CN117785565B - 一种固态存储硬盘数据恢复方法及固态硬盘 - Google Patents
一种固态存储硬盘数据恢复方法及固态硬盘 Download PDFInfo
- Publication number
- CN117785565B CN117785565B CN202410199995.2A CN202410199995A CN117785565B CN 117785565 B CN117785565 B CN 117785565B CN 202410199995 A CN202410199995 A CN 202410199995A CN 117785565 B CN117785565 B CN 117785565B
- Authority
- CN
- China
- Prior art keywords
- data
- storage
- hard disk
- time sequence
- evolution
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 489
- 238000011084 recovery Methods 0.000 title claims abstract description 179
- 239000007787 solid Substances 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000004458 analytical method Methods 0.000 claims abstract description 191
- 238000000547 structure data Methods 0.000 claims abstract description 53
- 238000013507 mapping Methods 0.000 claims abstract description 23
- 238000012300 Sequence Analysis Methods 0.000 claims abstract description 22
- 238000012098 association analyses Methods 0.000 claims abstract description 19
- 230000007547 defect Effects 0.000 claims description 312
- 230000008859 change Effects 0.000 claims description 166
- 230000002159 abnormal effect Effects 0.000 claims description 112
- 238000009826 distribution Methods 0.000 claims description 66
- 238000004364 calculation method Methods 0.000 claims description 33
- 230000035772 mutation Effects 0.000 claims description 28
- 238000013500 data storage Methods 0.000 claims description 22
- 230000000737 periodic effect Effects 0.000 claims description 19
- 239000013598 vector Substances 0.000 claims description 19
- 238000001514 detection method Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 15
- 238000007418 data mining Methods 0.000 claims description 7
- 230000001052 transient effect Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000012731 temporal analysis Methods 0.000 claims description 6
- 238000000700 time series analysis Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 description 20
- 238000007405 data analysis Methods 0.000 description 17
- 230000009286 beneficial effect Effects 0.000 description 14
- 230000008439 repair process Effects 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 10
- 230000005540 biological transmission Effects 0.000 description 9
- 238000011161 development Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 230000008520 organization Effects 0.000 description 6
- 206010000117 Abnormal behaviour Diseases 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000005312 nonlinear dynamic Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000009499 grossing Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000003534 oscillatory effect Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及数据恢复领域，尤其涉及一种固态存储硬盘数据恢复方法及固态硬盘。该方法包括以下步骤：获取硬盘存储日志数据；对硬盘存储日志数据进行非线性时序分析，以生成非线性时序存储数据；对固态存储硬盘进行拓扑分析，以生成存储介质拓扑结构数据；对硬盘存储日志数据进行数据区块划分，从而得到硬盘存储数据区块；通过存储介质拓扑结构数据对硬盘存储数据区块进行隐含关联分析，以生成区块拓扑结构关联数据；通过区块拓扑结构关联数据对存储介质拓扑结构数据进行空间映射，构建存储数据空间模型；基于非线性时序存储数据对存储数据空间模型进行动态时序演化，以构建动态演化数据空间模型。本发明实现了高效、准确的数据恢复。
Description
技术领域
本发明涉及数据恢复领域，尤其涉及一种固态存储硬盘数据恢复方法及固态硬盘。
背景技术
随着信息技术的迅猛发展，固态存储硬盘（Solid State Drive，SSD）作为一种高速、低功耗、抗震动的数据存储设备，得到了广泛应用，然而，由于多种原因，如意外删除、电源故障、存储介质损坏等，固态存储硬盘中的数据可能会丢失或损坏，给用户和数据恢复专业人员带来了挑战。传统的数据恢复方法往往存在着数据恢复效率低，不准确的问题，因此，需要一种智能化的固态存储硬盘数据恢复方法。
发明内容
本发明为解决上述技术问题，提出了一种固态存储硬盘数据恢复方法及固态硬盘，以解决至少一个上述技术问题。
为实现上述目的，本发明提供一种固态存储硬盘数据恢复方法，包括以下步骤：
步骤S1：获取硬盘存储日志数据；对硬盘存储日志数据进行非线性时序分析，以生成非线性时序存储数据；
步骤S2：对固态存储硬盘进行拓扑分析，以生成存储介质拓扑结构数据；对硬盘存储日志数据进行数据区块划分，从而得到硬盘存储数据区块；通过存储介质拓扑结构数据对硬盘存储数据区块进行隐含关联分析，以生成区块拓扑结构关联数据；
步骤S3：通过区块拓扑结构关联数据对存储介质拓扑结构数据进行空间映射，构建存储数据空间模型；基于非线性时序存储数据对存储数据空间模型进行动态时序演化，以构建动态演化数据空间模型；
步骤S4：对动态演化数据空间模型进行异常变化分析，生成异常变化数据；对异常变化数据进行空间位置计算，以生成异常变化数据位置参数；通过异常变化数据位置参数对动态演化数据空间模型进行奇点标记，以得到数据奇点；
步骤S5：基于动态演化数据空间模型对数据奇点进行缺陷路径分析，以生成奇点缺陷路径；对奇点缺陷路径进行缺陷趋势分析，生成奇点缺陷路径趋势数据；
步骤S6：对奇点缺陷路径趋势数据进行信息熵计算，以生成缺陷路径信息熵数据；基于缺陷路径信息熵数据对数据奇点进行数据重构，以构建数据序列；通过动态演化数据空间模型对数据序列进行数据恢复决策，构建硬盘数据恢复决策模型，以执行固态硬盘数据恢复作业。
本发明通过非线性时序分析可以揭示存储数据的非线性动态特性和演化规律。生成的非线性时序存储数据可以更准确地反映存储数据的变化过程和趋势，为后续的数据恢复提供更可靠的基础。拓扑分析可以了解固态存储硬盘的物理结构和数据存储方式。生成的存储介质拓扑结构数据和区块拓扑结构关联数据可以帮助确定数据的空间位置和关联关系，为后续的数据恢复和奇点分析提供基础。构建存储数据空间模型和动态演化数据空间模型可以更好地理解存储数据的结构和演化过程。通过空间映射和动态时序演化，可以揭示数据的空间位置变化和时序演变趋势，为后续的奇点分析和数据恢复提供指导。异常变化分析可以识别数据演化过程中的异常情况和突变点，进一步确定数据的特殊点。通过奇点标记，可以准确识别出数据奇点，即发生剧烈变化的点，为后续的数据恢复和路径分析提供关键信息。缺陷路径分析可以揭示数据奇点的演化路径和变化趋势，帮助理解数据的变化机制和演化规律。通过缺陷趋势分析，可以预测奇点的未来发展趋势，为数据恢复和决策提供参考。通过信息熵计算，可以量化奇点缺陷路径的复杂程度和不确定性，帮助确定数据的恢复顺序和优先级。数据重构和数据恢复决策可以根据奇点缺陷路径信息，恢复丢失或损坏的数据，构建硬盘数据恢复决策模型，以实施有效的固态硬盘数据恢复操作。
优选地，步骤S1包括以下步骤：
步骤S11：获取硬盘存储日志数据；
步骤S12：对硬盘存储日志数据进行数据周期性分析，生成硬盘存储周期性数据；
步骤S13：对硬盘存储周期性数据进行波动性检测，以生成硬盘存储波动数据；
步骤S14：对硬盘存储波动数据进行数据突变识别，以生成存储突变性数据；
步骤S15：基于存储突变性数据对硬盘存储日志数据进行非线性时序分析，以生成非线性时序存储数据。
本发明通过获取硬盘存储日志数据是数据恢复的前提。存储日志数据记录了硬盘的操作和状态信息，包含了重要的数据恢复线索，为后续的分析和恢复工作提供基础数据。数据周期性分析可以识别出存储数据中的周期性模式和规律。生成的硬盘存储周期性数据能够帮助理解存储数据的周期性变化特征，为后续的数据分析和恢复提供重要线索。波动性检测可以识别存储数据中的波动和振荡行为。生成的硬盘存储波动数据有助于了解存储数据的波动特性，包括幅度、频率和持续时间等信息，为后续的数据分析和恢复提供关键依据。数据突变识别可以检测出存储数据中的突变点和异常变化。生成的存储突变性数据可以帮助确定存储数据的异常情况和重要转折点，为后续的数据分析和恢复提供重要线索。非线性时序分析可以揭示存储数据的非线性动态特性和演化规律。基于存储突变性数据的非线性时序分析可以更准确地捕捉存储数据的变化趋势和演化规律，为后续的数据恢复提供更可靠的基础。
优选地，步骤S2包括以下步骤：
步骤S21：对固态存储硬盘进行存储介质结构分析，以生成硬盘存储介质结构数据；
步骤S22：对硬盘存储介质结构数据进行拓扑分析，以生成存储介质拓扑结构数据；
步骤S23：对硬盘存储日志数据进行数据存储分布分析，以生成数据存储分布数据；
步骤S24：基于数据存储分布数据对硬盘存储日志数据进行数据区块划分，从而得到硬盘存储数据区块；
步骤S25：通过存储介质拓扑结构数据对硬盘存储数据区块进行隐含关联分析，以生成区块拓扑结构关联数据。
本发明通过存储介质结构分析可以揭示固态硬盘中存储单元的物理组织和排列方式。生成的硬盘存储介质结构数据提供了存储单元的空间分布信息，有助于理解硬盘中数据的存储方式和特点，为后续的数据恢复提供重要依据。拓扑分析可以识别存储介质中存储单元之间的关联关系和连接方式。生成的存储介质拓扑结构数据提供了存储单元之间的拓扑关系信息，有助于理解存储数据的分布和传输路径，为后续的数据分析和恢复提供重要线索。数据存储分布分析可以了解存储数据在硬盘中的分布情况和比例。生成的数据存储分布数据提供了存储数据在硬盘中的分布比例和位置信息，有助于确定数据的重要存储区域和可能的丢失位置，为后续的数据恢复提供重要依据。数据区块划分可以将存储数据划分为不同的区块，以便更好地管理和恢复数据。通过基于数据存储分布数据进行数据区块划分，可以将存储数据划分为逻辑上相关的块，有助于提高数据恢复的效率和准确性。隐含关联分析可以识别存储数据区块之间的潜在关系和依赖。通过存储介质拓扑结构数据进行隐含关联分析，可以揭示数据区块之间的逻辑和物理关联，有助于更好地理解数据的组织方式和关系，为后续的数据恢复提供重要线索。
优选地，S3的具体步骤为：
步骤S31：通过区块拓扑结构关联数据对存储介质拓扑结构数据进行拓扑网络构建，生成硬盘存储拓扑网络；
步骤S32：通过硬盘存储日志数据对硬盘存储拓扑网络进行空间映射，构建存储数据空间模型；
步骤S33：对非线性时序存储数据进行时序演变分析，生成存储数据时序演变数据；
步骤S34：基于存储数据时序演变数据对存储数据空间模型进行动态时序演化，以构建动态演化数据空间模型。
本发明通过区块拓扑结构关联数据进行拓扑网络构建可以建立存储介质中存储单元之间的拓扑结构关系。生成的硬盘存储拓扑网络提供了存储单元之间的连接和关联信息，有助于理解硬盘中存储数据的传输路径和关系，为后续的数据分析和恢复提供重要线索。通过硬盘存储日志数据对存储拓扑网络进行空间映射可以将存储数据映射到拓扑网络上的相应位置。构建的存储数据空间模型提供了存储数据在拓扑网络中的空间分布信息，有助于理解存储数据的位置和存储单元之间的关系，为后续的数据分析和恢复提供重要依据。时序演变分析可以揭示存储数据在时间轴上的演化过程和变化趋势。生成的存储数据时序演变数据提供了存储数据的时间序列信息，有助于理解存储数据的变化模式和趋势，为后续的数据分析和恢复提供重要线索。基于存储数据时序演变数据进行动态时序演化可以将存储数据空间模型与时序演变数据相结合，形成动态演化数据空间模型。构建的动态演化数据空间模型提供了存储数据在时间和空间上的演化信息，有助于更全面地理解存储数据的变化和演化过程，为后续的数据恢复提供重要依据。
优选地，步骤S34的具体步骤为：
步骤S341：对存储数据时序演变数据进行时序状态提取，生成存储数据时序演变状态数据；
步骤S342：对存储数据时序演变状态数据进行时序演变编码处理，以得到时序演变特征向量数据；
步骤S343：对时序演变特征向量数据进行演变规律分析，得到时序演变规律；
步骤S344：基于时序演变规律对存储数据空间模型进行动态时序演化，以构建动态演化数据空间模型。
本发明通过时序状态提取可以将存储数据时序演变数据转化为离散的时序状态数据。生成的存储数据时序演变状态数据提供了存储数据在不同时间点上的状态信息，有助于识别存储数据的状态变化和转换模式，为后续的数据分析和恢复提供重要线索。时序演变编码处理可以将存储数据时序演变状态数据转化为具有数值特征的时序演变特征向量数据。通过对时序演变状态数据进行编码处理，可以提取出存储数据的特征，如变化幅度、持续时间等，为后续的演变规律分析和数据恢复提供重要基础。演变规律分析可以揭示存储数据在时序上的演变规律和趋势。通过对时序演变特征向量数据进行分析，可以发现存储数据的演变模式、周期性、趋势等规律，为后续的数据恢复和演化模型构建提供重要依据。基于时序演变规律进行动态时序演化可以将存储数据空间模型与时序演变规律相结合，形成动态演化数据空间模型。构建的动态演化数据空间模型提供了存储数据在时间和空间上的演化信息，并根据演变规律进行动态调整和更新，有助于更准确地反映存储数据的变化和演化过程，为后续的数据恢复和分析提供重要依据。
优选地，步骤S4的具体步骤为：
步骤S41：对动态演化数据空间模型进行数据时序变化分析，生成数据时序变化数据；
步骤S42：对数据时序变化数据进行异常变化分析，生成异常变化数据；
步骤S43：对异常变化数据进行空间位置计算，以生成异常变化数据位置参数；
步骤S44：通过异常变化数据位置参数对动态演化数据空间模型进行奇点标记，以得到数据奇点。
本发明通过数据时序变化分析可以观察和记录动态演化数据空间模型中存储数据随时间的变化情况。生成的数据时序变化数据提供了存储数据在不同时间点上的变化信息，有助于识别存储数据的时序变化模式，为后续的异常变化分析和数据恢复提供重要线索。异常变化分析可以检测和识别数据时序变化数据中的异常变化点，即与正常的数据时序变化模式不符的部分。生成的异常变化数据提供了存储数据中发生异常变化的位置和值信息，有助于定位和分析存储数据的异常情况，为后续的异常定位和数据恢复提供重要线索。通过空间位置计算可以确定异常变化数据在动态演化数据空间模型中的位置参数。生成的异常变化数据位置参数提供了存储数据异常变化的空间位置信息，有助于识别存储数据中发生异常的存储单元或区域，为后续的奇点标记和数据恢复提供重要依据。奇点标记可以将存储数据空间模型中发生异常变化的位置标记为数据奇点。通过标记数据奇点，可以准确定位和标识存储数据中的异常存储单元或异常区域，为后续的数据恢复和修复提供重要指导。
优选地，步骤S5的具体步骤为：
步骤S51：基于动态演化数据空间模型对数据奇点进行动态演化反推分析，以生成奇点动态反演数据；
步骤S52：对奇点动态反演数据进行缺陷分析，生成奇点缺陷数据；
步骤S53：对奇点缺陷数据进行缺陷路径分析，以生成奇点缺陷路径；
步骤S54：对奇点缺陷路径进行瞬态演化轨迹分析，生成奇点缺陷路径演化轨迹数据；
步骤S55：对奇点缺陷路径演化轨迹数据进行缺陷趋势分析，生成奇点缺陷路径趋势数据。
本发明通过动态演化反推分析可以对数据奇点进行反向推导，还原奇点发生前的存储数据状态。生成的奇点动态反演数据提供了奇点发生前的存储数据快照，有助于恢复存储数据的原始状态，为后续的数据修复和恢复提供重要依据。缺陷分析可以检测和识别奇点动态反演数据中的缺陷部分，即与正常存储数据状态不符的异常情况。生成的奇点缺陷数据提供了存储数据中发生缺陷的位置和值信息，有助于定位和分析存储数据的缺陷情况，为后续的缺陷路径分析和修复提供重要线索。缺陷路径分析可以确定奇点缺陷数据中缺陷的传播路径和影响范围。生成的奇点缺陷路径提供了存储数据中缺陷的路径信息，有助于追踪和分析缺陷的传播过程，为后续的瞬态演化轨迹分析和修复提供重要依据。瞬态演化轨迹分析可以观察和记录奇点缺陷路径在时间上的演化轨迹。生成的奇点缺陷路径演化轨迹数据提供了存储数据中缺陷路径随时间的变化情况，有助于分析缺陷的演化模式和趋势，为后续的缺陷趋势分析和修复提供重要线索。缺陷趋势分析可以识别奇点缺陷路径演化轨迹数据中的趋势变化和演化模式。生成的奇点缺陷路径趋势数据提供了缺陷路径随时间的趋势信息，有助于预测和分析缺陷的未来发展趋势，为后续的数据修复和决策提供重要依据。
优选地，步骤S53的具体步骤为：
步骤S531：对奇点缺陷数据进行时间序列分析，以生成奇点缺陷时间序列数据；
步骤S532：对奇点缺陷时间序列数据进行离散分析，生成奇点缺陷时序离散数据；
步骤S533：对奇点缺陷时序离散数据进行潜在缺陷传播路径识别，生成潜在缺陷传播路径；
步骤S534：对潜在缺陷传播路径进行路径分布分析，从而得到潜在缺陷路径分布数据；
步骤S535：通过动态演化数据空间模型对潜在缺陷路径分布数据进行缺陷路径分析，以生成奇点缺陷路径。
本发明通过时间序列分析可以对奇点缺陷数据中的变化趋势和周期性进行分析。生成的奇点缺陷时间序列数据提供了缺陷数据随时间变化的信息，有助于识别缺陷的变化规律和趋势，为后续的离散分析和潜在缺陷传播路径识别提供重要依据。离散分析可以将连续的时间序列数据转化为离散的数据点，以便更好地分析和处理。生成的奇点缺陷时序离散数据提供了离散时间点上的缺陷数据信息，有助于在离散领域进行进一步的分析和处理，为后续的潜在缺陷传播路径识别和路径分布分析提供重要基础。潜在缺陷传播路径识别可以确定奇点缺陷时序离散数据中潜在的缺陷传播路径。生成的潜在缺陷传播路径提供了缺陷在离散时间点上的传播路径信息，有助于分析缺陷的传播模式和路径，为后续的路径分布分析和缺陷路径分析提供重要线索。路径分布分析可以对潜在缺陷传播路径在空间上的分布情况进行分析。生成的潜在缺陷路径分布数据提供了缺陷路径在存储空间中的分布信息，有助于了解缺陷的空间分布规律，为后续的缺陷路径分析和修复提供重要依据。缺陷路径分析可以基于潜在缺陷路径分布数据，结合动态演化数据空间模型，确定奇点缺陷路径和其在存储空间中的位置。生成的奇点缺陷路径提供了存储数据中缺陷的路径信息，有助于定位和分析存储数据的缺陷情况，为后续的数据修复和恢复提供重要线索和指导。
优选地，步骤S6的具体步骤为：
步骤S61：对奇点缺陷路径趋势数据进行信息熵计算，以生成缺陷路径信息熵数据；
步骤S62：基于缺陷路径信息熵数据对数据奇点进行数据重构，以构建数据序列；
步骤S63：通过动态演化数据空间模型对数据序列进行数据恢复决策分析，生成数据恢复决策数据；
步骤S64：对数据恢复决策数据进行数据挖掘建模，构建硬盘数据恢复决策模型，以执行固态硬盘数据恢复作业。
本发明通过信息熵计算可以衡量奇点缺陷路径趋势数据的不确定性和复杂性。生成的缺陷路径信息熵数据提供了缺陷路径的信息量和随机性度量，有助于评估缺陷路径的可预测性和稳定性，为后续的数据重构和恢复决策提供重要依据。数据重构可以通过利用缺陷路径信息熵数据，对数据奇点进行重建和重新组织。通过基于缺陷路径信息熵数据的数据重构，可以减少数据的不确定性和噪声，提高数据的可靠性和连续性，为后续的数据恢复决策提供更准确的数据序列。动态演化数据空间模型可以对数据序列进行分析和建模，以确定数据恢复的最佳决策。通过对数据序列进行数据恢复决策分析，可以评估不同恢复策略的效果和可行性，为后续的硬盘数据恢复决策提供关键的决策依据。数据挖掘建模可以利用数据恢复决策数据，构建硬盘数据恢复决策模型。通过建立恢复决策模型，可以系统地分析和预测不同数据恢复策略的效果，优化数据恢复过程，并提高固态硬盘数据恢复的成功率和效率。
在本说明书中，提供一种固态硬盘，用于执行如上所述的固态存储硬盘数据恢复方法，包括：
时序存储模块，用于获取硬盘存储日志数据；对硬盘存储日志数据进行非线性时序分析，以生成非线性时序存储数据；
拓扑结构关联模块， 用于对固态存储硬盘进行拓扑分析，以生成存储介质拓扑结构数据；对硬盘存储日志数据进行数据区块划分，从而得到硬盘存储数据区块；通过存储介质拓扑结构数据对硬盘存储数据区块进行隐含关联分析，以生成区块拓扑结构关联数据；
时序演化模块，用于通过区块拓扑结构关联数据对存储介质拓扑结构数据进行空间映射，构建存储数据空间模型；基于非线性时序存储数据对存储数据空间模型进行动态时序演化，以构建动态演化数据空间模型；
数据奇点模块，用于对动态演化数据空间模型进行异常变化分析，生成异常变化数据；对异常变化数据进行空间位置计算，以生成异常变化数据位置参数；通过异常变化数据位置参数对动态演化数据空间模型进行奇点标记，以得到数据奇点；
缺陷路径模块，用于基于动态演化数据空间模型对数据奇点进行缺陷路径分析，以生成奇点缺陷路径；对奇点缺陷路径进行缺陷趋势分析，生成奇点缺陷路径趋势数据；
数据恢复决策模块，用于对奇点缺陷路径趋势数据进行信息熵计算，以生成缺陷路径信息熵数据；基于缺陷路径信息熵数据对数据奇点进行数据重构，以构建数据序列；通过动态演化数据空间模型对数据序列进行数据恢复决策，构建硬盘数据恢复决策模型，以执行固态硬盘数据恢复作业。
本发明通过获取硬盘存储日志数据，可以获得存储系统的时间序列信息。这些数据可以包括存储操作、访问模式、读写延迟等。时序存储模块的作用是收集这些数据并准备进行后续的非线性时序分析。对硬盘存储日志数据进行非线性时序分析可以揭示存储系统中的隐藏模式和规律。通过分析非线性时序数据，可以识别出数据访问的周期性、异常行为和趋势变化。生成的非线性时序存储数据提供了更全面、准确的存储行为描述，为后续的数据处理步骤提供了基础。拓扑结构关联模块分析固态存储硬盘的拓扑结构，即存储介质之间的连接关系。通过分析存储介质的拓扑结构，可以了解硬盘中数据块之间的关联性。数据区块划分和拓扑结构关联分析可以帮助确定存储介质中数据的物理位置和关系，为后续的数据演化和恢复过程提供重要信息。通过区块拓扑结构关联数据和非线性时序存储数据，时序演化模块构建存储数据空间模型。这个模型反映了存储介质中数据的时序演化过程，包括数据块之间的关联关系和时序变化。通过动态时序演化，存储数据空间模型能够更好地捕捉存储系统中数据的变化模式和趋势，为后续的异常变化分析和数据恢复决策提供基础。数据奇点模块对动态演化数据空间模型进行异常变化分析，识别出存储系统中的异常行为和异常数据点。通过空间位置计算，确定异常变化数据的位置参数，进一步标记数据奇点。这些数据奇点代表存储系统中发生异常的数据块，为后续的缺陷路径分析和数据恢复决策提供关键信息。缺陷路径模块基于动态演化数据空间模型分析数据奇点，识别出奇点之间的缺陷路径。这些缺陷路径描述了异常数据在存储系统中的传播和影响路径。通过缺陷趋势分析，可以评估缺陷路径的发展趋势和潜在影响，为后续的数据恢复决策提供重要参考。数据恢复决策模块对缺陷路径趋势数据进行信息熵计算，评估缺陷路径的不确定性和复杂性。基于缺陷路径信息熵数据，对数据奇点进行数据重构，构建数据序列。通过动态演化数据空间模型和数据序列，进行数据恢复决策分析，并构建硬盘数据恢复决策模型。这个模型可以根据缺陷路径的趋势和数据奇点的特征，决定如何恢复受影响的数据。通过综合考虑数据恢复的效果和风险，可以有效地执行固态硬盘数据恢复作业。
附图说明
图1为本发明一种固态存储硬盘数据恢复方法的步骤流程示意图；
图2为步骤S1的详细实施步骤流程示意图；
图3为步骤S2的详细实施步骤流程示意图；
图4为步骤S3的详细实施步骤流程示意图。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本申请实例提供一种固态存储硬盘数据恢复方法及固态硬盘。所述一种固态存储硬盘数据恢复方法及固态硬盘的执行主体包括但不限于搭载该系统的：机械设备、数据处理平台、云服务器节点、网络上传设备等可看作本申请的通用计算节点，所述数据处理平台包括但不限于：音频图像管理系统、信息管理系统、云端数据管理系统至少一种。
请参阅图1至图4，本发明提供了一种固态存储硬盘数据恢复方法，包括以下步骤：
步骤S1：获取硬盘存储日志数据；对硬盘存储日志数据进行非线性时序分析，以生成非线性时序存储数据；
步骤S2：对固态存储硬盘进行拓扑分析，以生成存储介质拓扑结构数据；对硬盘存储日志数据进行数据区块划分，从而得到硬盘存储数据区块；通过存储介质拓扑结构数据对硬盘存储数据区块进行隐含关联分析，以生成区块拓扑结构关联数据；
步骤S3：通过区块拓扑结构关联数据对存储介质拓扑结构数据进行空间映射，构建存储数据空间模型；基于非线性时序存储数据对存储数据空间模型进行动态时序演化，以构建动态演化数据空间模型；
步骤S4：对动态演化数据空间模型进行异常变化分析，生成异常变化数据；对异常变化数据进行空间位置计算，以生成异常变化数据位置参数；通过异常变化数据位置参数对动态演化数据空间模型进行奇点标记，以得到数据奇点；
步骤S5：基于动态演化数据空间模型对数据奇点进行缺陷路径分析，以生成奇点缺陷路径；对奇点缺陷路径进行缺陷趋势分析，生成奇点缺陷路径趋势数据；
步骤S6：对奇点缺陷路径趋势数据进行信息熵计算，以生成缺陷路径信息熵数据；基于缺陷路径信息熵数据对数据奇点进行数据重构，以构建数据序列；通过动态演化数据空间模型对数据序列进行数据恢复决策，构建硬盘数据恢复决策模型，以执行固态硬盘数据恢复作业。
本发明通过非线性时序分析可以揭示存储数据的非线性动态特性和演化规律。生成的非线性时序存储数据可以更准确地反映存储数据的变化过程和趋势，为后续的数据恢复提供更可靠的基础。拓扑分析可以了解固态存储硬盘的物理结构和数据存储方式。生成的存储介质拓扑结构数据和区块拓扑结构关联数据可以帮助确定数据的空间位置和关联关系，为后续的数据恢复和奇点分析提供基础。构建存储数据空间模型和动态演化数据空间模型可以更好地理解存储数据的结构和演化过程。通过空间映射和动态时序演化，可以揭示数据的空间位置变化和时序演变趋势，为后续的奇点分析和数据恢复提供指导。异常变化分析可以识别数据演化过程中的异常情况和突变点，进一步确定数据的特殊点。通过奇点标记，可以准确识别出数据奇点，即发生剧烈变化的点，为后续的数据恢复和路径分析提供关键信息。缺陷路径分析可以揭示数据奇点的演化路径和变化趋势，帮助理解数据的变化机制和演化规律。通过缺陷趋势分析，可以预测奇点的未来发展趋势，为数据恢复和决策提供参考。通过信息熵计算，可以量化奇点缺陷路径的复杂程度和不确定性，帮助确定数据的恢复顺序和优先级。数据重构和数据恢复决策可以根据奇点缺陷路径信息，恢复丢失或损坏的数据，构建硬盘数据恢复决策模型，以实施有效的固态硬盘数据恢复操作。
本发明实施例中，参阅图1，为本发明一种固态存储硬盘数据恢复方法的步骤流程示意图，在本实例中，所述一种固态存储硬盘数据恢复方法的步骤包括：
步骤S1：获取硬盘存储日志数据；对硬盘存储日志数据进行非线性时序分析，以生成非线性时序存储数据；
本实施例中，从固态硬盘中提取存储日志数据。这可能涉及连接硬盘到适当的设备或系统，并使用适配器、接口或软件来读取硬盘的日志数据。对获取的硬盘存储日志数据进行预处理，包括数据清洗和去噪。这可以包括去除无效或不完整的日志条目，处理重复或冗余数据，并进行必要的数据格式转换。对预处理后的硬盘存储日志数据进行非线性时序分析。这可以使用各种技术和算法，例如时序分析方法（如离散傅里叶变换、小波变换等）和非线性动力学工具（如非线性回归、相空间重构等）。应用适当的算法和技术，探索存储日志数据中的非线性时序模式和规律。这可以包括发现数据的周期性、趋势、异常行为等。进行数据特征提取，以捕捉关键的非线性时序特征。这可能涉及提取时序模式的频率、振幅、变化率等。基于非线性时序分析的结果，生成非线性时序存储数据。这些数据可以包括非线性时序模式的描述、存储操作的时序序列、数据访问模式的变化等。确保生成的非线性时序存储数据具有一定的可解释性和可用性，以支持后续的数据处理和分析任务。
步骤S2：对固态存储硬盘进行拓扑分析，以生成存储介质拓扑结构数据；对硬盘存储日志数据进行数据区块划分，从而得到硬盘存储数据区块；通过存储介质拓扑结构数据对硬盘存储数据区块进行隐含关联分析，以生成区块拓扑结构关联数据；
本实施例中，对固态存储硬盘拓扑分析，通过读取硬盘的元数据或配置信息来实现，包括硬盘内部的组件、通道、芯片、通信路径等。确保准确获取硬盘的拓扑结构信息，以便后续的数据分析和处理。对获取的硬盘存储日志数据进行数据区块划分。硬盘存储数据通常以固定大小的块进行组织，例如扇区或页。根据硬盘的规格和结构，将存储日志数据划分为适当的数据区块，以便后续的区块拓扑结构分析。根据存储介质拓扑结构数据，确定硬盘存储数据区块之间的物理关联。这可以基于硬盘内部的通信路径、数据传输通道、芯片连接等信息进行推断和分析。基于存储介质拓扑结构数据和硬盘存储数据区块之间的物理关联，推断出区块之间的隐含关联。这可以通过分析数据访问模式、存储操作序列、数据传输路径等来实现。生成区块拓扑结构关联数据，记录区块之间的关联关系。这可以采用适当的数据结构或表示方法，例如图或表格，以便后续的存储分析和优化。
步骤S3：通过区块拓扑结构关联数据对存储介质拓扑结构数据进行空间映射，构建存储数据空间模型；基于非线性时序存储数据对存储数据空间模型进行动态时序演化，以构建动态演化数据空间模型；
本实施例中，利用区块拓扑结构关联数据，对存储介质拓扑结构数据进行空间映射，这可以通过建立映射规则或算法来实现，将存储介质中的物理结构映射到数据空间中，根据区块拓扑结构关联数据中的硬盘存储数据区块关联关系，确定存储介质拓扑结构中的区块之间的空间关系，这可以涉及硬盘内部的位置、连接关系、布局等信息，基于空间映射结果，构建存储数据空间模型，这可以使用适当的数据结构或表示方法，例如二维或三维的空间坐标系，来表示存储介质中的数据空间，将存储介质中的区块映射到相应的空间坐标中，形成存储数据空间模型，确保存储数据空间模型能够准确反映硬盘中的物理结构和区块之间的空间关系，根据非线性时序存储数据中的时序模式和特征，确定存储数据空间模型中不同区块的时序演化规律，这可以包括数据访问频率、存储操作的时序序列等，根据时序演化规律，对存储数据空间模型进行动态更新，这可以涉及区块的位置、状态、演化路径等的调整和更新，以反映存储数据的时序演化过程。
步骤S4：对动态演化数据空间模型进行异常变化分析，生成异常变化数据；对异常变化数据进行空间位置计算，以生成异常变化数据位置参数；通过异常变化数据位置参数对动态演化数据空间模型进行奇点标记，以得到数据奇点；
本实施例中，根据存储数据的时序演化情况，检测出与正常演化模式不符的异常变化，这可以基于数据访问频率、存储操作序列、数据传输路径等指标进行判断，识别和记录异常变化数据，包括异常的区块、异常的演化路径、异常的时序特征等，确保准确捕捉和记录存储数据中的异常情况，基于存储数据空间模型的映射信息，确定异常变化数据所在的空间位置，将异常变化数据的位置参数与存储介质的空间坐标进行关联，以确定其在存储介质中的位置，计算异常变化数据的位置参数，例如物理坐标、簇号、扇区号等，这些参数将表示异常变化数据在存储介质中的具体位置，有助于后续的奇点标记和分析，基于异常变化数据的位置参数，将其标记为数据空间模型中的奇点，奇点表示存储数据空间中的异常、特殊或重要位置，在数据空间模型中标记奇点的方式可以根据具体需求而定，例如在图形表示中使用特殊符号或颜色进行标记，或在数据表格中添加相应的标记字段。
步骤S5：基于动态演化数据空间模型对数据奇点进行缺陷路径分析，以生成奇点缺陷路径；对奇点缺陷路径进行缺陷趋势分析，生成奇点缺陷路径趋势数据；
本实施例中，确定每个数据奇点的位置和相邻区块的关联关系，这可以利用存储数据空间模型中的拓扑结构或连接关系来确定，通过分析数据奇点和相邻区块之间的关系，识别构成缺陷路径的区块序列，缺陷路径表示与数据奇点相关的异常或问题传播路径，根据奇点缺陷路径的时间信息，分析不同时间点上的缺陷路径情况，这可以涉及数据奇点的产生时间、缺陷路径的持续时间等，比较不同时间点上的缺陷路径，识别出缺陷路径的趋势，这可以包括缺陷路径的扩展、变化趋势、持续性等指标，生成奇点缺陷路径趋势数据，记录缺陷路径的演化情况和趋势，这可以以图表、统计数据或其他形式进行记录和展示。
步骤S6：对奇点缺陷路径趋势数据进行信息熵计算，以生成缺陷路径信息熵数据；基于缺陷路径信息熵数据对数据奇点进行数据重构，以构建数据序列；通过动态演化数据空间模型对数据序列进行数据恢复决策，构建硬盘数据恢复决策模型，以执行固态硬盘数据恢复作业。
本实施例中，将缺陷路径趋势数据转化为数值表示，例如使用时间序列数据或统计指标数据，对每个缺陷路径的趋势数据计算信息熵，信息熵是用来衡量数据的不确定性和复杂性的指标，可以通过概率分布或数据频率来计算，将每个缺陷路径的信息熵记录下来，生成缺陷路径信息熵数据，根据缺陷路径信息熵数据，确定具有高信息熵的数据奇点，高信息熵表示数据奇点在缺陷路径中具有较大的变化和不确定性，根据数据奇点的位置参数和关联区块，重构数据序列，这可以涉及数据奇点的值恢复、路径补全等操作，以构建完整的数据序列，基于动态演化数据空间模型的特征和属性，对数据序列进行分析和建模，这可以包括数据的时序演化规律、存储介质特性等，根据数据序列的特征和模型，制定数据恢复决策策略，这可以涉及数据修复、纠错、重建等操作，以实现数据的完整性和一致性恢复，构建硬盘数据恢复决策模型，将数据恢复决策策略转化为可执行的算法或规则。
本实施例中，参阅图2，为步骤S1的详细实施步骤流程示意图，本实施例中，所述步骤S1的详细实施步骤包括：
步骤S11：获取硬盘存储日志数据；
步骤S12：对硬盘存储日志数据进行数据周期性分析，生成硬盘存储周期性数据；
步骤S13：对硬盘存储周期性数据进行波动性检测，以生成硬盘存储波动数据；
步骤S14：对硬盘存储波动数据进行数据突变识别，以生成存储突变性数据；
步骤S15：基于存储突变性数据对硬盘存储日志数据进行非线性时序分析，以生成非线性时序存储数据。
本发明通过获取硬盘存储日志数据是数据恢复的前提。存储日志数据记录了硬盘的操作和状态信息，包含了重要的数据恢复线索，为后续的分析和恢复工作提供基础数据。数据周期性分析可以识别出存储数据中的周期性模式和规律。生成的硬盘存储周期性数据能够帮助理解存储数据的周期性变化特征，为后续的数据分析和恢复提供重要线索。波动性检测可以识别存储数据中的波动和振荡行为。生成的硬盘存储波动数据有助于了解存储数据的波动特性，包括幅度、频率和持续时间等信息，为后续的数据分析和恢复提供关键依据。数据突变识别可以检测出存储数据中的突变点和异常变化。生成的存储突变性数据可以帮助确定存储数据的异常情况和重要转折点，为后续的数据分析和恢复提供重要线索。非线性时序分析可以揭示存储数据的非线性动态特性和演化规律。基于存储突变性数据的非线性时序分析可以更准确地捕捉存储数据的变化趋势和演化规律，为后续的数据恢复提供更可靠的基础。
本实施例中，访问硬盘控制器或存储设备的管理接口，获取实时的硬盘存储日志数据，从存储系统的监控工具或软件中导出硬盘存储日志数据文件，通过操作系统提供的命令或API，获取硬盘存储日志数据，对硬盘存储日志数据进行时间序列预处理，例如去除噪声、平滑数据等，应用周期性分析技术，例如傅里叶变换、自相关分析等，来识别数据中的周期性模式，提取周期性分析结果，生成硬盘存储周期性数据，这可以包括周期性的幅度、频率、相位等信息，对硬盘存储周期性数据进行振幅分析，计算振幅值或幅度谱，应用波动性检测方法，例如标准差、方差、波动性指数等，来评估数据的波动程度，提取波动性检测结果，生成硬盘存储波动数据，这可以包括波动的强度、稳定性、变化趋势等信息，应用变化点检测算法，例如突变检测、异常检测、阈值判定等，来识别数据中的突变点或异常点，分析突变点的特征和属性，例如突变点的幅度、持续时间、位置等，提取数据突变识别结果，生成存储突变性数据，这可以包括突变的数量、趋势、类型等信息，应用非线性时序分析方法，例如相空间重构、Lyapunov指数、非线性回归等，来识别数据中的非线性模式和时序特征，利用非线性时序分析结果建立非线性模型或描述符，用于表示存储日志数据的非线性特征，提取非线性时序分析结果，生成非线性时序存储数据，这可以包括非线性模式的特征、时序关系、相空间特征等信息。
本实施例中，参阅图3，为步骤S2的详细实施步骤流程示意图，本实施例中，所述步骤S2的详细实施步骤包括：
步骤S21：对固态存储硬盘进行存储介质结构分析，以生成硬盘存储介质结构数据；
步骤S22：对硬盘存储介质结构数据进行拓扑分析，以生成存储介质拓扑结构数据；
步骤S23：对硬盘存储日志数据进行数据存储分布分析，以生成数据存储分布数据；
步骤S24：基于数据存储分布数据对硬盘存储日志数据进行数据区块划分，从而得到硬盘存储数据区块；
步骤S25：通过存储介质拓扑结构数据对硬盘存储数据区块进行隐含关联分析，以生成区块拓扑结构关联数据。
本发明通过存储介质结构分析可以揭示固态硬盘中存储单元的物理组织和排列方式。生成的硬盘存储介质结构数据提供了存储单元的空间分布信息，有助于理解硬盘中数据的存储方式和特点，为后续的数据恢复提供重要依据。拓扑分析可以识别存储介质中存储单元之间的关联关系和连接方式。生成的存储介质拓扑结构数据提供了存储单元之间的拓扑关系信息，有助于理解存储数据的分布和传输路径，为后续的数据分析和恢复提供重要线索。数据存储分布分析可以了解存储数据在硬盘中的分布情况和比例。生成的数据存储分布数据提供了存储数据在硬盘中的分布比例和位置信息，有助于确定数据的重要存储区域和可能的丢失位置，为后续的数据恢复提供重要依据。数据区块划分可以将存储数据划分为不同的区块，以便更好地管理和恢复数据。通过基于数据存储分布数据进行数据区块划分，可以将存储数据划分为逻辑上相关的块，有助于提高数据恢复的效率和准确性。隐含关联分析可以识别存储数据区块之间的潜在关系和依赖。通过存储介质拓扑结构数据进行隐含关联分析，可以揭示数据区块之间的逻辑和物理关联，有助于更好地理解数据的组织方式和关系，为后续的数据恢复提供重要线索。
本实施例中，获取固态存储硬盘的物理结构信息，包括芯片、块、页等层次结构，分析存储介质的组织方式，例如块组、超级块、元数据区域等，提取存储介质结构分析结果，生成硬盘存储介质结构数据，这可以包括存储介质的层次关系、组织模式、容量分布等信息，分析存储介质之间的物理连接方式，例如总线连接、通道连接等，识别存储介质之间的逻辑关系和拓扑结构，例如树状结构、网状结构等，提取拓扑分析结果，生成存储介质拓扑结构数据，这可以包括存储介质的连接关系、拓扑图、路径分析等信息，分析硬盘存储日志数据中的数据存储记录，包括数据的地址、块号等信息，统计数据在存储介质中的分布情况，例如数据块在芯片、页、块组之间的分配，提取数据存储分布分析结果，生成数据存储分布数据，这可以包括数据的分布规律、热点区域、冷区域等信息，根据数据存储分布数据中的分布规律和热点区域划分策略，确定数据区块的划分方式，将硬盘存储日志数据按照划分策略进行分块，形成不同的数据区块，每个数据区块可以包含一定范围内的数据记录或数据块，用于后续的隐含关联分析，利用存储介质拓扑结构数据，确定硬盘存储数据区块之间的连接方式和路径，分析硬盘存储数据区块之间的依赖关系和传输路径，例如数据读取、写入等操作，提取隐含关联分析结果，生成区块拓扑结构关联数据，这可以包括区块之间的依赖关系图、传输路径分析、关键路径等信息。
本实施例中，参阅图4，为步骤S3的详细实施步骤流程示意图，本实施例中，所述步骤S3的详细实施步骤包括：
步骤S31：通过区块拓扑结构关联数据对存储介质拓扑结构数据进行拓扑网络构建，生成硬盘存储拓扑网络；
步骤S32：通过硬盘存储日志数据对硬盘存储拓扑网络进行空间映射，构建存储数据空间模型；
步骤S33：对非线性时序存储数据进行时序演变分析，生成存储数据时序演变数据；
步骤S34：基于存储数据时序演变数据对存储数据空间模型进行动态时序演化，以构建动态演化数据空间模型。
本发明通过区块拓扑结构关联数据进行拓扑网络构建可以建立存储介质中存储单元之间的拓扑结构关系。生成的硬盘存储拓扑网络提供了存储单元之间的连接和关联信息，有助于理解硬盘中存储数据的传输路径和关系，为后续的数据分析和恢复提供重要线索。通过硬盘存储日志数据对存储拓扑网络进行空间映射可以将存储数据映射到拓扑网络上的相应位置。构建的存储数据空间模型提供了存储数据在拓扑网络中的空间分布信息，有助于理解存储数据的位置和存储单元之间的关系，为后续的数据分析和恢复提供重要依据。时序演变分析可以揭示存储数据在时间轴上的演化过程和变化趋势。生成的存储数据时序演变数据提供了存储数据的时间序列信息，有助于理解存储数据的变化模式和趋势，为后续的数据分析和恢复提供重要线索。基于存储数据时序演变数据进行动态时序演化可以将存储数据空间模型与时序演变数据相结合，形成动态演化数据空间模型。构建的动态演化数据空间模型提供了存储数据在时间和空间上的演化信息，有助于更全面地理解存储数据的变化和演化过程，为后续的数据恢复提供重要依据。
本实施例中，利用区块拓扑结构关联数据中的关联信息，建立区块之间的连接关系，根据关联数据中的路径信息，构建硬盘存储拓扑网络图，其中节点表示存储介质，边表示区块之间的关联，硬盘存储拓扑网络可以是有向图或无向图，根据实际情况选择合适的图模型，分析硬盘存储日志数据中的数据操作记录，包括读取、写入、删除等操作，根据操作记录中的存储地址和区块信息，将数据映射到硬盘存储拓扑网络中的相应节点，构建存储数据空间模型，其中节点表示数据块，边表示数据块之间的空间映射关系，提取存储数据的时序信息，包括数据的创建时间、访问时间、修改时间等，分析存储数据的时序演变模式，例如数据的频繁读取、周期性变化等，生成存储数据时序演变数据，记录存储数据在时间上的变化过程和特征，利用存储数据的时序演变数据，更新存储数据空间模型中节点的状态和属性，根据时序演变数据中的变化信息，调整存储数据空间模型中节点之间的连接关系，构建动态演化数据空间模型，可以通过不同时间点上的存储数据空间模型的快照来表示数据在时间上的演化过程。
本实施例中，步骤S34的具体步骤为：
步骤S341：对存储数据时序演变数据进行时序状态提取，生成存储数据时序演变状态数据；
步骤S342：对存储数据时序演变状态数据进行时序演变编码处理，以得到时序演变特征向量数据；
步骤S343：对时序演变特征向量数据进行演变规律分析，得到时序演变规律；
步骤S344：基于时序演变规律对存储数据空间模型进行动态时序演化，以构建动态演化数据空间模型。
本发明通过时序状态提取可以将存储数据时序演变数据转化为离散的时序状态数据。生成的存储数据时序演变状态数据提供了存储数据在不同时间点上的状态信息，有助于识别存储数据的状态变化和转换模式，为后续的数据分析和恢复提供重要线索。时序演变编码处理可以将存储数据时序演变状态数据转化为具有数值特征的时序演变特征向量数据。通过对时序演变状态数据进行编码处理，可以提取出存储数据的特征，如变化幅度、持续时间等，为后续的演变规律分析和数据恢复提供重要基础。演变规律分析可以揭示存储数据在时序上的演变规律和趋势。通过对时序演变特征向量数据进行分析，可以发现存储数据的演变模式、周期性、趋势等规律，为后续的数据恢复和演化模型构建提供重要依据。基于时序演变规律进行动态时序演化可以将存储数据空间模型与时序演变规律相结合，形成动态演化数据空间模型。构建的动态演化数据空间模型提供了存储数据在时间和空间上的演化信息，并根据演变规律进行动态调整和更新，有助于更准确地反映存储数据的变化和演化过程，为后续的数据恢复和分析提供重要依据。
本实施例中，分析存储数据时序演变数据，包括数据的时间戳、状态变化等信息，提取存储数据的关键时序状态，例如数据的创建状态、访问状态、修改状态等，构建存储数据时序演变状态数据，将提取的时序状态信息记录下来，以便后续的处理和分析，对存储数据时序演变状态数据进行编码处理，将每个时序状态转换为对应的数值表示，可以采用独热编码、标签编码或其他编码方式，根据实际情况选择合适的编码方法，将编码后的时序演变状态数据转换为时序演变特征向量数据，每个特征向量表示一个时间点上的存储数据状态，分析时序演变特征向量数据的统计特征，如均值、方差、最大值、最小值等，利用时间序列分析的方法，例如ARIMA模型、指数平滑、周期性分析等，来探索数据的演变趋势和周期性，通过机器学习方法，如聚类分析、关联规则挖掘等，发现数据的模式和关联规律，根据时序演变规律，调整存储数据空间模型中节点的状态和属性，反映数据的时序变化，根据规律分析的结果，更新存储数据空间模型中节点之间的连接关系，反映数据的演变关系，构建动态演化数据空间模型，通过不同时间点上的存储数据空间模型的演化，反映数据在时间上的动态变化。
本实施例中，步骤S4的具体步骤为：
步骤S41：对动态演化数据空间模型进行数据时序变化分析，生成数据时序变化数据；
步骤S42：对数据时序变化数据进行异常变化分析，生成异常变化数据；
步骤S43：对异常变化数据进行空间位置计算，以生成异常变化数据位置参数；
步骤S44：通过异常变化数据位置参数对动态演化数据空间模型进行奇点标记，以得到数据奇点。
本发明通过数据时序变化分析可以观察和记录动态演化数据空间模型中存储数据随时间的变化情况。生成的数据时序变化数据提供了存储数据在不同时间点上的变化信息，有助于识别存储数据的时序变化模式，为后续的异常变化分析和数据恢复提供重要线索。异常变化分析可以检测和识别数据时序变化数据中的异常变化点，即与正常的数据时序变化模式不符的部分。生成的异常变化数据提供了存储数据中发生异常变化的位置和值信息，有助于定位和分析存储数据的异常情况，为后续的异常定位和数据恢复提供重要线索。通过空间位置计算可以确定异常变化数据在动态演化数据空间模型中的位置参数。生成的异常变化数据位置参数提供了存储数据异常变化的空间位置信息，有助于识别存储数据中发生异常的存储单元或区域，为后续的奇点标记和数据恢复提供重要依据。奇点标记可以将存储数据空间模型中发生异常变化的位置标记为数据奇点。通过标记数据奇点，可以准确定位和标识存储数据中的异常存储单元或异常区域，为后续的数据恢复和修复提供重要指导。
本实施例中，分析动态演化数据空间模型中节点的属性和状态随时间的变化情况，记录节点属性和状态随时间的变化，形成数据时序变化数据，可以采用时间序列分析的方法，如平滑法、差分法、趋势分析等，对数据时序变化进行进一步的统计和分析，使用统计方法或机器学习算法，对数据时序变化数据进行异常检测，根据异常检测的结果，将异常的变化情况记录下来，形成异常变化数据，异常变化可以是与平均值偏离较大的数据点，或是与历史数据偏离较大的数据点，具体的异常检测方法根据实际情况选择，根据异常变化数据所涉及的节点或区域的属性或坐标信息，进行空间位置计算，可以根据节点或区域的坐标信息，计算异常变化数据的空间位置参数，如经纬度、二维坐标等，将异常变化数据位置参数与动态演化数据空间模型中的位置信息进行匹配，根据匹配结果，将对应的节点或区域标记为数据奇点，表示在该位置发生了异常变化，数据奇点的标记可以是在动态演化数据空间模型中添加特殊的标识，或者记录在单独的奇点列表中。
本实施例中，步骤S5的具体步骤为：
步骤S51：基于动态演化数据空间模型对数据奇点进行动态演化反推分析，以生成奇点动态反演数据；
步骤S52：对奇点动态反演数据进行缺陷分析，生成奇点缺陷数据；
步骤S53：对奇点缺陷数据进行缺陷路径分析，以生成奇点缺陷路径；
步骤S54：对奇点缺陷路径进行瞬态演化轨迹分析，生成奇点缺陷路径演化轨迹数据；
步骤S55：对奇点缺陷路径演化轨迹数据进行缺陷趋势分析，生成奇点缺陷路径趋势数据。
本发明通过动态演化反推分析可以对数据奇点进行反向推导，还原奇点发生前的存储数据状态。生成的奇点动态反演数据提供了奇点发生前的存储数据快照，有助于恢复存储数据的原始状态，为后续的数据修复和恢复提供重要依据。缺陷分析可以检测和识别奇点动态反演数据中的缺陷部分，即与正常存储数据状态不符的异常情况。生成的奇点缺陷数据提供了存储数据中发生缺陷的位置和值信息，有助于定位和分析存储数据的缺陷情况，为后续的缺陷路径分析和修复提供重要线索。缺陷路径分析可以确定奇点缺陷数据中缺陷的传播路径和影响范围。生成的奇点缺陷路径提供了存储数据中缺陷的路径信息，有助于追踪和分析缺陷的传播过程，为后续的瞬态演化轨迹分析和修复提供重要依据。瞬态演化轨迹分析可以观察和记录奇点缺陷路径在时间上的演化轨迹。生成的奇点缺陷路径演化轨迹数据提供了存储数据中缺陷路径随时间的变化情况，有助于分析缺陷的演化模式和趋势，为后续的缺陷趋势分析和修复提供重要线索。缺陷趋势分析可以识别奇点缺陷路径演化轨迹数据中的趋势变化和演化模式。生成的奇点缺陷路径趋势数据提供了缺陷路径随时间的趋势信息，有助于预测和分析缺陷的未来发展趋势，为后续的数据修复和决策提供重要依据。
本实施例中，针对每个数据奇点，追溯其在动态演化数据空间模型中的历史状态，分析奇点的演化路径、变化趋势和关联节点的状态变化等信息，根据演化路径和相关信息，生成奇点动态反演数据，记录奇点从发生到演化过程中的关键信息，分析奇点动态反演数据中的关键指标和特征，根据预先定义的缺陷模型或规则，判断奇点是否存在缺陷，如果存在缺陷，生成奇点缺陷数据，记录缺陷的类型、程度和影响范围等信息，分析奇点缺陷数据中的关联节点、数据流向和传播规律等信息，根据数据流向和传播规律，追踪奇点缺陷的传播路径，生成奇点缺陷路径，记录缺陷的起始点、传播路径和终止点等信息，针对每个奇点缺陷路径，追溯其在动态演化数据空间模型中的历史状态变化，分析路径上各个节点的状态变化、影响范围和时间特征等信息，生成奇点缺陷路径演化轨迹数据，记录路径的变化趋势、关键节点和时间信息等，分析奇点缺陷路径演化轨迹数据中的趋势特征和变化模式，使用统计方法或机器学习算法，分析奇点缺陷路径演化轨迹数据中的趋势变化，生成奇点缺陷路径趋势数据，记录路径的发展趋势、关键节点和时间信息等。
本实施例中，步骤S53的具体步骤为：
步骤S531：对奇点缺陷数据进行时间序列分析，以生成奇点缺陷时间序列数据；
步骤S532：对奇点缺陷时间序列数据进行离散分析，生成奇点缺陷时序离散数据；
步骤S533：对奇点缺陷时序离散数据进行潜在缺陷传播路径识别，生成潜在缺陷传播路径；
步骤S534：对潜在缺陷传播路径进行路径分布分析，从而得到潜在缺陷路径分布数据；
步骤S535：通过动态演化数据空间模型对潜在缺陷路径分布数据进行缺陷路径分析，以生成奇点缺陷路径。
本发明通过时间序列分析可以对奇点缺陷数据中的变化趋势和周期性进行分析。生成的奇点缺陷时间序列数据提供了缺陷数据随时间变化的信息，有助于识别缺陷的变化规律和趋势，为后续的离散分析和潜在缺陷传播路径识别提供重要依据。离散分析可以将连续的时间序列数据转化为离散的数据点，以便更好地分析和处理。生成的奇点缺陷时序离散数据提供了离散时间点上的缺陷数据信息，有助于在离散领域进行进一步的分析和处理，为后续的潜在缺陷传播路径识别和路径分布分析提供重要基础。潜在缺陷传播路径识别可以确定奇点缺陷时序离散数据中潜在的缺陷传播路径。生成的潜在缺陷传播路径提供了缺陷在离散时间点上的传播路径信息，有助于分析缺陷的传播模式和路径，为后续的路径分布分析和缺陷路径分析提供重要线索。路径分布分析可以对潜在缺陷传播路径在空间上的分布情况进行分析。生成的潜在缺陷路径分布数据提供了缺陷路径在存储空间中的分布信息，有助于了解缺陷的空间分布规律，为后续的缺陷路径分析和修复提供重要依据。缺陷路径分析可以基于潜在缺陷路径分布数据，结合动态演化数据空间模型，确定奇点缺陷路径和其在存储空间中的位置。生成的奇点缺陷路径提供了存储数据中缺陷的路径信息，有助于定位和分析存储数据的缺陷情况，为后续的数据修复和恢复提供重要线索和指导。
本实施例中，将奇点缺陷数据按照时间顺序排列，形成时间序列数据集，使用时间序列分析方法，例如平滑、趋势分解、周期性分析等，对时间序列数据进行分析，生成奇点缺陷时间序列数据，记录缺陷在时间上的变化趋势、周期性和趋势突变等信息，根据预先定义的时间窗口大小，将奇点缺陷时间序列数据离散化为不同时间窗口内的数据，对每个时间窗口内的数据进行统计分析，例如计算均值、方差、最大值、最小值等统计指标，生成奇点缺陷时序离散数据，记录每个时间窗口内的离散化统计指标，使用聚类或关联规则挖掘等方法，对奇点缺陷时序离散数据进行分析，识别出具有相似变化模式的时间窗口，根据相似变化模式，判断时间窗口之间的传播关系，识别出潜在的缺陷传播路径，生成潜在缺陷传播路径，记录路径中的起始时间窗口、传播顺序和终止时间窗口等信息，统计潜在缺陷传播路径中每条路径的出现次数或频率，分析路径在时间窗口上的分布情况，例如路径的起始时间窗口、终止时间窗口和持续时间等信息，生成潜在缺陷路径分布数据，记录路径的出现次数或频率以及在时间窗口上的分布情况，基于潜在缺陷路径分布数据，构建动态演化数据空间模型，该模型可以将路径分布数据表示为一个多维空间中的数据点或向量，使用数据挖掘或机器学习算法，对动态演化数据空间模型进行分析，以发现具有缺陷特征的路径，根据分析结果，识别出奇点缺陷路径，即具有潜在缺陷特征的路径，生成奇点缺陷路径，记录路径的起始时间窗口、终止时间窗口、传播顺序和缺陷特征等信息。
本实施例中，步骤S6的具体步骤为：
步骤S61：对奇点缺陷路径趋势数据进行信息熵计算，以生成缺陷路径信息熵数据；
步骤S62：基于缺陷路径信息熵数据对数据奇点进行数据重构，以构建数据序列；
步骤S63：通过动态演化数据空间模型对数据序列进行数据恢复决策分析，生成数据恢复决策数据；
步骤S64：对数据恢复决策数据进行数据挖掘建模，构建硬盘数据恢复决策模型，以执行固态硬盘数据恢复作业。
本发明通过信息熵计算可以衡量奇点缺陷路径趋势数据的不确定性和复杂性。生成的缺陷路径信息熵数据提供了缺陷路径的信息量和随机性度量，有助于评估缺陷路径的可预测性和稳定性，为后续的数据重构和恢复决策提供重要依据。数据重构可以通过利用缺陷路径信息熵数据，对数据奇点进行重建和重新组织。通过基于缺陷路径信息熵数据的数据重构，可以减少数据的不确定性和噪声，提高数据的可靠性和连续性，为后续的数据恢复决策提供更准确的数据序列。动态演化数据空间模型可以对数据序列进行分析和建模，以确定数据恢复的最佳决策。通过对数据序列进行数据恢复决策分析，可以评估不同恢复策略的效果和可行性，为后续的硬盘数据恢复决策提供关键的决策依据。数据挖掘建模可以利用数据恢复决策数据，构建硬盘数据恢复决策模型。通过建立恢复决策模型，可以系统地分析和预测不同数据恢复策略的效果，优化数据恢复过程，并提高固态硬盘数据恢复的成功率和效率。
本实施例中，将奇点缺陷路径趋势数据转化为离散的路径序列，对路径序列进行统计分析，计算每个路径在序列中的出现次数，根据路径的出现次数，计算路径的概率分布，使用信息熵计算公式，对路径的概率分布进行信息熵计算，得到缺陷路径的信息熵数据，将数据奇点按照时间顺序排列，形成数据奇点序列，根据缺陷路径信息熵数据，选择具有较高信息量的数据奇点作为数据序列的重要节点，基于选定的重要节点，对数据奇点进行重构，构建数据序列，可以使用插值、回归或其他方法来填补数据奇点之间的缺失值，基于动态演化数据空间模型，对数据序列进行建模，捕捉序列中的动态演化关系，使用模型进行数据恢复决策分析，根据数据序列的特征和模型的预测能力，生成数据恢复决策数据，数据恢复决策数据可以包括对缺失值的填补、异常值的修复或其他数据恢复操作的决策结果，将数据恢复决策数据作为样本，包括输入特征和对应的决策结果，进行数据预处理，包括特征选择、数据清洗和归一化等操作，选择合适的数据挖掘算法，例如分类算法、回归算法或聚类算法，根据数据恢复决策的目标构建模型，使用训练数据集对模型进行训练和优化，评估模型的性能和准确度，使用构建的硬盘数据恢复决策模型进行实际的固态硬盘数据恢复作业，根据模型的预测结果进行数据恢复决策操作。
在本实施例中，提供一种固态硬盘，用于执行如上所述的固态存储硬盘数据恢复方法，包括：
时序存储模块，用于获取硬盘存储日志数据；对硬盘存储日志数据进行非线性时序分析，以生成非线性时序存储数据；
拓扑结构关联模块， 用于对固态存储硬盘进行拓扑分析，以生成存储介质拓扑结构数据；对硬盘存储日志数据进行数据区块划分，从而得到硬盘存储数据区块；通过存储介质拓扑结构数据对硬盘存储数据区块进行隐含关联分析，以生成区块拓扑结构关联数据；
时序演化模块，用于通过区块拓扑结构关联数据对存储介质拓扑结构数据进行空间映射，构建存储数据空间模型；基于非线性时序存储数据对存储数据空间模型进行动态时序演化，以构建动态演化数据空间模型；
数据奇点模块，用于对动态演化数据空间模型进行异常变化分析，生成异常变化数据；对异常变化数据进行空间位置计算，以生成异常变化数据位置参数；通过异常变化数据位置参数对动态演化数据空间模型进行奇点标记，以得到数据奇点；
缺陷路径模块，用于基于动态演化数据空间模型对数据奇点进行缺陷路径分析，以生成奇点缺陷路径；对奇点缺陷路径进行缺陷趋势分析，生成奇点缺陷路径趋势数据；
数据恢复决策模块，用于对奇点缺陷路径趋势数据进行信息熵计算，以生成缺陷路径信息熵数据；基于缺陷路径信息熵数据对数据奇点进行数据重构，以构建数据序列；通过动态演化数据空间模型对数据序列进行数据恢复决策，构建硬盘数据恢复决策模型，以执行固态硬盘数据恢复作业。
本发明通过获取硬盘存储日志数据，可以获得存储系统的时间序列信息。这些数据可以包括存储操作、访问模式、读写延迟等。时序存储模块的作用是收集这些数据并准备进行后续的非线性时序分析。对硬盘存储日志数据进行非线性时序分析可以揭示存储系统中的隐藏模式和规律。通过分析非线性时序数据，可以识别出数据访问的周期性、异常行为和趋势变化。生成的非线性时序存储数据提供了更全面、准确的存储行为描述，为后续的数据处理步骤提供了基础。拓扑结构关联模块分析固态存储硬盘的拓扑结构，即存储介质之间的连接关系。通过分析存储介质的拓扑结构，可以了解硬盘中数据块之间的关联性。数据区块划分和拓扑结构关联分析可以帮助确定存储介质中数据的物理位置和关系，为后续的数据演化和恢复过程提供重要信息。通过区块拓扑结构关联数据和非线性时序存储数据，时序演化模块构建存储数据空间模型。这个模型反映了存储介质中数据的时序演化过程，包括数据块之间的关联关系和时序变化。通过动态时序演化，存储数据空间模型能够更好地捕捉存储系统中数据的变化模式和趋势，为后续的异常变化分析和数据恢复决策提供基础。数据奇点模块对动态演化数据空间模型进行异常变化分析，识别出存储系统中的异常行为和异常数据点。通过空间位置计算，确定异常变化数据的位置参数，进一步标记数据奇点。这些数据奇点代表存储系统中发生异常的数据块，为后续的缺陷路径分析和数据恢复决策提供关键信息。缺陷路径模块基于动态演化数据空间模型分析数据奇点，识别出奇点之间的缺陷路径。这些缺陷路径描述了异常数据在存储系统中的传播和影响路径。通过缺陷趋势分析，可以评估缺陷路径的发展趋势和潜在影响，为后续的数据恢复决策提供重要参考。数据恢复决策模块对缺陷路径趋势数据进行信息熵计算，评估缺陷路径的不确定性和复杂性。基于缺陷路径信息熵数据，对数据奇点进行数据重构，构建数据序列。通过动态演化数据空间模型和数据序列，进行数据恢复决策分析，并构建硬盘数据恢复决策模型。这个模型可以根据缺陷路径的趋势和数据奇点的特征，决定如何恢复受影响的数据。通过综合考虑数据恢复的效果和风险，可以有效地执行固态硬盘数据恢复作业。
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。
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。
如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 (8)
1.一种固态存储硬盘数据恢复方法，其特征在于，包括以下步骤：
步骤S1：获取固态存储硬盘存储日志数据；对固态存储硬盘存储日志数据进行非线性时序分析，以生成非线性时序存储数据；
步骤S2：对固态存储硬盘进行拓扑分析，以生成存储介质拓扑结构数据；对固态存储硬盘存储日志数据进行数据区块划分，从而得到固态存储硬盘存储数据区块；通过存储介质拓扑结构数据对固态存储硬盘存储数据区块进行隐含关联分析，以生成区块拓扑结构关联数据；
步骤S3：通过区块拓扑结构关联数据对存储介质拓扑结构数据进行空间映射，构建存储数据空间模型；基于非线性时序存储数据对存储数据空间模型进行动态时序演化，以构建动态演化数据空间模型；步骤S3的具体步骤为：
步骤S31：通过区块拓扑结构关联数据对存储介质拓扑结构数据进行拓扑网络构建，生成固态存储硬盘存储拓扑网络；
步骤S32：通过固态存储硬盘存储日志数据对固态存储硬盘存储拓扑网络进行空间映射，构建存储数据空间模型；
步骤S33：对非线性时序存储数据进行时序演变分析，生成存储数据时序演变数据；
步骤S34：基于存储数据时序演变数据对存储数据空间模型进行动态时序演化，以构建动态演化数据空间模型；步骤S34的具体步骤为：
步骤S341：对存储数据时序演变数据进行时序状态提取，生成存储数据时序演变状态数据；
步骤S342：对存储数据时序演变状态数据进行时序演变编码处理，以得到时序演变特征向量数据；
步骤S343：对时序演变特征向量数据进行演变规律分析，得到时序演变规律；
步骤S344：基于时序演变规律对存储数据空间模型进行动态时序演化，以构建动态演化数据空间模型；
步骤S4：对动态演化数据空间模型进行异常变化分析，生成异常变化数据；对异常变化数据进行空间位置计算，以生成异常变化数据位置参数；通过异常变化数据位置参数对动态演化数据空间模型进行奇点标记，以得到数据奇点；
步骤S5：基于动态演化数据空间模型对数据奇点进行缺陷路径分析，以生成奇点缺陷路径；对奇点缺陷路径进行缺陷趋势分析，生成奇点缺陷路径趋势数据；
步骤S6：对奇点缺陷路径趋势数据进行信息熵计算，以生成缺陷路径信息熵数据；基于缺陷路径信息熵数据对数据奇点进行数据重构，以构建数据序列；通过动态演化数据空间模型对数据序列进行数据恢复决策，构建固态存储硬盘数据恢复决策模型，以执行固态存储硬盘数据恢复作业。
2.根据权利要求1所述的固态存储硬盘数据恢复方法，其特征在于，步骤S1的具体步骤为：
步骤S11：获取固态存储硬盘存储日志数据；
步骤S12：对固态存储硬盘存储日志数据进行数据周期性分析，生成固态存储硬盘存储周期性数据；
步骤S13：对固态存储硬盘存储周期性数据进行波动性检测，以生成固态存储硬盘存储波动数据；
步骤S14：对固态存储硬盘存储波动数据进行数据突变识别，以生成存储突变性数据；
步骤S15：基于存储突变性数据对固态存储硬盘存储日志数据进行非线性时序分析，以生成非线性时序存储数据。
3.根据权利要求1所述的固态存储硬盘数据恢复方法，其特征在于，步骤S2的具体步骤为：
步骤S21：对固态存储硬盘进行存储介质结构分析，以生成固态存储硬盘存储介质结构数据；
步骤S22：对固态存储硬盘存储介质结构数据进行拓扑分析，以生成存储介质拓扑结构数据；
步骤S23：对固态存储硬盘存储日志数据进行数据存储分布分析，以生成数据存储分布数据；
步骤S24：基于数据存储分布数据对固态存储硬盘存储日志数据进行数据区块划分，从而得到固态存储硬盘存储数据区块；
步骤S25：通过存储介质拓扑结构数据对固态存储硬盘存储数据区块进行隐含关联分析，以生成区块拓扑结构关联数据。
4.根据权利要求1所述的固态存储硬盘数据恢复方法，其特征在于，步骤S4的具体步骤为：
步骤S41：对动态演化数据空间模型进行数据时序变化分析，生成数据时序变化数据；
步骤S42：对数据时序变化数据进行异常变化分析，生成异常变化数据；
步骤S43：对异常变化数据进行空间位置计算，以生成异常变化数据位置参数；
步骤S44：通过异常变化数据位置参数对动态演化数据空间模型进行奇点标记，以得到数据奇点。
5.根据权利要求1所述的固态存储硬盘数据恢复方法，其特征在于，步骤S5的具体步骤为：
步骤S51：基于动态演化数据空间模型对数据奇点进行动态演化反推分析，以生成奇点动态反演数据；
步骤S52：对奇点动态反演数据进行缺陷分析，生成奇点缺陷数据；
步骤S53：对奇点缺陷数据进行缺陷路径分析，以生成奇点缺陷路径；
步骤S54：对奇点缺陷路径进行瞬态演化轨迹分析，生成奇点缺陷路径演化轨迹数据；
步骤S55：对奇点缺陷路径演化轨迹数据进行缺陷趋势分析，生成奇点缺陷路径趋势数据。
6.根据权利要求5所述的固态存储硬盘数据恢复方法，其特征在于，步骤S53的具体步骤为：
步骤S531：对奇点缺陷数据进行时间序列分析，以生成奇点缺陷时间序列数据；
步骤S532：对奇点缺陷时间序列数据进行离散分析，生成奇点缺陷时序离散数据；
步骤S533：对奇点缺陷时序离散数据进行潜在缺陷传播路径识别，生成潜在缺陷传播路径；
步骤S534：对潜在缺陷传播路径进行路径分布分析，从而得到潜在缺陷路径分布数据；
步骤S535：通过动态演化数据空间模型对潜在缺陷路径分布数据进行缺陷路径分析，以生成奇点缺陷路径。
7.根据权利要求1所述的固态存储硬盘数据恢复方法，其特征在于，步骤S6的具体步骤为：
步骤S61：对奇点缺陷路径趋势数据进行信息熵计算，以生成缺陷路径信息熵数据；
步骤S62：基于缺陷路径信息熵数据对数据奇点进行数据重构，以构建数据序列；
步骤S63：通过动态演化数据空间模型对数据序列进行数据恢复决策分析，生成数据恢复决策数据；
步骤S64：对数据恢复决策数据进行数据挖掘建模，构建固态存储硬盘数据恢复决策模型，以执行固态存储硬盘数据恢复作业。
8.一种固态存储硬盘，其特征在于，用于执行如权利要求1所述的固态存储硬盘数据恢复方法，包括：
时序存储模块，用于获取固态存储硬盘存储日志数据；对固态存储硬盘存储日志数据进行非线性时序分析，以生成非线性时序存储数据；
拓扑结构关联模块， 用于对固态存储硬盘进行拓扑分析，以生成存储介质拓扑结构数据；对固态存储硬盘存储日志数据进行数据区块划分，从而得到固态存储硬盘存储数据区块；通过存储介质拓扑结构数据对固态存储硬盘存储数据区块进行隐含关联分析，以生成区块拓扑结构关联数据；
时序演化模块，用于通过区块拓扑结构关联数据对存储介质拓扑结构数据进行空间映射，构建存储数据空间模型；基于非线性时序存储数据对存储数据空间模型进行动态时序演化，以构建动态演化数据空间模型；其中时序演化模块具体用于：
步骤S31：通过区块拓扑结构关联数据对存储介质拓扑结构数据进行拓扑网络构建，生成固态存储硬盘存储拓扑网络；
步骤S32：通过固态存储硬盘存储日志数据对固态存储硬盘存储拓扑网络进行空间映射，构建存储数据空间模型；
步骤S33：对非线性时序存储数据进行时序演变分析，生成存储数据时序演变数据；
步骤S34：基于存储数据时序演变数据对存储数据空间模型进行动态时序演化，以构建动态演化数据空间模型；步骤S34的具体步骤为：
步骤S341：对存储数据时序演变数据进行时序状态提取，生成存储数据时序演变状态数据；
步骤S342：对存储数据时序演变状态数据进行时序演变编码处理，以得到时序演变特征向量数据；
步骤S343：对时序演变特征向量数据进行演变规律分析，得到时序演变规律；
步骤S344：基于时序演变规律对存储数据空间模型进行动态时序演化，以构建动态演化数据空间模型；
数据奇点模块，用于对动态演化数据空间模型进行异常变化分析，生成异常变化数据；对异常变化数据进行空间位置计算，以生成异常变化数据位置参数；通过异常变化数据位置参数对动态演化数据空间模型进行奇点标记，以得到数据奇点；
缺陷路径模块，用于基于动态演化数据空间模型对数据奇点进行缺陷路径分析，以生成奇点缺陷路径；对奇点缺陷路径进行缺陷趋势分析，生成奇点缺陷路径趋势数据；
数据恢复决策模块，用于对奇点缺陷路径趋势数据进行信息熵计算，以生成缺陷路径信息熵数据；基于缺陷路径信息熵数据对数据奇点进行数据重构，以构建数据序列；通过动态演化数据空间模型对数据序列进行数据恢复决策，构建固态存储硬盘数据恢复决策模型，以执行固态存储硬盘数据恢复作业。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410199995.2A CN117785565B (zh) | 2024-02-23 | 2024-02-23 | 一种固态存储硬盘数据恢复方法及固态硬盘 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410199995.2A CN117785565B (zh) | 2024-02-23 | 2024-02-23 | 一种固态存储硬盘数据恢复方法及固态硬盘 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117785565A CN117785565A (zh) | 2024-03-29 |
| CN117785565B true CN117785565B (zh) | 2024-05-03 |
Family
ID=90391245
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410199995.2A Active CN117785565B (zh) | 2024-02-23 | 2024-02-23 | 一种固态存储硬盘数据恢复方法及固态硬盘 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117785565B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104035729A (zh) * | 2014-05-22 | 2014-09-10 | 中国科学院计算技术研究所 | 一种日志映射的块设备精简配置方法 |
| CN108153618A (zh) * | 2017-12-22 | 2018-06-12 | 国网浙江杭州市萧山区供电有限公司 | 硬盘数据恢复方法、装置及硬盘数据恢复设备 |
| WO2020046261A1 (en) * | 2018-08-27 | 2020-03-05 | Siemens Aktiengesellschaft | Systematic prognostic analysis with dynamic causal model |
| CN111752487A (zh) * | 2020-06-18 | 2020-10-09 | 深圳大普微电子科技有限公司 | 一种数据恢复方法、装置及固态硬盘 |
| CN111913836A (zh) * | 2020-07-30 | 2020-11-10 | 深圳忆联信息系统有限公司 | 固态硬盘低功耗模式数据恢复方法、装置、计算机设备及存储介质 |
| CN116401095A (zh) * | 2023-04-11 | 2023-07-07 | 绿晶半导体科技(北京)有限公司 | 固态硬盘上电恢复数据映射表方法和装置及固态硬盘 |
| CN117076170A (zh) * | 2023-08-10 | 2023-11-17 | 深圳玖合精工科技有限公司 | 硬盘数据处理方法、装置、计算机设备及存储介质 |
-
2024
- 2024-02-23 CN CN202410199995.2A patent/CN117785565B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104035729A (zh) * | 2014-05-22 | 2014-09-10 | 中国科学院计算技术研究所 | 一种日志映射的块设备精简配置方法 |
| CN108153618A (zh) * | 2017-12-22 | 2018-06-12 | 国网浙江杭州市萧山区供电有限公司 | 硬盘数据恢复方法、装置及硬盘数据恢复设备 |
| WO2020046261A1 (en) * | 2018-08-27 | 2020-03-05 | Siemens Aktiengesellschaft | Systematic prognostic analysis with dynamic causal model |
| CN111752487A (zh) * | 2020-06-18 | 2020-10-09 | 深圳大普微电子科技有限公司 | 一种数据恢复方法、装置及固态硬盘 |
| CN111913836A (zh) * | 2020-07-30 | 2020-11-10 | 深圳忆联信息系统有限公司 | 固态硬盘低功耗模式数据恢复方法、装置、计算机设备及存储介质 |
| CN116401095A (zh) * | 2023-04-11 | 2023-07-07 | 绿晶半导体科技(北京)有限公司 | 固态硬盘上电恢复数据映射表方法和装置及固态硬盘 |
| CN117076170A (zh) * | 2023-08-10 | 2023-11-17 | 深圳玖合精工科技有限公司 | 硬盘数据处理方法、装置、计算机设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| "浅谈硬盘数据恢复技术 ";任戎;《四川文理学院学报》;20091106;第19卷(第5期);第56-59页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117785565A (zh) | 2024-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11550686B2 (en) | Adaptable online breakpoint detection over I/O trace time series via deep neural network autoencoders re-parameterization | |
| CN109558287A (zh) | 一种固态硬盘寿命预测方法、装置和系统 | |
| KR101948634B1 (ko) | 스마트 컴퓨팅을 위한 시스템 자원의 장애 예측 방법 | |
| CN108228832B (zh) | 一种基于距离矩阵的时间序列数据补全方法 | |
| CN111506504B (zh) | 基于软件开发过程度量的软件安全性缺陷预测方法及装置 | |
| Yang et al. | Evaluating feature selection and anomaly detection methods of hard drive failure prediction | |
| KR20210049696A (ko) | 펌웨어-기반 ssd 블록 고장 예측 및 회피 방안 | |
| US8245084B2 (en) | Two-level representative workload phase detection | |
| Debnath et al. | Exploring generative data augmentation in multivariate time series forecasting: opportunities and challenges | |
| CN115906337A (zh) | 一种工程结构分段式主余震韧性分析方法及系统 | |
| CN113778766B (zh) | 基于多维特征的硬盘故障预测模型建立方法及其应用 | |
| CN117785565B (zh) | 一种固态存储硬盘数据恢复方法及固态硬盘 | |
| Fang et al. | On repairing timestamps for regular interval time series | |
| Basak et al. | Spatio-temporal AI inference engine for estimating hard disk reliability | |
| CN114357037A (zh) | 一种时序数据分析方法、装置及电子设备和存储介质 | |
| Nagwani et al. | A data mining model to predict software bug complexity using bug estimation and clustering | |
| CN117291575A (zh) | 设备检修方法、装置、计算机设备和存储介质 | |
| Ostrouchov et al. | On FastMap and the convex hull of multivariate data: toward fast and robust dimension reduction | |
| Wang et al. | Hard disk drives failure detection using a dynamic tracking method | |
| Bayram et al. | Improving reliability with dynamic syndrome allocation in intelligent software defined data centers | |
| Shawky et al. | Modeling clones evolution in open source systems through chaos theory | |
| Pang et al. | SIST: A Similarity Index for Storage Traffic | |
| Olschanowsky et al. | PSnAP: accurate synthetic address streams through memory profiles | |
| Behzadi et al. | Dependency anomaly detection for heterogeneous time series: A Granger-Lasso approach | |
| CN117539920B (zh) | 基于房产交易多维度数据的数据查询方法及系统 |
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 |