读写流量监测数据进行高频和低频的读写流量分析,分别生成低频流量数据和高频流量数据,将硬盘的工作负载进一步细分,以更精确地了解不同类型负载下的性能表现,有助于优化硬盘性能、识别工作中的潜在问题,以及提前预测硬盘的性能变化趋势。
优选地,步骤S15包括以下步骤:
对读写流量监测数据进行高频及低频读写流量分析,当读写流量监测数据小于预设的监测流量阈值时,将读写流量监测数据进行低频监测流量段标记,生成低频流量数据;当读写流量监测数据不小于预设的监测流量阈值时,将读写流量监测数据进行高频监测流量段标记,生成高频流量数据。
本发明对读写流量监测数据进行高频和低频读写流量分析,可以更精确地划分和识别不同频率范围内的读写流量,有助于全面了解硬盘的工作负载模式,包括了解何时和如何发生高频和低频读写操作,这种详细分析提供了对硬盘性能的深入理解。当读写流量监测数据小于预设的监测流量阈值时,将其标记为低频监测流量段,并生成低频流量数据,能够关注那些相对较少活跃的读写操作,从而更好地监测和识别潜在的性能问题或异常情况,低频流量数据的生成有助于更准确地追踪和分析低负载条件下的硬盘性能。当读写流量监测数据不小于预设的监测流量阈值时,将其标记为高频监测流量段,并生成高频流量数据,这个效果允许系统关注那些频繁发生的读写操作,从而更好地监测硬盘在高负载条件下的性能表现,高频流量数据的生成有助于提前识别高负载状态下可能发生的性能下降或潜在故障。
优选地,步骤S2包括以下步骤:
步骤S21:将低频流量数据对应的固态硬盘读写数据进行数据提取,生成低频硬盘读写数据;
步骤S22:对低频硬盘读写数据进行等待队列数据提取,生成低频等待队列数据;
步骤S23:利用等待队列异常判定算法对低频等待队列数据进行等待队列异常值计算,生成等待队列异常值;
步骤S24:根据等待队列异常值对低频流量数据进行低频流量数据异常判定,生成异常低频流量数据或常规低频流量数据。
本发明将低频流量数据对应的固态硬盘读写数据提取,有助于系统深入了解低频负载下的硬盘操作,对硬盘读写活动的分离,能够专注于那些低频读写操作,从而更好地分析和监测这些操作的性能和行为。对低频硬盘读写数据进行等待队列数据提取,生成低频等待队列数据,等待队列数据包含了每个操作在等待硬盘响应的时间,深入分析每个低频操作的延迟,有助于确定是否存在不寻常的等待时间,从而识别性能问题或瓶颈。利用等待队列异常判定算法对低频等待队列数据进行异常值计算,生成等待队列异常值,等待队列异常值是异常检测的关键步骤,它帮助确定哪些低频操作的等待时间明显超出了正常范围,这种细致的异常值计算有助于及时识别并标记异常低频操作。根据等待队列异常值对低频流量数据进行低频流量数据异常判定,生成异常低频流量数据或常规低频流量数据,允许在流量数据层面标识和区分出低频操作的正常和异常模式,有助于提前发现潜在问题、减少性能下降的风险,并采取适当的维护措施。
优选地,步骤S23中的等待队列异常判定算法如下所示:
;
式中,表示为等待队列异常值,/>表示为等待队列中的数据点数,/>表示为第/>个等待数据的预计等待时间的最大值,/>表示为第/>个等待数据的等待队列长度,/>表示为等待队列的总体负载数据,/>表示为低频流量数据的波动变化时间周期,/>表示为第/>个等待数据的传输速率,/>表示为低频流量数据的平均传输速率,/>表示为等待队列异常值的数值异常调整值。
本发明利用一种等待队列异常判定算法,该算法充分考虑了等待队列中的数据点数、第/>个等待数据的预计等待时间的最大值/>、第/>个等待数据的等待队列长度/>、等待队列的总体负载数据/>、低频流量数据的波动变化时间周期/>、第/>个等待数据的传输速率/>、低频流量数据的平均传输速率/>以及函数之间的相互作用关系,以形成函数关系式:
即,,该函数关系式通过低频流量传输下,数据的等待队列长度,进而计算出该等待队列的异常值,如SSD固态硬盘无故障情况下,低频流量传输一般数据的等待序列较短,或不存在等待序列,如等待序列较长,那么说明SSD固态硬盘可能出现故障。等待队列中的数据点数反映了等待队列的数据规模;第/>个等待数据的预计等待时间的最大值示了每个等待数据的预计等待时间的上限值。如果某个等待数据的实际等待时间超过了它的最大值,那么这个数据可能会被认为是异常的;第/>个等待数据的等待队列长度是每个等待数据的等待队列长度,表示了该数据在等待队列中的排队情况;等待队列的总体负载数据反映了等待队列的整体负载水平;低频流量数据的波动变化时间周期用于调整等待队列异常判定算法的灵敏度;第/>个等待数据的传输速率是每个等待数据的传输速率,表示了数据传输的速度;低频流量数据的平均传输速率用于计算等待队列异常值时与每个等待数据的传输速率进行比较。该函数关系式的主要目的是检测低频流量数据中的等待队列异常值,通过对等待时间、队列长度、负载水平和传输速率等多个参数的综合分析,该函数关系式可以识别出与正常行为不符的情况,有助于提前发现硬盘性能问题或异常流量行为,使系统管理员或运维团队能够及时采取措施,确保系统正常运行。利用等待队列异常值的数值异常调整值/>对函数关系式进行调整修正,减少异常数据或误差项带来的误差影响,从而更准确地生成等待队列异常值/>,提高了对低频等待队列数据进行等待队列异常值计算的准确性和可靠性。同时该公式中的调整值可以根据实际情况进行调整,应用于不同的低频等待队列数据中,提高了算法的灵活性与适用性。
优选地,步骤S24包括以下步骤:
根据等待队列异常值对低频流量数据进行低频流量数据异常判定,当等待队列异常值大于预设的等待队列异常阈值时,则将等待队列异常值对应的低频流量数据标记为异常低频流量数据;
根据等待队列异常值对低频流量数据进行低频流量数据异常判定,当等待队列异常值不大于预设的等待队列异常阈值时,则将等待队列异常值对应的低频流量数据标记为常规低频流量数据。
本发明根据等待队列异常值对低频流量数据进行低频流量数据异常判定,实现了一种高度敏感的性能监测机制,当等待队列异常值大于预设的等待队列异常阈值时,标记相应的低频流量数据为异常低频流量数据,能够及时捕捉到那些在低频操作中表现出不寻常延迟或性能问题的情况,这对于预防性能下降或硬盘故障至关重要。将等待队列异常值不大于预设的等待队列异常阈值时,将相应的低频流量数据标记为常规低频流量数据,能够区分出正常的低频操作模式,有助于排除那些性能正常的低频操作,从而避免错误地将它们标记为异常,这种细致的异常判定机制提高准确性和可信度。
优选地,步骤S3包括以下步骤:
步骤S31:获取SSD固态硬盘的历史读写流量监测数据;
步骤S32:对历史读写流量监测数据进行数据的信息增益计算,生成信息增益数据;
步骤S33:根据预设的模型数据选取范围选取最大的信息增益数据对应的历史读写流量监测数据,生成历史流量特征数据;
步骤S34:利用决策树算法建立高频流量数据预测的映射关系,生成初始高频流量预测模型;
步骤S35:根据历史流量特征数据的信息增益数据对历史流量特征数据进行数据划分,分别生成历史流量特征训练集以及历史流量特征测试集;
步骤S36:利用历史流量特征训练集对初始高频流量预测模型进行模型训练,生成训练高频流量预测模型,并利用历史流量特征测试集对训练高频流量预测模型进行模型测试,生成高频流量预测模型;
步骤S37:将高频流量数据传输至高频流量预测模型进行高频流量数据预测,生成高频流量预测数据;
步骤S38:根据历史流量特征数据进行高频流量数据区间设计,生成高频流量数据区间;
步骤S39:将高频流量预测数据传输至高频流量数据区间进行高频流量数据异常判定,生成异常高频流量数据或常规高频流量数据。
本发明获取SSD固态硬盘的历史读写流量监测数据,包含了硬盘在过去的使用中的读写行为、负载情况和性能指标,提供了基础数据,用于了解硬盘的工作历史,发现任何潜在的问题模式或趋势。对历史读写流量监测数据进行信息增益计算,生成信息增益数据,有助于确定哪些历史流量数据对于高频流量预测模型的构建最为关键,通过信息增益能够选择最具信息量的数据,以提高预测模型的准确性和性能。根据信息增益数据选取历史读写流量监测数据,生成历史流量特征数据,有助于筛选出对于高频流量预测最有影响力的历史数据,以便建立准确的预测模型,这种数据选取和筛选有助于提高模型的质量和可靠性。利用决策树算法建立高频流量数据预测的映射关系,生成初始高频流量预测模型,决策树算法是一种强大的模型构建工具,可以根据历史流量特征数据来预测未来的高频流量数据,从而提前识别潜在性能问题。根据历史流量特征数据的信息增益数据,划分历史流量特征数据并进行训练和测试,生成高频流量预测模型,确保了模型的训练和测试数据的质量,从而进一步提高了模型的性能和准确性。将高频流量预测数据传输至高频流量数据区间进行异常判定,将预测数据与历史流量特征数据进行对比,以识别是否存在异常高频流量数据,这种高频流量数据异常检测机制有助于预测性能问题、提前采取措施以防止硬盘故障,并确保系统在高负载情况下保持稳定性。
优选地,步骤S32包括以下步骤:
步骤S321:对历史读写流量监测数据进行数据熵计算,生成历史读写流量监测数据的数据熵;
步骤S322:对历史读写流量监测数据的数据熵进行历史读写流量监测数据的高频流量条件熵计算,生成历史高频流量条件熵;
步骤S323:对历史读写流量监测数据的数据熵以及历史高频流量条件熵进行历史高频流量信息增益计算,生成信息增益数据。
本发明对历史读写流量监测数据进行数据熵计算,生成历史读写流量监测数据的数据熵,数据熵是一种衡量数据随机性和复杂性的指标,通过计算历史读写流量监测数据的数据熵,可以评估硬盘读写行为的整体随机性,有助于确定硬盘工作负载的整体特征,例如是更趋向于随机读写还是顺序读写。对历史读写流量监测数据的数据熵进行历史高频流量条件熵计算,生成历史高频流量条件熵,高频流量条件熵衡量了历史高频流量在不同状态下的不确定性和复杂性,通过计算高频流量条件熵,可以更深入地了解高频操作在不同情境下的变化,从而更精确地预测未来的高频流量。对历史读写流量监测数据的数据熵以及历史高频流量条件熵进行历史高频流量信息增益计算,生成信息增益数据,信息增益是一种量化指标,用于衡量某个特征对于问题解决的贡献程度,信息增益数据反映了历史流量特征对于高频流量预测的影响程度。通过这个计算,能够确定哪些历史特征对于构建准确的高频流量预测模型至关重要。
优选地,步骤S39包括以下步骤:
将高频流量预测数据传输至高频流量数据区间进行数据异常判定,当高频流量预测数据不处于高频流量数据区间时,将高频流量预测数据对应的高频流量数据标记为异常高频流量数据;
将高频流量预测数据传输至高频流量数据区间进行数据异常判定,当高频流量预测数据处于高频流量数据区间时,将高频流量预测数据对应的高频流量数据标记为常规高频流量数据。
本发明将高频流量预测数据传输至高频流量数据区间进行数据异常判定,实现对高频流量数据的精确监测和标记,当高频流量预测数据不处于高频流量数据区间时,标记相应的高频流量预测数据为异常高频流量数据,这个效果是对预测数据与实际数据的一种有效对比,有助于及时识别那些在高频流量方面表现不正常的情况,从而提前采取措施来解决潜在问题。将高频流量预测数据与高频流量数据区间进行对比,以判断是否处于正常范围内,当高频流量预测数据处于高频流量数据区间时,将相应的预测数据标记为常规高频流量数据,确保了不会错误地将正常的高频流量预测数据标记为异常,提高了标记的准确性。
优选地,步骤S4包括以下步骤:
步骤S41:当低频流量数据为常规低频流量数据并且高频流量数据为常规高频流量数据时,将读写流量监测数据标记为常规流量监测数据;
步骤S42:当低频流量数据为异常低频流量数据或者高频流量数据为异常高频流量数据时,将读写流量监测数据标记为异常流量监测数据;
步骤S43:将异常流量监测数据对应的SSD固态硬盘进行异常SSD固态硬盘标记,生成异常SSD固态硬盘,将异常SSD固态硬盘传输至终端进行反馈。
本发明当低频流量数据为常规低频流量数据并且高频流量数据为常规高频流量数据时,将读写流量监测数据标记为常规流量监测数据,对正常工作状态下的硬盘行为进行标记和记录,通过将读写流量监测数据标记为常规,能够建立正常操作模式的参考基准,有助于日后性能监测、问题分析以及维护工作的参考。当低频流量数据为异常低频流量数据或者高频流量数据为异常高频流量数据时,将读写流量监测数据标记为异常流量监测数据,及时检测到硬盘性能或工作状态的异常情况,通过标记异常流量监测数据,能够快速识别性能下降、硬盘故障或其他异常情况,从而采取及时的维修或替换措施,以减少潜在的数据丢失或硬盘故障风险。将异常流量监测数据对应的SSD固态硬盘进行异常SSD固态硬盘标记,生成异常SSD固态硬盘,将异常SSD固态硬盘传输至终端进行反馈,将异常硬盘快速标识和隔离,以防止其进一步影响系统的性能和数据完整性,传输异常硬盘至终端进行反馈可以触发必要的维修或替换操作,从而最大程度地减少硬盘问题可能造成的业务中断和数据丢失。
本申请有益效果在于,本发明通过外部接口连接并进行测试数据处理,生成了针对SSD固态硬盘的测试数据,有助于确保硬盘测试数据的准确性和可用性。固态硬盘读写数据将受到流量数据监测的处理,生成读写流量监测数据,提供了关于硬盘读写操作的详细信息,有助于监测硬盘的性能和运行情况。对读写流量监测数据进行高频和低频的读写流量分析,分别生成了低频流量数据和高频流量数据,将硬盘操作进一步细分为低频和高频操作,从而更好地理解硬盘的使用情况和性能需求。将低频流量数据对应的固态硬盘读写数据提取出来,有助于系统更加详细地了解低频操作在硬盘上的实际情况,为后续的分析提供了基础数据。对低频硬盘读写数据进行等待队列数据提取,有助于识别低频操作中可能存在的等待队列情况,从而进一步分析低频操作的性能特征。通过等待队列异常判定算法对低频等待队列数据进行异常值计算,有益于识别低频操作中的异常情况,可能暗示着硬盘性能问题或瓶颈。根据等待队列异常值对低频流量数据进行低频流量数据异常判定,有助于系统及时识别低频操作中的异常情况,以便采取必要的维护或优化措施,对低频流量数据的深入监测、异常检测和性能分析,有助于提高硬盘的稳定性和性能,减少潜在问题的风险。通过信息增益计算对历史读写流量监测数据进行分析,识别了历史数据中最具信息价值的特征,为后续的建模和预测提供了依据。根据信息增益数据选择了具有最大信息增益的历史读写流量监测数据,有益于聚焦分析,将注意力放在对性能影响最大的数据上。建立了一个高频流量数据预测模型,利用决策树算法将历史流量特征与高频流量之间的映射关系建模,有助于预测未来高频流量的趋势,并利用历史流量特征训练集对初始高频流量预测模型进行模型训练,生成了训练高频流量预测模型,使用历史流量特征测试集对模型进行测试,生成了高频流量预测模型,确保了模型的准确性和可靠性。将高频流量数据传输至高频流量预测模型进行预测,有助于了解未来高频流量的预计情况。将高频流量预测数据传输至高频流量数据区间进行异常检测,将异常高频流量数据标记,帮助识别可能存在的异常情况,从而判定了固态硬盘性能的稳定性和可靠性。当低频流量数据和高频流量数据都被判定为常规情况时,读写流量监测数据被标记为常规流量监测数据,有助于识别正常的流量行为,减少误报。如果低频流量数据被判定为异常低频流量数据或高频流量数据被判定为异常高频流量数据,读写流量监测数据被标记为异常流量监测数据,有益于检测和识别异常流量情况,可能表明硬盘性能或健康出现问题,将异常流量监测数据对应的SSD固态硬盘标记为异常SSD固态硬盘,并将这些异常SSD固态硬盘传输至终端进行反馈,及时发现问题硬盘并采取必要的维护措施,提高了硬盘的可维护性和可靠性。
附图说明
图1为本发明一种SSD固态硬盘测试方法的步骤流程示意图;
图2为图1中步骤S2的详细实施步骤流程示意图;
图3为图1中步骤S3的详细实施步骤流程示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域所属的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。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的,请参阅图1至图3,本发明提供一种SSD固态硬盘测试方法,包括以下步骤:
步骤S1:获取硬盘测试数据;将SSD固态硬盘进行外部接口连接,并接收硬盘测试数据进行SSD固态硬盘读写数据采集,生成固态硬盘读写数据;对固态硬盘读写数据进行读写流量分析,分别生成低频流量数据以及高频流量数据;
步骤S2:对低频流量数据对应的固态硬盘读写数据进行等待队列数据提取,生成低频等待队列数据;对低频等待队列数据进行等待队列异常值计算,生成等待队列异常值;根据等待队列异常值对低频流量数据进行低频流量数据异常判定,生成异常低频流量数据或常规低频流量数据;
步骤S3:获取SSD固态硬盘的历史读写流量监测数据;对历史读写流量监测数据特征数据提取,生成历史流量特征数据;利用决策树算法建立高频流量数据预测的映射关系,生成初始高频流量预测模型,并利用历史流量特征数据对初始高频流量预测模型进行模型训练及验证,生成高频流量预测模型;将高频流量数据传输至高频流量预测模型进行高频流量数据预测,生成高频流量预测数据;对高频流量预测数据进行高频流量数据异常判定,生成异常高频流量数据或常规高频流量数据;
步骤S4:当低频流量数据为异常低频流量数据或者高频流量数据为异常高频流量数据时,将读写流量监测数据标记为异常流量监测数据,将SSD固态硬盘进行异常SSD固态硬盘标记,生成异常SSD固态硬盘,将异常SSD固态硬盘传输至终端进行反馈。
本发明通过实时接收硬盘测试数据,可以实现对SSD固态硬盘性能的即时监测和评估,可以立即检测到性能下降、异常或潜在故障的迹象,从而提前采取预防措施,减少数据丢失和系统停机的风险。对固态硬盘读写数据进行读写流量分析,生成低频流量数据和高频流量数据,实现了对硬盘工作负载的细致划分和分析,有益于更精确地了解不同负载下的性能表现,帮助识别工作中的瓶颈和性能瓶颈,有助于优化硬盘性能、提高响应速度,并确保硬盘在不同负载下的稳定性。通过对低频流量数据对应的固态硬盘读写数据进行等待队列数据提取,可以深入了解硬盘的操作状况。等待队列数据包含了每个操作在等待硬盘响应的时间,这使得能够分析每个操作的延迟,从而识别潜在的性能问题或瓶颈,例如长时间的等待队列可能表明硬盘负载过重或响应速度下降,这可能需要进一步的关注和维护。对低频等待队列数据进行异常值计算有助于确定哪些操作的等待时间明显超出了正常范围,这种异常值检测可以帮助快速识别可能导致性能下降或系统不稳定的问题。根据等待队列异常值对低频流量数据进行异常判定,可以生成异常低频流量数据或常规低频流量数据,使得能够区分出哪些低频负载是正常的、稳定的,哪些可能需要进一步的关注和处理,这种细致的流量数据分析和异常检测有助于提前发现潜在问题,减少硬盘故障和性能下降的风险。历史读写流量监测数据的特征提取允许了对硬盘性能和工作负载的全面理解,包括了不同时间段内的性能趋势、波动模式以及可能的周期性特征,有助于识别硬盘性能的长期趋势和变化,以及在不同负载条件下的性能表现。利用决策树算法建立高频流量数据的预测模型,可以预测未来高频流量数据的趋势和变化,使得能够提前识别高负载或异常负载情况,有助于预防性能下降或硬盘故障。通过使用历史流量特征数据对初始高频流量预测模型进行模型训练及验证,可以不断改进和优化预测模型的准确性,这种迭代训练过程可以提高模型的可靠性,确保高频流量数据预测更加准确和稳定。对高频流量预测数据进行高频流量数据异常判定,有助于快速识别出高频流量中的异常模式,这可能表明硬盘正在经历非正常工作状态,通过及时检测异常高频流量数据,可以采取措施来预防潜在的问题,提高硬盘的可靠性和性能。将读写流量监测数据标记为异常流量监测数据,有助于实现快速问题定位和隔离,迅速识别出存在性能异常或潜在问题的硬盘,从而提高了硬盘问题的可追踪性。将SSD固态硬盘进行异常标记有助于快速识别哪些硬盘需要优先关注和处理,通过标记异常硬盘,可以有效地降低硬盘故障的潜在风险,减少数据丢失的可能性,并加速硬盘的维护周期。生成异常SSD固态硬盘并将其传输至终端进行反馈,实现了实时性的问题处理和通知,允许管理员或维护人员迅速采取必要的措施,例如备份关键数据、替换硬盘或进行维修,有助于最大程度地减少硬盘问题对系统性能和数据完整性的潜在影响。因此,本发明的SSD固态硬盘检测方法实现对固态硬盘的高频及低频的读写流量数据进行异常分析,从而实现更精准的固态硬盘检测,并且通过分析等待队列数据来检测SSD固态硬盘异常,有助于捕获可能影响硬盘性能的潜在问题,能够提供这种深入的细节,不仅是只关注更高层次的性能指标。
本发明实施例中,参考图1所述,为本发明一种SSD固态硬盘测试方法的步骤流程示意图,在本实施例中,所述SSD固态硬盘测试方法包括以下步骤:
步骤S1:获取硬盘测试数据;将SSD固态硬盘进行外部接口连接,并接收硬盘测试数据进行SSD固态硬盘读写数据采集,生成固态硬盘读写数据;对固态硬盘读写数据进行读写流量分析,分别生成低频流量数据以及高频流量数据;
本发明实施例中,通过用户传输至终端的硬盘测试数据进行获取,该数据包括了用于上传的数据,可通过SSD固态硬盘进行传输。将要测试的SSD固态硬盘连接到计算机或测试设备的外部接口,确保硬盘可以与测试系统通信,在计算机上启动专门的数据采集程序,该程序负责与连接的SSD固态硬盘进行通信和数据采集,数据采集程序向SSD固态硬盘发送读写命令,这些命令模拟了实际使用中的读写操作。这些命令可能包括读取文件、写入数据或执行其他读写操作,当SSD固态硬盘执行读写命令时,数据采集程序即时记录读写操作的详细信息,包括读写的数据块大小、访问时间、传输速度等,生成固态硬盘读写数据。采集的读写数据会经过分析,以区分低频流量和高频流量,这可能涉及到对数据传输速率、频率、持续时间等指标的分析,低频流量通常代表着相对较小的、不频繁的数据传输操作,而高频流量则表示大量且频繁的数据传输。基于对读写数据的分析,数据采集程序将数据分为两类:低频流量数据和高频流量数据。低频流量数据包括那些频率较低的、规模相对较小的读写操作,而高频流量数据包括那些频率较高、规模较大的读写操作。
步骤S2:对低频流量数据对应的固态硬盘读写数据进行等待队列数据提取,生成低频等待队列数据;对低频等待队列数据进行等待队列异常值计算,生成等待队列异常值;根据等待队列异常值对低频流量数据进行低频流量数据异常判定,生成异常低频流量数据或常规低频流量数据;
本发明实施例中,对低频流量数据对应的固态硬盘读写数据进行提取,包括了SSD固态硬盘上的读写操作的时间戳、数据块大小和位置等信息。从提取的低频读写数据中,进一步提取等待队列相关的数据。等待队列数据包括了每次读写操作在等待队列中的等待时间、队列长度等信息,这些信息可用于分析SSD固态硬盘的读写操作在队列中排队的情况。对低频等待队列数据进行统计和计算,识别可能的异常情况,通过比较等待时间和队列长度与预设阈值来实现,如果等待时间异常长或队列长度异常高,并且在等待队列较长情况下读写流量数据较小,则可能存在等待队列的异常情况。将被识别为异常的等待队列数据标记为异常值,这些异常值表示了低频流量下,SSD固态硬盘上出现了异常的排队现象。基于生成的等待队列异常值,对低频流量数据进行进一步的异常判定,如果低频流量数据的等待队列异常值超过了预设的异常阈值,则将相应的低频流量数据标记为异常低频流量数据,否则,将其标记为常规低频流量数据。
步骤S3:获取SSD固态硬盘的历史读写流量监测数据;对历史读写流量监测数据特征数据提取,生成历史流量特征数据;利用决策树算法建立高频流量数据预测的映射关系,生成初始高频流量预测模型,并利用历史流量特征数据对初始高频流量预测模型进行模型训练及验证,生成高频流量预测模型;将高频流量数据传输至高频流量预测模型进行高频流量数据预测,生成高频流量预测数据;对高频流量预测数据进行高频流量数据异常判定,生成异常高频流量数据或常规高频流量数据;
本发明实施例中,SSD固态硬盘中获取历史读写流量监测数据。这些数据包括了SSD在过去一段时间内的读写活动记录,包括时间戳、数据量、操作类型等信息。从历史读写流量监测数据中提取特征数据,这些特征数据用于建立高频流量预测模型,特征数据可以包括平均读写速度、操作频率、数据大小分布等,这些特征有助于描述SSD的读写行为模式。利用决策树算法等机器学习方法,根据历史流量特征数据建立初始的高频流量预测模型,这个模型可以捕捉历史流量数据中的模式和趋势,以便后续的高频流量数据预测。使用历史流量特征数据对初始模型进行训练和验证,包括将历史数据分为训练集和验证集,通过模型进行预测,并与实际数据进行比较以评估模型的性能,模型参数可能会调整以提高预测准确性。将当前的高频流量数据传输给已训练的高频流量预测模型,以生成未来一段时间内的高频流量数据的预测结果,有助于了解SSD固态硬盘在高频流量条件下的性能表现。将预测的高频流量数据与实际观测数据进行比较,如果存在明显的差异或偏差,就会将这些高频流量数据标记为异常高频流量数据,否则将被标记为常规高频流量数据。
步骤S4:当低频流量数据为异常低频流量数据或者高频流量数据为异常高频流量数据时,将读写流量监测数据标记为异常流量监测数据,将SSD固态硬盘进行异常SSD固态硬盘标记,生成异常SSD固态硬盘,将异常SSD固态硬盘传输至终端进行反馈。
本发明实施例中,当低频流量被标记为异常低频流量数据或高频流量被标记为异常高频流量数据时,相应的读写流量监测数据被标记为异常流量监测数据,除了标记异常流量监测数据外,还会将相关的SSD固态硬盘标记为异常SSD固态硬盘,这意味着已经确定了特定硬盘存在性能问题或其他异常情况,并需要进一步处理或维护,生成的异常SSD固态硬盘数据将传输到终端或管理系统,以便管理员或维护人员能够查看和分析异常情况,这些数据可以包括异常流量监测数据、SSD固态硬盘的标识信息以及其他相关信息。
优选地,步骤S1包括以下步骤:
步骤S11:获取硬盘测试数据;
步骤S12:将SSD固态硬盘进行外部接口连接,并接收硬盘测试数据进行SSD固态硬盘测试处理,生成测试数据;
步骤S13:对测试数据进行固态硬盘读写数据采集,生成固态硬盘读写数据;
步骤S14:对固态硬盘读写数据进行固态硬盘读写数据的流量数据监测处理,生成读写流量监测数据;
步骤S15:对读写流量监测数据进行高频及低频的读写流量分析,分别生成低频流量数据以及高频流量数据。
本发明通过获取硬盘测试数据,能够获得有关SSD固态硬盘性能和运行状态的原始信息,包括了硬盘的读写速度、延迟、响应时间等性能指标,以及可能的异常或故障情况,这种数据获取为后续的分析和监测提供了基础。将SSD固态硬盘进行外部接口连接并进行测试处理,实际上是将硬盘置于实际工作环境中,有助于模拟真实使用情况下的性能和可靠性,而不仅仅是基于模拟或理论条件的测试,这种实际连接和测试可以更准确地反映硬盘的工作状态,包括其对各种负载和操作的响应。对测试数据进行固态硬盘读写数据采集,生成了实际的读写数据,有助于监测硬盘的读写操作,了解硬盘的工作负载和数据访问模式,允许了更深入的性能分析和故障检测。对固态硬盘读写数据进行流量监测处理,生成了读写流量监测数据,提供了硬盘工作的详细信息,包括读写操作的频率、大小和持续时间等,有助于检测可能的性能问题和工作瓶颈。对读写流量监测数据进行高频和低频的读写流量分析,分别生成低频流量数据和高频流量数据,将硬盘的工作负载进一步细分,以更精确地了解不同类型负载下的性能表现,有助于优化硬盘性能、识别工作中的潜在问题,以及提前预测硬盘的性能变化趋势。
本发明实施例中,获取硬盘测试数据,这些测试数据可能来自于各种源头,如硬盘制造商的测试工具、自定义测试脚本或第三方测试应用程序,该数据包括了用于上传的数据,可通过SSD固态硬盘进行传输。将SSD固态硬盘通过外部接口连接到测试系统中,对SSD固态硬盘进行测试处理,这可能包括性能测试、读写测试、随机访问测试等,测试过程会生成大量的测试数据,用于后续的分析。采集SSD固态硬盘的读写数据,这些数据包括读取和写入操作的数量、大小、持续时间等。这些数据的采集有助于了解硬盘的读写行为。采集的读写数据将经过流量监测处理,包括计算读写操作的速率、吞吐量、IOPS(每秒输入/输出操作数)等性能指标,还可以检测是否存在读写错误或异常情况。对读写流量监测数据进行高频和低频的分析,高频流量数据表示频繁的读写操作,而低频流量数据表示不太频繁的操作,这个分析过程可以根据具体需求定义高频和低频的阈值,以便更好地理解读写操作的使用模式。
优选地,步骤S15包括以下步骤:
对读写流量监测数据进行高频及低频读写流量分析,当读写流量监测数据小于预设的监测流量阈值时,将读写流量监测数据进行低频监测流量段标记,生成低频流量数据;当读写流量监测数据不小于预设的监测流量阈值时,将读写流量监测数据进行高频监测流量段标记,生成高频流量数据。
本发明对读写流量监测数据进行高频和低频读写流量分析,可以更精确地划分和识别不同频率范围内的读写流量,有助于全面了解硬盘的工作负载模式,包括了解何时和如何发生高频和低频读写操作,这种详细分析提供了对硬盘性能的深入理解。当读写流量监测数据小于预设的监测流量阈值时,将其标记为低频监测流量段,并生成低频流量数据,能够关注那些相对较少活跃的读写操作,从而更好地监测和识别潜在的性能问题或异常情况,低频流量数据的生成有助于更准确地追踪和分析低负载条件下的硬盘性能。当读写流量监测数据不小于预设的监测流量阈值时,将其标记为高频监测流量段,并生成高频流量数据,这个效果允许系统关注那些频繁发生的读写操作,从而更好地监测硬盘在高负载条件下的性能表现,高频流量数据的生成有助于提前识别高负载状态下可能发生的性能下降或潜在故障。
本发明实施例中,针对读写流量监测数据的高频和低频分析,首先设定一个监测流量阈值,这个阈值可以是根据硬盘性能和应用需求事先定义的,例如,每秒1000次读写操作可以作为阈值。当读写流量监测数据小于预设的监测流量阈值时,执行以下操作,将读写流量监测数据标记为低频监测流量段,生成低频流量数据,包括记录了这段时间内低频读写操作的相关信息,如操作数量、大小、持续时间等,当读写流量监测数据不小于预设的监测流量阈值时,执行以下操作,将读写流量监测数据标记为高频监测流量段,生成高频流量数据,包括记录了高频读写操作的相关信息,如操作数量、大小、持续时间等。
优选地,步骤S2包括以下步骤:
步骤S21:将低频流量数据对应的固态硬盘读写数据进行数据提取,生成低频硬盘读写数据;
步骤S22:对低频硬盘读写数据进行等待队列数据提取,生成低频等待队列数据;
步骤S23:利用等待队列异常判定算法对低频等待队列数据进行等待队列异常值计算,生成等待队列异常值;
步骤S24:根据等待队列异常值对低频流量数据进行低频流量数据异常判定,生成异常低频流量数据或常规低频流量数据。
本发明将低频流量数据对应的固态硬盘读写数据提取,有助于系统深入了解低频负载下的硬盘操作,对硬盘读写活动的分离,能够专注于那些低频读写操作,从而更好地分析和监测这些操作的性能和行为。对低频硬盘读写数据进行等待队列数据提取,生成低频等待队列数据,等待队列数据包含了每个操作在等待硬盘响应的时间,深入分析每个低频操作的延迟,有助于确定是否存在不寻常的等待时间,从而识别性能问题或瓶颈。利用等待队列异常判定算法对低频等待队列数据进行异常值计算,生成等待队列异常值,等待队列异常值是异常检测的关键步骤,它帮助确定哪些低频操作的等待时间明显超出了正常范围,这种细致的异常值计算有助于及时识别并标记异常低频操作。根据等待队列异常值对低频流量数据进行低频流量数据异常判定,生成异常低频流量数据或常规低频流量数据,允许在流量数据层面标识和区分出低频操作的正常和异常模式,有助于提前发现潜在问题、减少性能下降的风险,并采取适当的维护措施。
作为本发明的一个实例,参考图2所示,为图1中步骤S2的详细实施步骤流程示意图,在本实例中所述步骤S2包括:
步骤S21:将低频流量数据对应的固态硬盘读写数据进行数据提取,生成低频硬盘读写数据;
本发明实施例中,从低频流量数据对应的固态硬盘读写数据中提取所需信息,例如操作类型(读或写)、操作的起始位置、操作的大小、操作的时间戳等,生成低频硬盘读写数据,这些信息将用于后续的分析。
步骤S22:对低频硬盘读写数据进行等待队列数据提取,生成低频等待队列数据;
本发明实施例中,低频硬盘读写数据中包含了各种读写操作的信息,但并不是所有的操作都与等待队列相关,仅提取与等待队列有关的数据,这可能包括等待时间、队列长度、请求顺序等等。
步骤S23:利用等待队列异常判定算法对低频等待队列数据进行等待队列异常值计算,生成等待队列异常值;
本发明实施例中,利用等待队列异常判定算法,会对低频硬盘读写数据中的等待队列数据进行分析和计算,涉及到检测等待时间的异常值,如在低频流量数据传输下,低频等待队列数据过于长,说明数据读写出现问题。
步骤S24:根据等待队列异常值对低频流量数据进行低频流量数据异常判定,生成异常低频流量数据或常规低频流量数据。
本发明实施例中,基于等待队列异常值的计算结果将低频流量数据进行分类,如果某段低频流量数据的等待时间异常高,会将其标记为异常低频流量数据。否则,如果等待时间在正常范围内,它将被标记为常规低频流量数据。
优选地,步骤S23中的等待队列异常判定算法如下所示:
优选地,步骤S23中的等待队列异常判定算法如下所示:
;
式中,表示为等待队列异常值,/>表示为等待队列中的数据点数,/>表示为第/>个等待数据的预计等待时间的最大值,/>表示为第/>个等待数据的等待队列长度,/>表示为等待队列的总体负载数据,/>表示为低频流量数据的波动变化时间周期,/>表示为第/>个等待数据的传输速率,/>表示为低频流量数据的平均传输速率,/>表示为等待队列异常值的数值异常调整值。
本发明利用一种等待队列异常判定算法,该算法充分考虑了等待队列中的数据点数、第/>个等待数据的预计等待时间的最大值/>、第/>个等待数据的等待队列长度/>、等待队列的总体负载数据/>、低频流量数据的波动变化时间周期/>、第/>个等待数据的传输速率/>、低频流量数据的平均传输速率/>以及函数之间的相互作用关系,以形成函数关系式:
即,,该函数关系式通过低频流量传输下,数据的等待队列长度,进而计算出该等待队列的异常值,如SSD固态硬盘无故障情况下,低频流量传输一般数据的等待序列较短,或不存在等待序列,如等待序列较长,那么说明SSD固态硬盘可能出现故障。等待队列中的数据点数反映了等待队列的数据规模;第/>个等待数据的预计等待时间的最大值示了每个等待数据的预计等待时间的上限值。如果某个等待数据的实际等待时间超过了它的最大值,那么这个数据可能会被认为是异常的;第/>个等待数据的等待队列长度是每个等待数据的等待队列长度,表示了该数据在等待队列中的排队情况;等待队列的总体负载数据反映了等待队列的整体负载水平;低频流量数据的波动变化时间周期用于调整等待队列异常判定算法的灵敏度;第/>个等待数据的传输速率是每个等待数据的传输速率,表示了数据传输的速度;低频流量数据的平均传输速率用于计算等待队列异常值时与每个等待数据的传输速率进行比较。该函数关系式的主要目的是检测低频流量数据中的等待队列异常值,通过对等待时间、队列长度、负载水平和传输速率等多个参数的综合分析,该函数关系式可以识别出与正常行为不符的情况,有助于提前发现硬盘性能问题或异常流量行为,使系统管理员或运维团队能够及时采取措施,确保系统正常运行。利用等待队列异常值的数值异常调整值/>对函数关系式进行调整修正,减少异常数据或误差项带来的误差影响,从而更准确地生成等待队列异常值/>,提高了对低频等待队列数据进行等待队列异常值计算的准确性和可靠性。同时该公式中的调整值可以根据实际情况进行调整,应用于不同的低频等待队列数据中,提高了算法的灵活性与适用性。
优选地,步骤S24包括以下步骤:
根据等待队列异常值对低频流量数据进行低频流量数据异常判定,当等待队列异常值大于预设的等待队列异常阈值时,则将等待队列异常值对应的低频流量数据标记为异常低频流量数据;
根据等待队列异常值对低频流量数据进行低频流量数据异常判定,当等待队列异常值不大于预设的等待队列异常阈值时,则将等待队列异常值对应的低频流量数据标记为常规低频流量数据。
本发明根据等待队列异常值对低频流量数据进行低频流量数据异常判定,实现了一种高度敏感的性能监测机制,当等待队列异常值大于预设的等待队列异常阈值时,标记相应的低频流量数据为异常低频流量数据,能够及时捕捉到那些在低频操作中表现出不寻常延迟或性能问题的情况,这对于预防性能下降或硬盘故障至关重要。将等待队列异常值不大于预设的等待队列异常阈值时,将相应的低频流量数据标记为常规低频流量数据,能够区分出正常的低频操作模式,有助于排除那些性能正常的低频操作,从而避免错误地将它们标记为异常,这种细致的异常判定机制提高准确性和可信度。
本发明实施例中,根据等待队列异常值对低频流量数据进行低频流量数据异常判定涉及将等待队列异常值与预设的等待队列异常阈值进行比较,该等待队列异常阈值为通过事先设定的判定数值,如果某个数据段的等待队列异常值大于阈值,将标记它为异常低频流量数据,还需要对等待队列异常值不大于预设的等待队列异常阈值的低频流量数据进行正常判定,这些数据段的等待队列情况被认为是正常的,如在低频流量数据传输下,数据读写的等待时间为0,则相应等待队列异常值也相对耕地,并且低频流量数据会被标记为常规低频流量数据。
优选地,步骤S3包括以下步骤:
步骤S31:获取SSD固态硬盘的历史读写流量监测数据;
步骤S32:对历史读写流量监测数据进行数据的信息增益计算,生成信息增益数据;
步骤S33:根据预设的模型数据选取范围选取最大的信息增益数据对应的历史读写流量监测数据,生成历史流量特征数据;
步骤S34:利用决策树算法建立高频流量数据预测的映射关系,生成初始高频流量预测模型;
步骤S35:根据历史流量特征数据的信息增益数据对历史流量特征数据进行数据划分,分别生成历史流量特征训练集以及历史流量特征测试集;
步骤S36:利用历史流量特征训练集对初始高频流量预测模型进行模型训练,生成训练高频流量预测模型,并利用历史流量特征测试集对训练高频流量预测模型进行模型测试,生成高频流量预测模型;
步骤S37:将高频流量数据传输至高频流量预测模型进行高频流量数据预测,生成高频流量预测数据;
步骤S38:根据历史流量特征数据进行高频流量数据区间设计,生成高频流量数据区间;
步骤S39:将高频流量预测数据传输至高频流量数据区间进行高频流量数据异常判定,生成异常高频流量数据或常规高频流量数据。
本发明获取SSD固态硬盘的历史读写流量监测数据,包含了硬盘在过去的使用中的读写行为、负载情况和性能指标,提供了基础数据,用于了解硬盘的工作历史,发现任何潜在的问题模式或趋势。对历史读写流量监测数据进行信息增益计算,生成信息增益数据,有助于确定哪些历史流量数据对于高频流量预测模型的构建最为关键,通过信息增益能够选择最具信息量的数据,以提高预测模型的准确性和性能。根据信息增益数据选取历史读写流量监测数据,生成历史流量特征数据,有助于筛选出对于高频流量预测最有影响力的历史数据,以便建立准确的预测模型,这种数据选取和筛选有助于提高模型的质量和可靠性。利用决策树算法建立高频流量数据预测的映射关系,生成初始高频流量预测模型,决策树算法是一种强大的模型构建工具,可以根据历史流量特征数据来预测未来的高频流量数据,从而提前识别潜在性能问题。根据历史流量特征数据的信息增益数据,划分历史流量特征数据并进行训练和测试,生成高频流量预测模型,确保了模型的训练和测试数据的质量,从而进一步提高了模型的性能和准确性。将高频流量预测数据传输至高频流量数据区间进行异常判定,将预测数据与历史流量特征数据进行对比,以识别是否存在异常高频流量数据,这种高频流量数据异常检测机制有助于预测性能问题、提前采取措施以防止硬盘故障,并确保系统在高负载情况下保持稳定性。
作为本发明的一个实例,参考图3所示,为图1中步骤S3的详细实施步骤流程示意图,在本实例中所述步骤S3包括:
步骤S31:获取SSD固态硬盘的历史读写流量监测数据;
本发明实施例中,从SSD固态硬盘中获取历史读写流量监测数据,这些数据包括不同时间点的读写操作量、吞吐量和其他性能指标,这些数据通常以时间序列的形式记录,以便进行后续分析。
步骤S32:对历史读写流量监测数据进行数据的信息增益计算,生成信息增益数据;
本发明实施例中,使用信息增益计算方法,对历史读写流量监测数据进行分析,信息增益是一种用于评估数据特征对于某一目标的重要性的指标,会计算每个数据特征的信息增益,该评判标准为选取历史读写流量监测数据的历史高频流量数据传输下的相关数据,以确定哪些特征对于高频流量数据预测最为关键。
步骤S33:根据预设的模型数据选取范围选取最大的信息增益数据对应的历史读写流量监测数据,生成历史流量特征数据;
本发明实施例中,根据预设的模型数据选取范围,选择具有最大信息增益的历史读写流量监测数据,生成历史流量特征数据,以便在用于模型训练,进而使模型对高频流量数据进行预测。
步骤S34:利用决策树算法建立高频流量数据预测的映射关系,生成初始高频流量预测模型;
本发明实施例中,利用决策树算法或其他适用的机器学习算法,基于选取的历史流量特征数据,建立高频流量数据预测的映射关系,这个模型将用于将历史流量特征数据映射到高频流量数据,以实现高频流量的准确预测。
步骤S35:根据历史流量特征数据的信息增益数据对历史流量特征数据进行数据划分,分别生成历史流量特征训练集以及历史流量特征测试集;
本发明实施例中,按照历史流量特征数据的信息增益值对数据进行划分,将数据分成两个部分:训练集和测试集,将信息增益值较大的历史流量特征数据作为测试集,信息增益值较小的历史流量特征数据作为训练集,信息增益值高的特征对模型的预测贡献较大,因此在训练集中包括这些数据特征,以便模型学习,测试集用于评估模型的性能。
步骤S36:利用历史流量特征训练集对初始高频流量预测模型进行模型训练,生成训练高频流量预测模型,并利用历史流量特征测试集对训练高频流量预测模型进行模型测试,生成高频流量预测模型;
本发明实施例中,将使用历史流量特征训练集来训练初始的高频流量预测模型,这个模型会学习历史流量特征数据与高频流量数据之间的关系。然后,使用历史流量特征测试集来测试模型的性能,以验证模型的准确性和泛化能力,最终,生成的高频流量预测模型将用于预测未来的高频流量数据。
步骤S37:将高频流量数据传输至高频流量预测模型进行高频流量数据预测,生成高频流量预测数据;
本发明实施例中,将实际的高频流量数据传输给已经训练好的高频流量预测模型,模型将基于历史流量特征数据的学习,对未来的高频流量数据进行预测,生成的高频流量预测数据将用于后续的异常判定。
步骤S38:根据历史流量特征数据进行高频流量数据区间设计,生成高频流量数据区间;
本发明实施例中,根据历史流量特征数据的分布情况,设计一定范围内高频流量数据的区间,由于历史流量特征数据的分布情况反映正常情况下历史的高频流量数据的运行状况,这些区间将帮助确定哪些高频流量数据被认为是常规的,哪些是异常的。
步骤S39:将高频流量预测数据传输至高频流量数据区间进行高频流量数据异常判定,生成异常高频流量数据或常规高频流量数据。
本发明实施例中,将生成的高频流量预测数据传输至预先设计的高频流量数据区间。如果预测数据落在常规区间内,那么它将被标记为常规高频流量数据,如果它落在异常区间内,那么将被标记为异常高频流量数据,有助于及时发现高频流量异常并采取适当的措施进行处理。
优选地,步骤S32包括以下步骤:
步骤S321:对历史读写流量监测数据进行数据熵计算,生成历史读写流量监测数据的数据熵;
步骤S322:对历史读写流量监测数据的数据熵进行历史读写流量监测数据的高频流量条件熵计算,生成历史高频流量条件熵;
步骤S323:对历史读写流量监测数据的数据熵以及历史高频流量条件熵进行历史高频流量信息增益计算,生成信息增益数据。
本发明对历史读写流量监测数据进行数据熵计算,生成历史读写流量监测数据的数据熵,数据熵是一种衡量数据随机性和复杂性的指标,通过计算历史读写流量监测数据的数据熵,可以评估硬盘读写行为的整体随机性,有助于确定硬盘工作负载的整体特征,例如是更趋向于随机读写还是顺序读写。对历史读写流量监测数据的数据熵进行历史高频流量条件熵计算,生成历史高频流量条件熵,高频流量条件熵衡量了历史高频流量在不同状态下的不确定性和复杂性,通过计算高频流量条件熵,可以更深入地了解高频操作在不同情境下的变化,从而更精确地预测未来的高频流量。对历史读写流量监测数据的数据熵以及历史高频流量条件熵进行历史高频流量信息增益计算,生成信息增益数据,信息增益是一种量化指标,用于衡量某个特征对于问题解决的贡献程度,信息增益数据反映了历史流量特征对于高频流量预测的影响程度。通过这个计算,能够确定哪些历史特征对于构建准确的高频流量预测模型至关重要。
本发明实施例中,对历史读写流量监测数据进行数据熵的计算,数据熵是用来衡量数据的不确定性或随机性的度量,对于读写流量监测数据,数据熵的计算可以告诉我们数据的分布情况以及数据值的多样性,高数据熵表示数据的分布更加分散和多样,而低数据熵表示数据更趋向于集中在某些特定值附近。使用历史读写流量监测数据的数据熵作为基础,计算历史高频流量条件熵,高频流量条件熵用于描述在高频流量情况下数据的不确定性或随机性,反映了在高频流量期间,数据的分布和多样性如何变化,通过计算历史高频流量条件熵,可以更好地理解高频流量对数据分布的影响。将历史读写流量监测数据的数据熵和历史高频流量条件熵结合起来,进行历史高频流量信息增益的计算,信息增益是一种度量,用于衡量高频流量对数据熵的影响,也就是高频流量在改变数据的不确定性方面的贡献程度,通过计算信息增益,可以确定哪些特征或时间段受到高频流量的显著影响,这对于预测和识别高频流量数据中的异常情况非常重要。
优选地,步骤S39包括以下步骤:
将高频流量预测数据传输至高频流量数据区间进行数据异常判定,当高频流量预测数据不处于高频流量数据区间时,将高频流量预测数据对应的高频流量数据标记为异常高频流量数据;
将高频流量预测数据传输至高频流量数据区间进行数据异常判定,当高频流量预测数据处于高频流量数据区间时,将高频流量预测数据对应的高频流量数据标记为常规高频流量数据。
本发明将高频流量预测数据传输至高频流量数据区间进行数据异常判定,实现对高频流量数据的精确监测和标记,当高频流量预测数据不处于高频流量数据区间时,标记相应的高频流量预测数据为异常高频流量数据,这个效果是对预测数据与实际数据的一种有效对比,有助于及时识别那些在高频流量方面表现不正常的情况,从而提前采取措施来解决潜在问题。将高频流量预测数据与高频流量数据区间进行对比,以判断是否处于正常范围内,当高频流量预测数据处于高频流量数据区间时,将相应的预测数据标记为常规高频流量数据,确保了不会错误地将正常的高频流量预测数据标记为异常,提高了标记的准确性。
本发明实施例中,将生成的高频流量预测数据传输至事先定义好的高频流量数据区间,这个区间可以视为一个数值范围,用于界定正常的高频流量数据值的范围,可以采用统计方法或历史数据分析来确定这个区间的上下限。检查高频流量预测数据是否落在事先定义好的高频流量数据区间之外,如果高频流量预测数据的值不在该区间内,会将这些不符合区间条件的高频流量预测数据标记为异常高频流量数据,表示在预测的高频流量数据中存在与正常范围不符的异常情况。如果高频流量预测数据的值在定义的高频流量数据区间内,会将这些数据标记为常规高频流量数据,表示在预测的高频流量数据中,这些数据值处于正常的范围内,没有异常情况。
优选地,步骤S4包括以下步骤:
步骤S41:当低频流量数据为常规低频流量数据并且高频流量数据为常规高频流量数据时,将读写流量监测数据标记为常规流量监测数据;
步骤S42:当低频流量数据为异常低频流量数据或者高频流量数据为异常高频流量数据时,将读写流量监测数据标记为异常流量监测数据;
步骤S43:将异常流量监测数据对应的SSD固态硬盘进行异常SSD固态硬盘标记,生成异常SSD固态硬盘,将异常SSD固态硬盘传输至终端进行反馈。
本发明当低频流量数据为常规低频流量数据并且高频流量数据为常规高频流量数据时,将读写流量监测数据标记为常规流量监测数据,对正常工作状态下的硬盘行为进行标记和记录,通过将读写流量监测数据标记为常规,能够建立正常操作模式的参考基准,有助于日后性能监测、问题分析以及维护工作的参考。当低频流量数据为异常低频流量数据或者高频流量数据为异常高频流量数据时,将读写流量监测数据标记为异常流量监测数据,及时检测到硬盘性能或工作状态的异常情况,通过标记异常流量监测数据,能够快速识别性能下降、硬盘故障或其他异常情况,从而采取及时的维修或替换措施,以减少潜在的数据丢失或硬盘故障风险。将异常流量监测数据对应的SSD固态硬盘进行异常SSD固态硬盘标记,生成异常SSD固态硬盘,将异常SSD固态硬盘传输至终端进行反馈,将异常硬盘快速标识和隔离,以防止其进一步影响系统的性能和数据完整性,传输异常硬盘至终端进行反馈可以触发必要的维修或替换操作,从而最大程度地减少硬盘问题可能造成的业务中断和数据丢失。
本发明实施例中,对低频流量数据和高频流量数据进行检查,如果系统检测到低频流量数据和高频流量数据都处于正常范围内,没有异常情况,那么读写流量监测数据将被标记为常规流量监测数据,表示在读写流量监测中未发现异常情况,硬盘表现正常。检查低频流量数据和高频流量数据是否存在异常情况。如果系统检测到低频流量数据为异常低频流量数据或者高频流量数据为异常高频流量数据,那么读写流量监测数据将被标记为异常流量监测数据,表示在读写流量监测中存在异常情况,需要进一步的处理和分析。如果读写流量监测数据被标记为异常流量监测数据,进一步标记对应的SSD固态硬盘为异常SSD固态硬盘,异常SSD固态硬盘表示与该硬盘相关的流量监测数据存在异常情况,还会生成异常SSD固态硬盘的记录,并将这些异常SSD固态硬盘的信息传输至终端进行反馈,以便进行进一步的分析、维护和故障处理。
本申请有益效果在于,本发明通过外部接口连接并进行测试数据处理,生成了针对SSD固态硬盘的测试数据,有助于确保硬盘测试数据的准确性和可用性。固态硬盘读写数据将受到流量数据监测的处理,生成读写流量监测数据,提供了关于硬盘读写操作的详细信息,有助于监测硬盘的性能和运行情况。对读写流量监测数据进行高频和低频的读写流量分析,分别生成了低频流量数据和高频流量数据,将硬盘操作进一步细分为低频和高频操作,从而更好地理解硬盘的使用情况和性能需求。将低频流量数据对应的固态硬盘读写数据提取出来,有助于系统更加详细地了解低频操作在硬盘上的实际情况,为后续的分析提供了基础数据。对低频硬盘读写数据进行等待队列数据提取,有助于识别低频操作中可能存在的等待队列情况,从而进一步分析低频操作的性能特征。通过等待队列异常判定算法对低频等待队列数据进行异常值计算,有益于识别低频操作中的异常情况,可能暗示着硬盘性能问题或瓶颈。根据等待队列异常值对低频流量数据进行低频流量数据异常判定,有助于系统及时识别低频操作中的异常情况,以便采取必要的维护或优化措施,对低频流量数据的深入监测、异常检测和性能分析,有助于提高硬盘的稳定性和性能,减少潜在问题的风险。通过信息增益计算对历史读写流量监测数据进行分析,识别了历史数据中最具信息价值的特征,为后续的建模和预测提供了依据。根据信息增益数据选择了具有最大信息增益的历史读写流量监测数据,有益于聚焦分析,将注意力放在对性能影响最大的数据上。建立了一个高频流量数据预测模型,利用决策树算法将历史流量特征与高频流量之间的映射关系建模,有助于预测未来高频流量的趋势,并利用历史流量特征训练集对初始高频流量预测模型进行模型训练,生成了训练高频流量预测模型,使用历史流量特征测试集对模型进行测试,生成了高频流量预测模型,确保了模型的准确性和可靠性。将高频流量数据传输至高频流量预测模型进行预测,有助于了解未来高频流量的预计情况。将高频流量预测数据传输至高频流量数据区间进行异常检测,将异常高频流量数据标记,帮助识别可能存在的异常情况,从而判定了固态硬盘性能的稳定性和可靠性。当低频流量数据和高频流量数据都被判定为常规情况时,读写流量监测数据被标记为常规流量监测数据,有助于识别正常的流量行为,减少误报。如果低频流量数据被判定为异常低频流量数据或高频流量数据被判定为异常高频流量数据,读写流量监测数据被标记为异常流量监测数据,有益于检测和识别异常流量情况,可能表明硬盘性能或健康出现问题,将异常流量监测数据对应的SSD固态硬盘标记为异常SSD固态硬盘,并将这些异常SSD固态硬盘传输至终端进行反馈,及时发现问题硬盘并采取必要的维护措施,提高了硬盘的可维护性和可靠性。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种SSD固态硬盘测试方法,其特征在于,包括以下步骤:
步骤S1:获取硬盘测试数据;将SSD固态硬盘进行外部接口连接,并接收硬盘测试数据进行SSD固态硬盘读写数据采集,生成固态硬盘读写数据;对固态硬盘读写数据进行读写流量分析,分别生成低频流量数据以及高频流量数据;
步骤S2:对低频流量数据对应的固态硬盘读写数据进行等待队列数据提取,生成低频等待队列数据;对低频等待队列数据进行等待队列异常值计算,生成等待队列异常值;根据等待队列异常值对低频流量数据进行低频流量数据异常判定,生成异常低频流量数据或常规低频流量数据;
步骤S3:获取SSD固态硬盘的历史读写流量监测数据;对历史读写流量监测数据特征数据提取,生成历史流量特征数据;利用决策树算法建立高频流量数据预测的映射关系,生成初始高频流量预测模型,并利用历史流量特征数据对初始高频流量预测模型进行模型训练及验证,生成高频流量预测模型;将高频流量数据传输至高频流量预测模型进行高频流量数据预测,生成高频流量预测数据;对高频流量预测数据进行高频流量数据异常判定,生成异常高频流量数据或常规高频流量数据;
步骤S4:当低频流量数据为异常低频流量数据或者高频流量数据为异常高频流量数据时,将读写流量监测数据标记为异常流量监测数据,将SSD固态硬盘进行异常SSD固态硬盘标记,生成异常SSD固态硬盘,将异常SSD固态硬盘传输至终端进行反馈。
2.根据权利要求1所述的SSD固态硬盘测试方法,其特征在于,步骤S1包括以下步骤:
步骤S11:获取硬盘测试数据;
步骤S12:将SSD固态硬盘进行外部接口连接,并接收硬盘测试数据进行SSD固态硬盘测试处理,生成测试数据;
步骤S13:对测试数据进行固态硬盘读写数据采集,生成固态硬盘读写数据;
步骤S14:对固态硬盘读写数据进行固态硬盘读写数据的流量数据监测处理,生成读写流量监测数据;
步骤S15:对读写流量监测数据进行高频及低频的读写流量分析,分别生成低频流量数据以及高频流量数据。
3.根据权利要求2所述的SSD固态硬盘测试方法,其特征在于,步骤S15包括以下步骤:
对读写流量监测数据进行高频及低频读写流量分析,当读写流量监测数据小于预设的监测流量阈值时,将读写流量监测数据进行低频监测流量段标记,生成低频流量数据;当读写流量监测数据不小于预设的监测流量阈值时,将读写流量监测数据进行高频监测流量段标记,生成高频流量数据。
4.根据权利要求3所述的SSD固态硬盘测试方法,其特征在于,步骤S2包括以下步骤:
步骤S21:将低频流量数据对应的固态硬盘读写数据进行数据提取,生成低频硬盘读写数据;
步骤S22:对低频硬盘读写数据进行等待队列数据提取,生成低频等待队列数据;
步骤S23:利用等待队列异常判定算法对低频等待队列数据进行等待队列异常值计算,生成等待队列异常值;
步骤S24:根据等待队列异常值对低频流量数据进行低频流量数据异常判定,生成异常低频流量数据或常规低频流量数据。
5.根据权利要求4所述的SSD固态硬盘测试方法,其特征在于,步骤S23中的等待队列异常判定算法如下所示:
;
式中,表示为等待队列异常值,/>表示为等待队列中的数据点数,/>表示为第/>个等待数据的预计等待时间的最大值,/>表示为第/>个等待数据的等待队列长度,/>表示为等待队列的总体负载数据,/>表示为低频流量数据的波动变化时间周期,/>表示为第/>个等待数据的传输速率,/>表示为低频流量数据的平均传输速率,/>表示为等待队列异常值的数值异常调整值。
6.根据权利要求5所述的SSD固态硬盘测试方法,其特征在于,步骤S24包括以下步骤:
根据等待队列异常值对低频流量数据进行低频流量数据异常判定,当等待队列异常值大于预设的等待队列异常阈值时,则将等待队列异常值对应的低频流量数据标记为异常低频流量数据;
根据等待队列异常值对低频流量数据进行低频流量数据异常判定,当等待队列异常值不大于预设的等待队列异常阈值时,则将等待队列异常值对应的低频流量数据标记为常规低频流量数据。
7.根据权利要求6所述的SSD固态硬盘测试方法,其特征在于,步骤S3包括以下步骤:
步骤S31:获取SSD固态硬盘的历史读写流量监测数据;
步骤S32:对历史读写流量监测数据进行数据的信息增益计算,生成信息增益数据;
步骤S33:根据预设的模型数据选取范围选取最大的信息增益数据对应的历史读写流量监测数据,生成历史流量特征数据;
步骤S34:利用决策树算法建立高频流量数据预测的映射关系,生成初始高频流量预测模型;
步骤S35:根据历史流量特征数据的信息增益数据对历史流量特征数据进行数据划分,分别生成历史流量特征训练集以及历史流量特征测试集;
步骤S36:利用历史流量特征训练集对初始高频流量预测模型进行模型训练,生成训练高频流量预测模型,并利用历史流量特征测试集对训练高频流量预测模型进行模型测试,生成高频流量预测模型;
步骤S37:将高频流量数据传输至高频流量预测模型进行高频流量数据预测,生成高频流量预测数据;
步骤S38:根据历史流量特征数据进行高频流量数据区间设计,生成高频流量数据区间;
步骤S39:将高频流量预测数据传输至高频流量数据区间进行高频流量数据异常判定,生成异常高频流量数据或常规高频流量数据。
8.根据权利要求7所述的SSD固态硬盘测试方法,其特征在于,步骤S32包括以下步骤:
步骤S321:对历史读写流量监测数据进行数据熵计算,生成历史读写流量监测数据的数据熵;
步骤S322:对历史读写流量监测数据的数据熵进行历史读写流量监测数据的高频流量条件熵计算,生成历史高频流量条件熵;
步骤S323:对历史读写流量监测数据的数据熵以及历史高频流量条件熵进行历史高频流量信息增益计算,生成信息增益数据。
9.根据权利要求8所述的SSD固态硬盘测试方法,其特征在于,步骤S39包括以下步骤:
将高频流量预测数据传输至高频流量数据区间进行数据异常判定,当高频流量预测数据不处于高频流量数据区间时,将高频流量预测数据对应的高频流量数据标记为异常高频流量数据;
将高频流量预测数据传输至高频流量数据区间进行数据异常判定,当高频流量预测数据处于高频流量数据区间时,将高频流量预测数据对应的高频流量数据标记为常规高频流量数据。
10.根据权利要求9所述的SSD固态硬盘测试方法,其特征在于,步骤S4包括以下步骤:
步骤S41:当低频流量数据为常规低频流量数据并且高频流量数据为常规高频流量数据时,将读写流量监测数据标记为常规流量监测数据;
步骤S42:当低频流量数据为异常低频流量数据或者高频流量数据为异常高频流量数据时,将读写流量监测数据标记为异常流量监测数据;
步骤S43:将异常流量监测数据对应的SSD固态硬盘进行异常SSD固态硬盘标记,生成异常SSD固态硬盘,将异常SSD固态硬盘传输至终端进行反馈。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311566622.6A CN117271247B (zh) | 2023-11-23 | 2023-11-23 | 一种ssd固态硬盘测试方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311566622.6A CN117271247B (zh) | 2023-11-23 | 2023-11-23 | 一种ssd固态硬盘测试方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117271247A CN117271247A (zh) | 2023-12-22 |
CN117271247B true CN117271247B (zh) | 2024-03-08 |
Family
ID=89206741
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311566622.6A Active CN117271247B (zh) | 2023-11-23 | 2023-11-23 | 一种ssd固态硬盘测试方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117271247B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112000497A (zh) * | 2020-08-20 | 2020-11-27 | 苏州浪潮智能科技有限公司 | 固态硬盘的寿命预测方法、装置及计算机可读存储介质 |
CN112905404A (zh) * | 2019-11-19 | 2021-06-04 | 中国电信股份有限公司 | 固态硬盘的状态监控方法和装置 |
CN114880177A (zh) * | 2022-05-18 | 2022-08-09 | 东莞忆联信息系统有限公司 | 固态硬盘的整机异常掉电测试方法、装置和计算机设备 |
CN115035946A (zh) * | 2022-08-12 | 2022-09-09 | 武汉麓谷科技有限公司 | 一种可扩展的NVMe固态硬盘测试系统 |
CN116126253A (zh) * | 2023-04-19 | 2023-05-16 | 北京得瑞领新科技有限公司 | 固态硬盘ssd的流量控制方法、装置、存储介质及设备 |
CN116450461A (zh) * | 2023-04-21 | 2023-07-18 | 中国工商银行股份有限公司 | 存储集群的硬盘故障处理方法、装置、设备和介质 |
-
2023
- 2023-11-23 CN CN202311566622.6A patent/CN117271247B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112905404A (zh) * | 2019-11-19 | 2021-06-04 | 中国电信股份有限公司 | 固态硬盘的状态监控方法和装置 |
CN112000497A (zh) * | 2020-08-20 | 2020-11-27 | 苏州浪潮智能科技有限公司 | 固态硬盘的寿命预测方法、装置及计算机可读存储介质 |
CN114880177A (zh) * | 2022-05-18 | 2022-08-09 | 东莞忆联信息系统有限公司 | 固态硬盘的整机异常掉电测试方法、装置和计算机设备 |
CN115035946A (zh) * | 2022-08-12 | 2022-09-09 | 武汉麓谷科技有限公司 | 一种可扩展的NVMe固态硬盘测试系统 |
CN116126253A (zh) * | 2023-04-19 | 2023-05-16 | 北京得瑞领新科技有限公司 | 固态硬盘ssd的流量控制方法、装置、存储介质及设备 |
CN116450461A (zh) * | 2023-04-21 | 2023-07-18 | 中国工商银行股份有限公司 | 存储集群的硬盘故障处理方法、装置、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117271247A (zh) | 2023-12-22 |
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 | |
US7444263B2 (en) | Performance metric collection and automated analysis | |
CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
US11003518B2 (en) | Component failure prediction | |
US20060129367A1 (en) | Systems, methods, and computer program products for system online availability estimation | |
WO2020215721A1 (zh) | 一种激光雷达的寿命预测方法 | |
Rosà et al. | Failure analysis and prediction for big-data systems | |
CN110417611A (zh) | 基于i/o模式的存储系统延迟评估 | |
US20160378583A1 (en) | Management computer and method for evaluating performance threshold value | |
JP5025776B2 (ja) | 異常診断フィルタ生成装置 | |
US20150269120A1 (en) | Model parameter calculation device, model parameter calculating method and non-transitory computer readable medium | |
US20100229187A1 (en) | Event detection from attributes read by entities | |
US10447565B2 (en) | Mechanism for analyzing correlation during performance degradation of an application chain | |
CN111611146B (zh) | 一种微服务故障预测方法和装置 | |
US20120174231A1 (en) | Assessing System Performance Impact of Security Attacks | |
CN111309502A (zh) | 固态硬盘寿命预测方法 | |
JP2009086896A (ja) | コンピュータの障害予測システムおよび障害予測方法 | |
CN117271247B (zh) | 一种ssd固态硬盘测试方法 | |
US20170302506A1 (en) | Methods and apparatus for fault detection | |
CN111400850A (zh) | 设备故障分析方法、装置、设备和存储介质 | |
CN116682479A (zh) | 一种企业级固态硬盘时延指标的测试方法及测试系统 | |
CN111614504A (zh) | 基于时间序列和故障树分析的电网调控数据中心业务特性故障定位方法及系统 | |
WO2020044898A1 (ja) | 機器状態監視装置及びプログラム | |
CN114048085B (zh) | 一种磁盘故障分析方法、装置、设备及可读存储介质 | |
US10776240B2 (en) | Non-intrusive performance monitor and service engine |
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 |