CN117672328B - 固态硬盘的数据恢复方法、装置、设备及存储介质 - Google Patents
固态硬盘的数据恢复方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117672328B CN117672328B CN202410146679.9A CN202410146679A CN117672328B CN 117672328 B CN117672328 B CN 117672328B CN 202410146679 A CN202410146679 A CN 202410146679A CN 117672328 B CN117672328 B CN 117672328B
- Authority
- CN
- China
- Prior art keywords
- data
- strategy
- recovery
- target
- solid state
- 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
- 238000011084 recovery Methods 0.000 title claims abstract description 244
- 239000007787 solid Substances 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000013524 data verification Methods 0.000 claims abstract description 51
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 48
- 230000002159 abnormal effect Effects 0.000 claims abstract description 36
- 238000001514 detection method Methods 0.000 claims abstract description 20
- 238000012417 linear regression Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000002955 isolation Methods 0.000 claims abstract description 15
- 230000010354 integration Effects 0.000 claims abstract description 11
- 238000013433 optimization analysis Methods 0.000 claims abstract description 10
- 230000003321 amplification Effects 0.000 claims abstract description 7
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 7
- 239000010410 layer Substances 0.000 claims description 48
- 239000013598 vector Substances 0.000 claims description 32
- 238000005457 optimization Methods 0.000 claims description 31
- 230000015654 memory Effects 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 16
- 230000004927 fusion Effects 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 10
- 239000002245 particle Substances 0.000 claims description 10
- 125000004122 cyclic group Chemical group 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 239000002356 single layer Substances 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 26
- 230000000694 effects Effects 0.000 description 12
- 230000006399 behavior Effects 0.000 description 4
- 238000013502 data validation Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000012792 core layer Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003334 potential effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Detection And Correction Of Errors (AREA)
- Debugging And Monitoring (AREA)
Abstract
本申请涉及数据处理技术领域,公开了一种固态硬盘的数据恢复方法、装置、设备及存储介质。所述方法包括:采用故障隔离算法对故障固态硬盘进行数据放大和数据整合,得到目标原始数据集;计算异常得分数据并动态调整损坏块状态;构建数据恢复逻辑并生成多个数据恢复策略;进行数据重构预测,得到重构预测数据并进行数据验证和特征检测,得到数据验证信息和策略特征信息;通过高斯线性回归模型进行特征回归预测,得到策略特征预测值;进行最优化分析,得到目标恢复策略,并根据目标恢复策略对多个原始数据进行动态数据重构,得到多个目标数据,本申请提高了固态硬盘的数据恢复准确率。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种固态硬盘的数据恢复方法、装置、设备及存储介质。
背景技术
在当前数字化时代,固态硬盘由于其高速、低功耗和可靠性等优势,逐渐成为存储设备的主流选择。然而,与之伴随而来的是固态硬盘在长时间使用过程中发生的数据损坏和存储单元故障问题,给数据的完整性和可靠性带来了挑战。为了应对这一挑战,研究人员加大了对固态硬盘数据恢复方法的研究力度,旨在提供高效、准确且实时的数据恢复方案。
尽管固态硬盘数据恢复领域已经取得了一些显著的进展,但依然存在一些突出的问题需要解决。随着固态硬盘技术的不断演进,新型存储介质和架构的引入使得数据损坏和存储单元故障的表现形式变得更加复杂多样,传统的数据恢复方法难以适应新的挑战。其次,大容量固态硬盘的普及使得数据恢复涉及的存储单元数量庞大,对于故障存储单元的准确检测和处理成为亟待解决的问题。
发明内容
本申请提供了一种固态硬盘的数据恢复方法、装置、设备及存储介质,用于提高了固态硬盘的数据恢复准确率。
第一方面,本申请提供了一种固态硬盘的数据恢复方法,所述固态硬盘的数据恢复方法包括:
采用故障隔离算法,对故障固态硬盘的故障存储单元进行数据放大和数据整合,得到目标原始数据集,其中,所述目标原始数据集包括:多个原始数据;
分别计算每个原始数据的异常得分数据,并根据所述异常得分数据动态调整损坏块状态;
根据所述损坏块状态构建所述目标原始数据集的数据恢复逻辑,并根据所述数据恢复逻辑对所述目标原始数据集进行策略搜索,生成多个数据恢复策略;
分别根据所述多个数据恢复策略对所述故障固态硬盘进行数据重构预测,得到每个数据恢复策略的重构预测数据,并对所述重构预测数据进行数据验证和特征检测,得到每个数据恢复策略的数据验证信息和策略特征信息;
将所述数据验证信息和策略特征信息输入预置的高斯线性回归模型进行特征回归预测,得到每个数据恢复策略的策略特征预测值;
根据所述策略特征预测值对所述多个数据恢复策略进行最优化分析,得到目标恢复策略,并根据所述目标恢复策略对所述多个原始数据进行动态数据重构,得到多个目标数据。
第二方面,本申请提供了一种固态硬盘的数据恢复装置,所述固态硬盘的数据恢复装置包括:
整合模块,用于采用故障隔离算法,对故障固态硬盘的故障存储单元进行数据放大和数据整合,得到目标原始数据集,其中,所述目标原始数据集包括:多个原始数据;
计算模块,用于分别计算每个原始数据的异常得分数据,并根据所述异常得分数据动态调整损坏块状态;
搜索模块,用于根据所述损坏块状态构建所述目标原始数据集的数据恢复逻辑,并根据所述数据恢复逻辑对所述目标原始数据集进行策略搜索,生成多个数据恢复策略;
验证模块,用于分别根据所述多个数据恢复策略对所述故障固态硬盘进行数据重构预测,得到每个数据恢复策略的重构预测数据,并对所述重构预测数据进行数据验证和特征检测,得到每个数据恢复策略的数据验证信息和策略特征信息;
预测模块,用于将所述数据验证信息和策略特征信息输入预置的高斯线性回归模型进行特征回归预测,得到每个数据恢复策略的策略特征预测值;
重构模块,用于根据所述策略特征预测值对所述多个数据恢复策略进行最优化分析,得到目标恢复策略,并根据所述目标恢复策略对所述多个原始数据进行动态数据重构,得到多个目标数据。
本申请第三方面提供了一种固态硬盘的数据恢复设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述固态硬盘的数据恢复设备执行上述的固态硬盘的数据恢复方法。
本申请的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的固态硬盘的数据恢复方法。
本申请提供的技术方案中,通过采用故障隔离算法对故障存储单元进行数据放大和整合,能够有效隔离硬盘中的故障,并将多个原始数据整合成目标原始数据集。这有助于最大程度地保留故障硬盘中的有用信息。通过计算每个原始数据的异常得分数据,实现对损坏块状态的动态调整。这种动态调整能够根据实际情况灵活应对硬盘的损坏情况,提高数据恢复的适应性和准确性。利用贝叶斯网络进行数据恢复逻辑的建模,结合策略搜索,使得系统能够更智能地适应不同硬盘故障的情况,提高了数据恢复的效率和成功率。采用多个数据恢复策略对故障固态硬盘进行数据重构预测,结合数据验证和特征检测,有助于提高数据重构的准确性和可靠性。这可以通过对重构预测数据进行验证,确保所恢复的数据符合预期标准。使用高斯线性回归模型进行特征回归预测,有助于综合考虑数据验证信息和策略特征信息,提高了对每个数据恢复策略的评估和优化精度。这种方法能够更好地理解和利用不同特征对数据恢复性能的影响。通过对策略特征预测值进行最优化分析,系统能够选择最适合当前情况的目标恢复策略。根据目标恢复策略对多个原始数据进行动态数据重构,有效提高了数据恢复的整体效能。引入粒子群优化算法等种群智能算法,通过对多个随机恢复策略的优化,有助于在复杂的数据恢复环境中找到更为优越的目标恢复策略,提高了系统在不同情景下的适应性。通过对硬盘进行全面的故障诊断和定位,包括对坏块数量、读取错误率、写入耗损等指标的分析,系统能够更精准地识别故障存储单元,从而提高了固态硬盘的数据恢复准确率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以基于这些附图获得其他的附图。
图1为本申请实施例中固态硬盘的数据恢复方法的一个实施例示意图;
图2为本申请实施例中固态硬盘的数据恢复装置的一个实施例示意图。
具体实施方式
本申请实施例提供了一种固态硬盘的数据恢复方法、装置、设备及存储介质。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”、“第三”、“第四”等(如果存在)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。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本申请实施例的具体流程进行描述,请参阅图1,本申请实施例中固态硬盘的数据恢复方法的一个实施例包括:
步骤S101、采用故障隔离算法,对故障固态硬盘的故障存储单元进行数据放大和数据整合,得到目标原始数据集,其中,目标原始数据集包括:多个原始数据;
可以理解的是,本申请的执行主体可以为固态硬盘的数据恢复装置,还可以是终端或者服务器,具体此处不做限定。本申请实施例以服务器为执行主体为例进行说明。
具体的,采用故障隔离算法,对故障固态硬盘进行数据检测,以检测和定位故障存储单元。通过运行诊断测试收集关于固态硬盘状态的指标数据集,这包括对硬盘的读写能力和存储单元的健康状况进行评估。对指标数据集进行分类,将其分为坏块数量指标数据、读取错误率指标数据及写入耗损指标数据等类别。对坏块数量指标数据进行存储单元定位,通过分析坏块分布和数量来定位的故障存储单元,得到第一存储单元定位结果。同时,对读取错误率指标数据及写入耗损指标数据进行存储单元定位,以确定那些因为频繁读写操作而变得不稳定的存储单元,从而获得第二存储单元定位结果。综合分析第一和第二存储单元的定位结果,识别出那些故障的存储单元。通过预置的差错编码技术对这些故障存储单元进行数据放大。差错编码可以通过算法生成冗余数据,即使在存储单元部分损坏的情况下也能恢复出原始数据。对多个原始数据进行数据整合,得到目标原始数据集。将这些分散的数据片段综合起来,重新构建出一个完整的目标原始数据集。
步骤S102、分别计算每个原始数据的异常得分数据,并根据异常得分数据动态调整损坏块状态;
具体的,分别对多个原始数据进行数据尺度标准化处理。标准化处理将原始数据转换为具有统一尺度的标准数据,这有助于消除不同数据源或不同量级造成的偏差,确保后续处理的准确性和有效性。分别对多个标准数据进行特征空间映射,将数据从原始数据空间转换到一个新的特征空间,使得数据的内在结构和特征更加明显和可分析。分别对数据特征空间进行特征数据点识别。分析每个标准数据在特征空间中的表现,识别出代表各个数据特性的多个数据特征点。这些特征点是后续进行异常分析的基础,它们代表了每个数据的关键特性和行为模式。通过预置的孤立森林算法,分别对每个标准数据对应的多个数据特征进行异常得分计算。孤立森林算法是一种有效的异常检测方法,它通过构建多个孤立树来孤立观察结果,并以此来计算每个数据点的异常程度,得到每个原始数据的异常得分数据。获取预设的异常得分阈值,并将每个数据的异常得分与这个阈值进行比较。通过比较得到的目标比较结果能够帮助系统判断哪些数据是正常的,哪些是异常的。基于这个比较结果,对故障固态硬盘中的损坏块状态进行动态调整。根据数据的异常程度来更新和调整每个存储块的健康状态,标记出哪些块已经损坏或即将出现问题。
步骤S103、根据损坏块状态构建目标原始数据集的数据恢复逻辑,并根据数据恢复逻辑对目标原始数据集进行策略搜索,生成多个数据恢复策略;
具体的,三层贝叶斯网络是一个复杂的概率模型,它通过层次化的结构来建模不确定性和因果关系。将损坏块状态输入预置的三层贝叶斯网络。与三层贝叶斯网络中的第一层建立状态特征节点连接,这一层负责描绘和分析损坏块的基础特性。同第二层建立状态补偿节点连接,此层的目的在于评估和补偿损坏块的影响,试图找到的修复或绕过策略。与第三层建立恢复逻辑节点连接,这是核心层,负责生成和优化数据恢复的逻辑和方法。对三层贝叶斯网络进行节点连接权重优化,通过算法调整每个节点连接的权重,以便模型能够更准确地反映实际情况和更有效地进行前向推断。优化后的目标贝叶斯模型能够对每个恢复逻辑节点、状态补偿节点和状态特征节点的概率分布进行计算,这些概率分布是理解和预测系统行为的关键。通过前向推断,模型将输出目标原始数据集的数据恢复逻辑,这个逻辑包含了对损坏块进行恢复的最佳路径和方法。创建多个候选恢复策略。这些策略是基于数据恢复逻辑生成的,它们代表了不同的尝试和方法,旨在从多个角度解决数据恢复问题。对这些候选恢复策略进行策略搜索,评估每个策略的有效性和可行性,寻找那些最有成功恢复数据的策略。策略搜索不仅基于贝叶斯网络提供的理论指导,还需要考虑目标原始数据集的特性和需求,以确保找到的恢复策略既科学又符合实际情况。
步骤S104、分别根据多个数据恢复策略对故障固态硬盘进行数据重构预测,得到每个数据恢复策略的重构预测数据,并对重构预测数据进行数据验证和特征检测,得到每个数据恢复策略的数据验证信息和策略特征信息;
具体的,将每个原始数据根据不同的数据恢复策略输入预置的数据重构模型中。这个模型是由编码器和解码器组成的,它们共同工作以重构原始数据并预测的恢复结果。编码器部分包括两层卷积长短时记忆网络,这种网络结构专门设计用于处理和理解时间序列数据,它可以有效地捕捉数据中的时间依赖性和复杂性。每个原始数据通过这个编码器进行编码,转换成一个原始数据编码向量,这个向量是对原始数据的一个压缩表示,捕捉了其关键特征和结构。将原始数据编码向量输入解码器中的单层卷积长短时记忆网络进行向量解码。将编码向量还原为更接近原始数据的格式。解码过程完成后,通过解码器中的全连接层对原始数据解码序列进行进一步的分析和处理,进行数据重构预测。生成每个数据恢复策略的重构预测数据,这些数据是对故障固态硬盘中恢复数据的预测和假设。为了确保这些重构预测数据的可靠性和准确性,接下来对它们进行数据验证。通过预置的循环冗余校验算法,检测数据中的错误和不一致,确保重构预测数据的质量,得到每个数据恢复策略的数据验证信息。对每个数据恢复策略进行策略特征检测。分析和评估重构预测数据,以识别和提取每个策略的关键特征和属性。这些策略特征信息有助于理解各个恢复策略的效果和适用性。
步骤S105、将数据验证信息和策略特征信息输入预置的高斯线性回归模型进行特征回归预测,得到每个数据恢复策略的策略特征预测值;
具体的,对数据验证信息和策略特征信息进行标准化处理和编码。标准化处理是为了确保来自不同源的数据具有可比性,消除量纲和范围的差异,使其能在同一标准下进行分析。随后的编码过程则将这些标准化后的数据转换为一种格式,使之适合于进一步的数学和统计处理,这些处理包括将数据验证信息和策略特征信息转化成数据验证编码集合和策略特征编码集合。对这些编码集合进行特征权重计算,确定每个特征在预测模型中的重要性。通过统计分析和机器学习技术,找出对预测结果影响最大的因素。根据目标权重数据对数据验证编码集合以及策略特征编码集合进行编码融合和向量映射。将数据验证编码集合和策略特征编码集合结合起来,形成一个综合的表示。向量映射则是将这些融合后的编码转换为模型可以处理的向量格式。从而得到融合编码向量,它包含了所有关键的验证和特征信息。将融合编码向量输入预置的高斯线性回归模型中。高斯线性回归是一种常用的统计方法,能够基于输入的特征预测一个连续的输出,从而对每个数据恢复策略的效果进行预测。通过模型的计算,得到每个数据恢复策略的策略特征预测值,这些预测值反映了每种策略在实际应用中的效果和性能。
步骤S106、根据策略特征预测值对多个数据恢复策略进行最优化分析,得到目标恢复策略,并根据目标恢复策略对多个原始数据进行动态数据重构,得到多个目标数据。
具体的,根据策略特征预测值对多个数据恢复策略进行排序分析。通过评估每个策略的预测效果和潜在效能,将它们按照效果从好到坏进行排列,形成一个恢复策略序列。根据恢复策略序列对多个数据恢复策略进行策略约束条件分析,确定每个策略的适用条件和限制,确保在策略选择和优化过程中能够考虑到所有相关因素。这些策略约束条件包括数据类型、损坏程度、资源消耗等各种实际情况,它们共同构成了策略约束条件集合,为策略的选择和优化提供了明确的指导。通过策略约束条件集合对多个数据恢复策略进行随机初始化,得到对应的多个随机恢复策略。在策略空间中创建一个初始种群,为接下来的优化算法提供起点。通过预置的粒子群优化算法对这些随机恢复策略进行策略种群构建。粒子群优化是一种模仿鸟群觅食行为的算法,它通过群体合作和信息分享来寻找最优解,能够有效地对策略种群进行迭代优化。在策略种群构建完成后,对多个策略种群进行种群适应度计算,评估每个策略种群在实际数据恢复任务中的表现和效果。每个策略种群对应的种群适应度是判断其优劣的关键指标。对这些策略种群进行迭代计算和最优化求解,通过不断的迭代和更新,逐步找到最有效的目标恢复策略。根据确定的目标恢复策略,分别对多个原始数据进行动态数据重构。将目标恢复策略应用于实际数据,通过计算和处理,尝试恢复出损坏或丢失的数据,得到多个目标数据。这些目标数据是对原始数据的最佳估计,它们代表了在给定策略和条件下恢复的最好结果。
本申请实施例中,通过采用故障隔离算法对故障存储单元进行数据放大和整合,能够有效隔离硬盘中的故障,并将多个原始数据整合成目标原始数据集。这有助于最大程度地保留故障硬盘中的有用信息。通过计算每个原始数据的异常得分数据,实现对损坏块状态的动态调整。这种动态调整能够根据实际情况灵活应对硬盘的损坏情况,提高数据恢复的适应性和准确性。利用贝叶斯网络进行数据恢复逻辑的建模,结合策略搜索,使得系统能够更智能地适应不同硬盘故障的情况,提高了数据恢复的效率和成功率。采用多个数据恢复策略对故障固态硬盘进行数据重构预测,结合数据验证和特征检测,有助于提高数据重构的准确性和可靠性。这可以通过对重构预测数据进行验证,确保所恢复的数据符合预期标准。使用高斯线性回归模型进行特征回归预测,有助于综合考虑数据验证信息和策略特征信息,提高了对每个数据恢复策略的评估和优化精度。这种方法能够更好地理解和利用不同特征对数据恢复性能的影响。通过对策略特征预测值进行最优化分析,系统能够选择最适合当前情况的目标恢复策略。根据目标恢复策略对多个原始数据进行动态数据重构,有效提高了数据恢复的整体效能。引入粒子群优化算法等种群智能算法,通过对多个随机恢复策略的优化,有助于在复杂的数据恢复环境中找到更为优越的目标恢复策略,提高了系统在不同情景下的适应性。通过对硬盘进行全面的故障诊断和定位,包括对坏块数量、读取错误率、写入耗损等指标的分析,系统能够更精准地识别故障存储单元,从而提高了固态硬盘的数据恢复准确率。
在一具体实施例中,执行步骤S101的过程可以具体包括如下步骤:
(1)采用故障隔离算法,对故障固态硬盘进行数据检测,得到指标数据集,对指标数据集进行指标分类,得到坏块数量指标数据、读取错误率指标数据及写入耗损指标数据;
(2)对坏块数量指标数据进行存储单元定位,得到第一存储单元定位结果,并对读取错误率指标数据及写入耗损指标数据进行存储单元定位,得到第二存储单元定位结果;
(3)对第一存储单元定位结果和第二存储单元定位结果进行综合分析,得到故障固态硬盘的故障存储单元;
(4)通过预置的差错编码对故障存储单元进行数据放大,得到多个原始数据,并对多个原始数据进行数据整合,得到目标原始数据集。
具体的,采用故障隔离算法对故障固态硬盘进行数据检测。通过分析硬盘的运行数据和性能日志来识别出潜在的故障区域。收集各种与硬盘性能相关的指标并组成一个指标数据集。这些指标包括坏块数量、读取错误率以及写入耗损等,它们共同构成了对硬盘健康状况的全面描述。对这个指标数据集进行分类,将其分为坏块数量指标数据、读取错误率指标数据及写入耗损指标数据。坏块数量指标反映了硬盘中损坏存储单元的数量,是直接指示硬盘物理损伤的重要指标;读取错误率则反映了在读取数据时遇到错误的频率,它可以指示存储单元的稳定性和可靠性;写入耗损指标则反映了硬盘在长期使用中的磨损状况,有助于预测硬盘的寿命和性能下降。对这些分类后的指标数据进行存储单元定位。针对坏块数量指标数据进行分析,确定哪些具体的存储单元已经损坏,得到第一存储单元定位定位结果。同时,对读取错误率指标数据及写入耗损指标数据进行分析,以确定那些即将出现故障的存储单元,得到第二存储单元定位结果。对第一存储单元定位结果和第二存储单元定位结果进行综合分析。将两种定位结果结合起来,提供一个更全面、更准确的故障存储单元定位。通过这种综合分析,不仅能够识别出已经损坏的存储单元,还能预测哪些存储单元即将出现问题。通过预置的差错编码对这些故障单元进行数据放大。差错编码是一种常用的数据恢复技术,它可以通过添加冗余信息来恢复丢失或损坏的数据。在这个过程中,故障存储单元中的数据被解码并放大,尽地恢复出更多的原始数据,这些恢复出的数据片段构成了多个原始数据。对多个原始数据进行数据整合。将来自不同故障存储单元的数据片段组合起来,尝试重建出完整的数据文件。通过算法和技术,识别和匹配这些片段之间的关联,将它们正确地拼接起来,形成一个连贯的数据流,得到目标原始数据集。
在一具体实施例中,执行步骤S102的过程可以具体包括如下步骤:
(1)分别对多个原始数据进行数据尺度标准化处理,得到多个标准数据,并分别对多个标准数据进行特征空间映射,得到每个标准数据对应的数据特征空间;
(2)分别对数据特征空间进行特征数据点识别,得到每个标准数据对应的多个数据特征;
(3)通过预置的孤立森林算法,分别对每个标准数据对应的多个数据特征进行异常得分计算,得到每个原始数据的异常得分数据;
(4)获取预设的异常得分阈值,并对异常得分数据与异常得分阈值进行比较,得到目标比较结果;
(5)根据目标比较结果,对故障固态硬盘的损坏块状态进行动态调整,得到损坏块状态。
具体的,分别对多个原始数据进行数据尺度标准化处理,将来自不同来源或具有不同度量单位的数据转换为具有统一尺度的数据。对标准化后的数据进行特征空间映射。特征空间映射是一种将数据从原始空间转换到一个新的特征空间的技术,这个新空间通常被设计得能更好地揭示数据的内在结构和关系。在这个特征空间中,每个标准数据被表示为一组特征,这些特征捕捉了数据的本质属性和模式。例如,一张图片的原始数据是数以万计的像素值,而在特征空间中,它被表示为边缘、角点、纹理等高级特征,这些特征更有助于后续的分析和理解。对每个映射到特征空间的数据进行特征数据点识别。识别和记录每个标准数据在特征空间中的具体位置和分布,这些信息形成了每个数据的特征数据点集合。每个集合都详细描述了对应数据的特征和模式,为后续的异常分析提供了基础。例如,如果在特征空间中某个数据的特征点集中在一个小区域内,这意味着数据比较一致和规整;而如果特征点分散在广泛区域,这说明数据复杂或包含多种模式。通过预置的孤立森林算法分别对每个标准数据对应的多个数据特征进行异常得分计算。孤立森林是一种有效的异常检测算法,它通过随机选择特征和分割值来“孤立”观测点,异常点通常更容易被孤立,因此需要较少的步骤即可被检测出来。对于每个数据,算法都会计算一个异常得分,这个得分表示了数据被认为是异常的程度。高得分意味着数据很是异常的,而低得分则表示数据看起来更正常。例如,对于一个固态硬盘的读写模式数据,孤立森林算法可以帮助识别出那些与大多数数据明显不同的异常读写模式。获取预设的异常得分阈值,并将每个数据的异常得分与这个阈值进行比较。通过与阈值的比较,确定哪些数据是正常的,哪些是异常的。得到目标比较结果后,对故障固态硬盘的损坏块状态进行动态调整,根据数据的异常程度更新和调整存储块的状态标记,标识出那些损坏或不稳定的区域。例如,如果某个存储块的读写模式异常得分超过了预设阈值,系统会标记这个块为潜在损坏区域,并在后续的操作中予以特别关注。通过这种方式,系统能够动态地响应检测到的问题和异常,及时调整策略以保护数据和优化性能。
在一具体实施例中,执行步骤S103的过程可以具体包括如下步骤:
(1)将损坏块状态输入预置的三层贝叶斯网络,建立损坏块状态与三层贝叶斯网络中第一层贝叶斯网络之间的状态特征节点连接,并建立损坏块状态与三层贝叶斯网络中第二层贝叶斯网络之间的状态补偿节点连接,以及分别建立损坏块状态与三层贝叶斯网络中第三层贝叶斯网络之间的恢复逻辑节点连接;
(2)对三层贝叶斯网络进行节点连接权重优化,生成目标贝叶斯模型,并通过目标贝叶斯模型对损坏块状态进行前向推断,计算每个恢复逻辑节点、状态补偿节点和状态特征节点的概率分布,输出目标原始数据集的数据恢复逻辑;
(3)根据数据恢复逻辑创建多个候选恢复策略,并根据目标原始数据集对多个候选恢复策略进行策略搜索,生成多个数据恢复策略。
具体的,贝叶斯网络是一种图形模型,它表示一组变量及其条件依赖性通过一个有向无环图。三层结构意味着模型被设计为分层处理不同层次的信息,每层都有其特定的作用和目的。将损坏块状态输入预置的三层贝叶斯网络,建立状态特征节点连接。损坏状态包括块的损坏程度、错误类型、历史性能数据等。第一层的贝叶斯网络分析和解释损坏块的基本状态特征,将这些复杂的信息简化成更容易管理和理解的形式。例如,将连续的损坏程度信息转换为几个离散的状态级别,简化后续处理。建立损坏块状态与第二层贝叶斯网络之间的状态补偿节点连接。第二层贝叶斯网络评估和补偿损坏块的影响,寻找的缓解和修复措施。它考虑各种补偿策略的效果,如重映射块地址或使用冗余数据进行修复,然后对这些策略的效果进行建模和预测。损坏块状态与第三层贝叶斯网络中的恢复逻辑节点连接。第三层是决策层,它综合前两层的信息,生成具体的数据恢复逻辑和策略。这一层将考虑各种的恢复方法,并评估它们的可行性和成功率。为了确保模型的准确性和效果,对三层贝叶斯网络进行节点连接权重优化。通过算法调整每个节点连接的权重,确保模型能够准确反映实际情况并有效地进行推断。优化后的模型称为目标贝叶斯模型,它将被用来对损坏块状态进行前向推断。在前向推断过程中,模型将计算每个恢复逻辑节点、状态补偿节点和状态特征节点的概率分布。这些概率分布提供了关于各种状态和策略的丰富信息,如某个恢复策略在当前情况下成功的概率,或某种补偿措施带来的效果。根据这些概率分布,模型将输出目标原始数据集的数据恢复逻辑,指导后续的恢复行动。根据数据恢复逻辑创建多个候选恢复策略。这些策略是对的恢复行动的不同尝试和方法,它们包括不同的数据重构技术、错误修正算法或其他恢复技巧。根据目标原始数据集对这些候选恢复策略进行策略搜索,评估每个策略的潜在效果和可行性。这个过程涉及模拟和分析每个策略在实际应用中的表现,比较它们的优劣,最终生成多个数据恢复策略。
在一具体实施例中,执行步骤S104的过程可以具体包括如下步骤:
(1)根据每个数据恢复策略分别将每个原始数据输入预置的数据重构模型,其中,数据重构模型包括:编码器以及解码器;
(2)通过编码器中的两层卷积长短时网络对每个原始数据进行原始数据编码,得到每个原始数据对应的原始数据编码向量;
(3)将原始数据编码向量输入解码器中的单层卷积长短时记忆网络进行向量解码,得到原始数据解码序列,并通过解码器中的全连接层对原始数据解码序列进行数据重构预测,得到每个数据恢复策略的重构预测数据;
(4)通过预置的循环冗余校验算法对重构预测数据进行数据验证,得到每个数据恢复策略的数据验证信息;
(5)根据重构预测数据,分别对多个数据恢复策略进行策略特征检测,得到每个数据恢复策略的策略特征信息。
具体的,根据每个数据恢复策略分别将每个原始数据输入预置的数据重构模型。这个模型的第一部分是编码器,它包含两层卷积长短时记忆网络。卷积长短时记忆网络是一种特殊的循环神经网络,能够处理序列数据并记忆长期依赖信息,适合于时序数据和空间数据的特征提取和分析。第一层数据重构模型负责提取数据的初级特征,而第二层则进一步提炼这些特征,形成一个更加抽象和深层的表示。这个过程中,每个原始数据被转换成一个独特的原始数据编码向量,它包含了原始数据的关键信息和特性。将原始数据编码向量输入解码器中的单层卷积长短时记忆网络,将编码向量解码回一个与原始数据相似的格式。这个解码过程是编码过程的逆过程,从压缩和抽象的编码向量中重构出详细的数据内容。解码完成后,数据通过解码器中的全连接层进行最终的重构预测。将解码序列转换为最终的重构预测数据,这些数据代表了对原始数据形态的最佳猜测。为了确保这些重构预测数据的准确性和可靠性,通过预置的循环冗余校验(CRC)算法进行数据验证。CRC是一种常用的数据验证方法,它通过计算数据的校验和来检测数据中的错误。通过CRC算法验证每个重构预测数据,确保它们没有在重构过程中受到破坏或丢失关键信息,从而生成每个数据恢复策略的数据验证信息。根据重构预测数据分别对多个数据恢复策略进行策略特征检测。分析重构预测数据,以识别和提取每个策略的关键特征和属性。这些策略特征信息有助于理解各个恢复策略的效果和适用性。
在一具体实施例中,执行步骤S105的过程可以具体包括如下步骤:
(1)对数据验证信息和策略特征信息进行标准化处理和编码,得到数据验证编码集合以及策略特征编码集合;
(2)对数据验证编码集合以及策略特征编码集合进行特征权重计算,得到目标权重数据;
(3)根据目标权重数据对数据验证编码集合以及策略特征编码集合进行编码融合和向量映射,得到融合编码向量;
(4)将融合编码向量输入预置的高斯线性回归模型,通过高斯线性回归模型对融合编码向量进行特征回归预测,得到每个数据恢复策略的策略特征预测值。
具体的,对数据验证信息和策略特征信息进行标准化处理和编码。标准化确保来自不同来源和不同尺度的数据可以在同一标准下比较和处理,从而提高了分析的准确性和有效性。编码过程将这些标准化后的数据转换为一种适合于机器学习模型处理的格式,通常是数值型或类别型编码。将每个数据恢复策略的数据验证信息和策略特征信息转换成数据验证编码集合和策略特征编码集合。对这些编码集合进行特征权重计算,确定每个特征在预测模型中的重要性。特征权重计算涉及到各种统计分析和机器学习技术,目的是找出对预测结果影响最大的因素。例如,如果某个特征在不同数据恢复策略中表现出强烈的正相关或负相关,那么这个特征会被赋予较高的权重。从而生成目标权重数据,它是对每个特征重要性的量化表示。根据目标权重数据对数据验证编码集合以及策略特征编码集合进行编码融合和向量映射。编码融合是将数据验证编码和策略特征编码按照其权重结合起来,形成一个综合的表示。向量映射则是将这些融合后的编码转换为一个向量,这个向量将作为高斯线性回归模型的输入。这个过程中,不同特征的权重会影响最终融合向量的构成,确保了模型的输入能够反映出每个特征的实际重要性。将融合编码向量将输入预置的高斯线性回归模型中。高斯线性回归是一种常见的预测模型,它假设目标变量服从高斯分布,能够提供关于预测值的概率描述。通过模型的计算,获得每个数据恢复策略的策略特征预测值,这些预测值反映了每种策略在实际应用中的效果和性能。
在一具体实施例中,执行步骤S106的过程可以具体包括如下步骤:
(1)根据策略特征预测值对多个数据恢复策略进行排序分析,得到恢复策略序列;
(2)根据恢复策略序列对多个数据恢复策略进行策略约束条件分析,得到策略约束条件集合;
(3)通过策略约束条件集合,对多个数据恢复策略进行随机初始化,得到对应的多个随机恢复策略,并通过预置的粒子群优化算法对多个随机恢复策略进行策略种群构建,得到多个策略种群;
(4)对多个策略种群进行种群适应度计算,得到每个策略种群对应的种群适应度,并对多个策略种群进行迭代计算和最优化求解,得到目标恢复策略;
(5)根据目标恢复策略,分别对多个原始数据进行动态数据重构,得到多个目标数据。
具体的,根据策略特征预测值对多个数据恢复策略进行排序分析。每个数据恢复策略都有一个与之相关的预测值,这个值代表了策略的预期效果和成功率。根据这些预测值排序,生成一个恢复策略序列。根据恢复策略序列对多个数据恢复策略进行策略约束条件分析。每种恢复策略都有一些特定的使用条件和限制,如所需的时间、资源消耗、适用的数据类型等。系统会分析这些条件,形成一个策略约束条件集合。这个集合帮助系统理解每种策略的实际适用性和局限性,确保在后续的优化和决策中能考虑到这些重要因素。通过策略约束条件集合对多个数据恢复策略进行随机初始化,在策略的空间中创建一个初始种群,为接下来的优化算法提供起点。每个数据恢复策略都会被初始化成一个或多个随机状态,形成多个随机恢复策略。将这些随机恢复策略输入预置的粒子群优化算法中进行策略种群构建。粒子群优化是一种基于群体智能的优化算法,它模仿自然界中鸟群或鱼群的行为,通过个体间的信息共享和合作寻找最优解。通过粒子群优化对策略种群进行迭代优化,寻找那些在给定约束条件下最有成功的策略。对多个策略种群进行种群适应度计算。评估每个策略种群在实际数据恢复任务中的表现和效果。每个策略种群对应的种群适应度是判断其优劣的关键指标。对这些策略种群进行迭代计算和最优化求解,通过不断的迭代和更新,逐步找到最有效的目标恢复策略。根据确定的目标恢复策略,分别对多个原始数据进行动态数据重构。将目标恢复策略应用于实际数据,通过计算和处理,尝试恢复出损坏或丢失的数据,得到多个目标数据。这些目标数据是对原始数据的最佳估计,它们代表了在给定策略和条件下恢复的最好结果。
上面对本申请实施例中固态硬盘的数据恢复方法进行了描述,下面对本申请实施例中固态硬盘的数据恢复装置进行描述,请参阅图2,本申请实施例中固态硬盘的数据恢复装置一个实施例包括:
整合模块201,用于采用故障隔离算法,对故障固态硬盘的故障存储单元进行数据放大和数据整合,得到目标原始数据集,其中,所述目标原始数据集包括:多个原始数据;
计算模块202,用于分别计算每个原始数据的异常得分数据,并根据所述异常得分数据动态调整损坏块状态;
搜索模块203,用于根据所述损坏块状态构建所述目标原始数据集的数据恢复逻辑,并根据所述数据恢复逻辑对所述目标原始数据集进行策略搜索,生成多个数据恢复策略;
验证模块204,用于分别根据所述多个数据恢复策略对所述故障固态硬盘进行数据重构预测,得到每个数据恢复策略的重构预测数据,并对所述重构预测数据进行数据验证和特征检测,得到每个数据恢复策略的数据验证信息和策略特征信息;
预测模块205,用于将所述数据验证信息和策略特征信息输入预置的高斯线性回归模型进行特征回归预测,得到每个数据恢复策略的策略特征预测值;
重构模块206,用于根据所述策略特征预测值对所述多个数据恢复策略进行最优化分析,得到目标恢复策略,并根据所述目标恢复策略对所述多个原始数据进行动态数据重构,得到多个目标数据。
通过上述各个组成部分的协同合作,通过采用故障隔离算法对故障存储单元进行数据放大和整合,能够有效隔离硬盘中的故障,并将多个原始数据整合成目标原始数据集。这有助于最大程度地保留故障硬盘中的有用信息。通过计算每个原始数据的异常得分数据,实现对损坏块状态的动态调整。这种动态调整能够根据实际情况灵活应对硬盘的损坏情况,提高数据恢复的适应性和准确性。利用贝叶斯网络进行数据恢复逻辑的建模,结合策略搜索,使得系统能够更智能地适应不同硬盘故障的情况,提高了数据恢复的效率和成功率。采用多个数据恢复策略对故障固态硬盘进行数据重构预测,结合数据验证和特征检测,有助于提高数据重构的准确性和可靠性。这可以通过对重构预测数据进行验证,确保所恢复的数据符合预期标准。使用高斯线性回归模型进行特征回归预测,有助于综合考虑数据验证信息和策略特征信息,提高了对每个数据恢复策略的评估和优化精度。这种方法能够更好地理解和利用不同特征对数据恢复性能的影响。通过对策略特征预测值进行最优化分析,系统能够选择最适合当前情况的目标恢复策略。根据目标恢复策略对多个原始数据进行动态数据重构,有效提高了数据恢复的整体效能。引入粒子群优化算法等种群智能算法,通过对多个随机恢复策略的优化,有助于在复杂的数据恢复环境中找到更为优越的目标恢复策略,提高了系统在不同情景下的适应性。通过对硬盘进行全面的故障诊断和定位,包括对坏块数量、读取错误率、写入耗损等指标的分析,系统能够更精准地识别故障存储单元,从而提高了固态硬盘的数据恢复准确率。
本申请还提供一种固态硬盘的数据恢复设备,所述固态硬盘的数据恢复设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述固态硬盘的数据恢复方法的步骤。
本申请还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述固态硬盘的数据恢复方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,系统和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random acceS memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (8)
1.一种固态硬盘的数据恢复方法,其特征在于,所述固态硬盘的数据恢复方法包括:
采用故障隔离算法,对故障固态硬盘的故障存储单元进行数据放大和数据整合,得到目标原始数据集,其中,所述目标原始数据集包括:多个原始数据;具体包括:采用故障隔离算法,对故障固态硬盘进行数据检测,得到指标数据集,对所述指标数据集进行指标分类,得到坏块数量指标数据、读取错误率指标数据及写入耗损指标数据;对所述坏块数量指标数据进行存储单元定位,得到第一存储单元定位结果,并对所述读取错误率指标数据及所述写入耗损指标数据进行存储单元定位,得到第二存储单元定位结果;对所述第一存储单元定位结果和所述第二存储单元定位结果进行综合分析,得到所述故障固态硬盘的故障存储单元;通过预置的差错编码对所述故障存储单元进行数据放大,得到多个原始数据,并对所述多个原始数据进行数据整合,得到目标原始数据集;
分别计算每个原始数据的异常得分数据,并根据所述异常得分数据动态调整损坏块状态;具体包括:分别对所述多个原始数据进行数据尺度标准化处理,得到多个标准数据,并分别对所述多个标准数据进行特征空间映射,得到每个标准数据对应的数据特征空间;分别对所述数据特征空间进行特征数据点识别,得到每个标准数据对应的多个数据特征;通过预置的孤立森林算法,分别对每个标准数据对应的多个数据特征进行异常得分计算,得到每个原始数据的异常得分数据;获取预设的异常得分阈值,并对所述异常得分数据与所述异常得分阈值进行比较,得到目标比较结果;根据所述目标比较结果,对所述故障固态硬盘的损坏块状态进行动态调整,得到损坏块状态;
根据所述损坏块状态构建所述目标原始数据集的数据恢复逻辑,并根据所述数据恢复逻辑对所述目标原始数据集进行策略搜索,生成多个数据恢复策略;
分别根据所述多个数据恢复策略对所述故障固态硬盘进行数据重构预测,得到每个数据恢复策略的重构预测数据,并对所述重构预测数据进行数据验证和特征检测,得到每个数据恢复策略的数据验证信息和策略特征信息;
将所述数据验证信息和策略特征信息输入预置的高斯线性回归模型进行特征回归预测,得到每个数据恢复策略的策略特征预测值;
根据所述策略特征预测值对所述多个数据恢复策略进行最优化分析,得到目标恢复策略,并根据所述目标恢复策略对所述多个原始数据进行动态数据重构,得到多个目标数据。
2.根据权利要求1所述的固态硬盘的数据恢复方法,其特征在于,所述根据所述损坏块状态构建所述目标原始数据集的数据恢复逻辑,并根据所述数据恢复逻辑对所述目标原始数据集进行策略搜索,生成多个数据恢复策略,包括:
将所述损坏块状态输入预置的三层贝叶斯网络,建立所述损坏块状态与所述三层贝叶斯网络中第一层贝叶斯网络之间的状态特征节点连接,并建立所述损坏块状态与所述三层贝叶斯网络中第二层贝叶斯网络之间的状态补偿节点连接,以及分别建立所述损坏块状态与所述三层贝叶斯网络中第三层贝叶斯网络之间的恢复逻辑节点连接;
对所述三层贝叶斯网络进行节点连接权重优化,生成目标贝叶斯模型,并通过所述目标贝叶斯模型对所述损坏块状态进行前向推断,计算每个恢复逻辑节点、状态补偿节点和状态特征节点的概率分布,输出所述目标原始数据集的数据恢复逻辑;
根据所述数据恢复逻辑创建多个候选恢复策略,并根据所述目标原始数据集对所述多个候选恢复策略进行策略搜索,生成多个数据恢复策略。
3.根据权利要求1所述的固态硬盘的数据恢复方法,其特征在于,所述分别根据所述多个数据恢复策略对所述故障固态硬盘进行数据重构预测,得到每个数据恢复策略的重构预测数据,并对所述重构预测数据进行数据验证和特征检测,得到每个数据恢复策略的数据验证信息和策略特征信息,包括:
根据每个数据恢复策略分别将每个原始数据输入预置的数据重构模型,其中,所述数据重构模型包括:编码器以及解码器;
通过所述编码器中的两层卷积长短时网络对每个原始数据进行原始数据编码,得到每个原始数据对应的原始数据编码向量;
将所述原始数据编码向量输入所述解码器中的单层卷积长短时记忆网络进行向量解码,得到原始数据解码序列,并通过所述解码器中的全连接层对所述原始数据解码序列进行数据重构预测,得到每个数据恢复策略的重构预测数据;
通过预置的循环冗余校验算法对所述重构预测数据进行数据验证,得到每个数据恢复策略的数据验证信息;
根据所述重构预测数据,分别对所述多个数据恢复策略进行策略特征检测,得到每个数据恢复策略的策略特征信息。
4.根据权利要求1所述的固态硬盘的数据恢复方法,其特征在于,所述将所述数据验证信息和策略特征信息输入预置的高斯线性回归模型进行特征回归预测,得到每个数据恢复策略的策略特征预测值,包括:
对所述数据验证信息和策略特征信息进行标准化处理和编码,得到数据验证编码集合以及策略特征编码集合;
对所述数据验证编码集合以及所述策略特征编码集合进行特征权重计算,得到目标权重数据;
根据所述目标权重数据对所述数据验证编码集合以及所述策略特征编码集合进行编码融合和向量映射,得到融合编码向量;
将所述融合编码向量输入预置的高斯线性回归模型,通过所述高斯线性回归模型对所述融合编码向量进行特征回归预测,得到每个数据恢复策略的策略特征预测值。
5.根据权利要求1所述的固态硬盘的数据恢复方法,其特征在于,所述根据所述策略特征预测值对所述多个数据恢复策略进行最优化分析,得到目标恢复策略,并根据所述目标恢复策略对所述多个原始数据进行动态数据重构,得到多个目标数据,包括:
根据所述策略特征预测值对所述多个数据恢复策略进行排序分析,得到恢复策略序列;
根据所述恢复策略序列对所述多个数据恢复策略进行策略约束条件分析,得到策略约束条件集合;
通过所述策略约束条件集合,对所述多个数据恢复策略进行随机初始化,得到对应的多个随机恢复策略,并通过预置的粒子群优化算法对所述多个随机恢复策略进行策略种群构建,得到多个策略种群;
对所述多个策略种群进行种群适应度计算,得到每个策略种群对应的种群适应度,并对所述多个策略种群进行迭代计算和最优化求解,得到目标恢复策略;
根据所述目标恢复策略,分别对所述多个原始数据进行动态数据重构,得到多个目标数据。
6.一种固态硬盘的数据恢复装置,其特征在于,所述固态硬盘的数据恢复装置包括:
整合模块,用于采用故障隔离算法,对故障固态硬盘的故障存储单元进行数据放大和数据整合,得到目标原始数据集,其中,所述目标原始数据集包括:多个原始数据;具体包括:采用故障隔离算法,对故障固态硬盘进行数据检测,得到指标数据集,对所述指标数据集进行指标分类,得到坏块数量指标数据、读取错误率指标数据及写入耗损指标数据;对所述坏块数量指标数据进行存储单元定位,得到第一存储单元定位结果,并对所述读取错误率指标数据及所述写入耗损指标数据进行存储单元定位,得到第二存储单元定位结果;对所述第一存储单元定位结果和所述第二存储单元定位结果进行综合分析,得到所述故障固态硬盘的故障存储单元;通过预置的差错编码对所述故障存储单元进行数据放大,得到多个原始数据,并对所述多个原始数据进行数据整合,得到目标原始数据集;
计算模块,用于分别计算每个原始数据的异常得分数据,并根据所述异常得分数据动态调整损坏块状态;具体包括:分别对所述多个原始数据进行数据尺度标准化处理,得到多个标准数据,并分别对所述多个标准数据进行特征空间映射,得到每个标准数据对应的数据特征空间;分别对所述数据特征空间进行特征数据点识别,得到每个标准数据对应的多个数据特征;通过预置的孤立森林算法,分别对每个标准数据对应的多个数据特征进行异常得分计算,得到每个原始数据的异常得分数据;获取预设的异常得分阈值,并对所述异常得分数据与所述异常得分阈值进行比较,得到目标比较结果;根据所述目标比较结果,对所述故障固态硬盘的损坏块状态进行动态调整,得到损坏块状态;
搜索模块,用于根据所述损坏块状态构建所述目标原始数据集的数据恢复逻辑,并根据所述数据恢复逻辑对所述目标原始数据集进行策略搜索,生成多个数据恢复策略;
验证模块,用于分别根据所述多个数据恢复策略对所述故障固态硬盘进行数据重构预测,得到每个数据恢复策略的重构预测数据,并对所述重构预测数据进行数据验证和特征检测,得到每个数据恢复策略的数据验证信息和策略特征信息;
预测模块,用于将所述数据验证信息和策略特征信息输入预置的高斯线性回归模型进行特征回归预测,得到每个数据恢复策略的策略特征预测值;
重构模块,用于根据所述策略特征预测值对所述多个数据恢复策略进行最优化分析,得到目标恢复策略,并根据所述目标恢复策略对所述多个原始数据进行动态数据重构,得到多个目标数据。
7.一种固态硬盘的数据恢复设备,其特征在于,所述固态硬盘的数据恢复设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述固态硬盘的数据恢复设备执行如权利要求1-5中任一项所述的固态硬盘的数据恢复方法。
8.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-5中任一项所述的固态硬盘的数据恢复方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410146679.9A CN117672328B (zh) | 2024-02-02 | 2024-02-02 | 固态硬盘的数据恢复方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410146679.9A CN117672328B (zh) | 2024-02-02 | 2024-02-02 | 固态硬盘的数据恢复方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117672328A CN117672328A (zh) | 2024-03-08 |
CN117672328B true CN117672328B (zh) | 2024-04-09 |
Family
ID=90086711
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410146679.9A Active CN117672328B (zh) | 2024-02-02 | 2024-02-02 | 固态硬盘的数据恢复方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117672328B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9026869B1 (en) * | 2012-11-01 | 2015-05-05 | Amazon Technologies, Inc. | Importance-based data storage verification |
CN114730607A (zh) * | 2020-02-13 | 2022-07-08 | 华为技术有限公司 | 一种存储器故障修复方法及装置 |
CN115964207A (zh) * | 2022-03-09 | 2023-04-14 | 中电长城圣非凡信息系统有限公司 | 一种八路机架式服务器的故障隔离与恢复方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8281227B2 (en) * | 2009-05-18 | 2012-10-02 | Fusion-10, Inc. | Apparatus, system, and method to increase data integrity in a redundant storage system |
US11392445B2 (en) * | 2020-04-29 | 2022-07-19 | Cognizant Technology Solutions India Pvt. Ltd. | System and method for supporting resilience in it environment |
CN113821364A (zh) * | 2020-06-20 | 2021-12-21 | 华为技术有限公司 | 内存故障的处理方法、装置、设备及存储介质 |
-
2024
- 2024-02-02 CN CN202410146679.9A patent/CN117672328B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9026869B1 (en) * | 2012-11-01 | 2015-05-05 | Amazon Technologies, Inc. | Importance-based data storage verification |
CN114730607A (zh) * | 2020-02-13 | 2022-07-08 | 华为技术有限公司 | 一种存储器故障修复方法及装置 |
CN115964207A (zh) * | 2022-03-09 | 2023-04-14 | 中电长城圣非凡信息系统有限公司 | 一种八路机架式服务器的故障隔离与恢复方法 |
Non-Patent Citations (1)
Title |
---|
钱璐等."Hydra:高能效的异构服务器融合方法".《计算机研究与发展》.2014,正文第251-258页. * |
Also Published As
Publication number | Publication date |
---|---|
CN117672328A (zh) | 2024-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111914873A (zh) | 一种两阶段云服务器无监督异常预测方法 | |
CN112433896B (zh) | 一种服务器磁盘故障预测方法、装置、设备及存储介质 | |
CN111966569A (zh) | 硬盘健康度评估方法和装置、计算机可读存储介质 | |
CN117034143B (zh) | 一种基于机器学习的分布式系统故障诊断方法及装置 | |
CN113342597B (zh) | 一种基于高斯混合隐马尔可夫模型的系统故障预测方法 | |
CN115455746B (zh) | 一种核动力装置运行监测数据异常检测与校正一体化方法 | |
CN113361208A (zh) | 基于综合健康指标的固态硬盘剩余寿命评估方法 | |
CN115833937A (zh) | 一种基于变分自编码器和长短时记忆网络混合模型的光模块故障预测方法 | |
CN114553681B (zh) | 设备状态异常检测方法、装置和计算机设备 | |
CN116776270A (zh) | 一种基于Transformer的微服务性能异常检测方法和系统 | |
CN114357858A (zh) | 一种基于多任务学习模型的设备劣化分析方法及系统 | |
CN108415819B (zh) | 一种硬盘故障追踪方法和装置 | |
CN113822336A (zh) | 一种云硬盘故障预测方法、装置、系统及可读存储介质 | |
CN117672328B (zh) | 固态硬盘的数据恢复方法、装置、设备及存储介质 | |
CN117472679A (zh) | 结合数据流和控制流漂移发现的异常检测方法及系统 | |
CN117149249A (zh) | 模型更新方法、系统、设备和存储介质 | |
CN117785522A (zh) | 利用经训练机器学习模型执行根本原因分析的方法和系统 | |
CN116909788A (zh) | 一种任务导向和视角不变的多模态故障诊断方法及系统 | |
KR20230075150A (ko) | 시스템 건전성을 관리하기 위한 방법 및 장치 | |
Wang et al. | Hard disk drives failure detection using a dynamic tracking method | |
CN113392921B (zh) | 一种数据驱动的风控策略规则生成方法及系统 | |
Zhou et al. | Proactive drive failure prediction for cloud storage system through semi-supervised learning | |
CN117574303B (zh) | 施工状况的监测预警方法、装置、设备及存储介质 | |
CN114969335B (zh) | 异常日志检测方法、装置、电子设备及可读存储介质 | |
CN114356743B (zh) | 一种基于序列重建的异常事件自动检测方法和系统 |
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 |