硬盘故障预测方法技术

本发明专利技术公开的硬盘故障预测方法，涉及硬盘检测技术领域，包括：获取各个硬盘的SMART值，将SMART值输入训练过的深度信念网络DBN模型，得到各个硬盘的故障预警时间，根据故障预警时间，设置各个硬盘的故障告警级别，提高了硬盘故障预测的准确度、通用性及效率，解决了现有技术存在的硬盘故障预测的准确度低、通用性及效率差的缺陷。

【技术实现步骤摘要】
硬盘故障预测方法
本专利技术涉及硬盘检测
，具体涉及一种硬盘故障预测方法。
技术介绍
目前，对磁盘故障的预测研究工作取得了良好的进展，对硬盘故障的预测已经达到了很高的精度，但是如果想构建一套生产环境中实际可用的磁盘故障预测系统来说，还有一些问题需要解决，这也是本专利技术主要研究问题所在。目前的磁盘故障预测系统主要存在以下缺陷：(1)功能单一。当前的故障预测手段，无法满足现有大型数据公司的需求。方案多为数理统计中的分类方法，过于单一。对于新的技术融合较少，只是简单地将磁盘分为好和坏两种。(2)预测准确度较低。在磁盘的预测中，时间的概念很少被提及。大部分算法，仅专注于提高硬盘故障检测的正确率，而忽略了对磁盘故障时间的预测，在出现新问题的情况下，没有对模型优化训练。(3)计算能力受限。单个运算时间过长。对于大型的数据中心，拥有万级的磁盘数量时，提升数据的分类和计算能力尤为重要，将数据进行分布计算是其中需要解决的重要问题。
技术实现思路
为解决现有技术的不足，本专利技术实施例提供了一种硬盘故障预测方法，包括：获取各个硬盘的SMART值，将所述SMART值输入训练过的深度信念网络DBN模型，得到各个硬盘的故障预警时间；根据所述故障预警时间，设置各个硬盘的故障告警级别。优选地，在获取各个硬盘的SMART值，将所述SMART值输入训练过的深度信念网络DBN模型之前，所述方法还包括：选取一定数量的硬盘，获取各个硬盘对应的SMART值，利用支持向量数据描述SVDD算法模型，对所述SMART值进行分类并根据分类结果，将所述SMART值标识为健康SMART值及不健康SMART值；根据所述健康SMART值及所述不健康SMART值，对所述DBN模型进行训练。优选地，在得到各个硬盘的故障预警时间之后，所述方法还包括：获取各个硬盘的实际发生故障时间，根据所述实际发生故障时间对所述DBN模型进行优化。本专利技术实施例提供的硬盘故障预测方法，具有以下有益效果：通过对数据进行分布计算，使得计算能力增强，提高了硬盘故障预测的准确度、通用性及效率。附图说明图1为本专利技术实施例提供的硬盘故障预测方法的流程示意图。图2为深度信念网络DBN模型的结构示意图。具体实施方式以下结合附图和具体实施例对本专利技术作具体的介绍。如图1所示，本专利技术实施例提供的硬盘故障预测方法包括以下步骤：101，获取各个硬盘的SMART值，将所述SMART值输入训练过的深度信念网络DBN模型，得到各个硬盘的故障预警时间。其中，硬盘的SMART值一般包括：底层数据读取错误率、启动/停止计数、重映射扇区数、通电时间累计、主轴起旋重试次数、磁盘校准重试次数、磁盘通电次数、温度、奇偶校验错误率及写错误率。如图2所示，DBN是一个概率生成模型，由多个限制玻尔兹曼机(RestrictedBoltzmannMachine，RBM)堆叠而成。其核心就是用逐层贪婪学习算法去优化深度神经网络的连接权重，即使用无监督学习方式进行逐层训练，能有效提取测量信号中的特征。102，根据所述故障预警时间，设置各个硬盘的故障告警级别。在一个示例中，可以将各个硬盘的故障告警级别设置为优选地，在获取各个硬盘的SMART值，将所述SMART值输入训练过的深度信念网络DBN模型之前，所述方法还包括：选取一定数量的硬盘，获取各个硬盘对应的SMART值，利用支持向量数据描述SVDD算法模型，对所述SMART值进行分类并根据分类结果，将所述SMART值标识为健康SMART值及不健康SMART值；其中，支持向量数据描述(SupportVectorDataDescription，SVDD)算法是一种异常检测方法。它基于普通的SVM算法，将预测目标的特征映射到高维内积中，寻找一个超球面体，尽量吸收足够的点，在时间内映射到超球体内的，就是正常点，而在其外的就是异常点。根据所述健康SMART值及所述不健康SMART值，对所述DBN模型进行训练。优选地，在得到各个硬盘的故障预警时间之后，所述方法还包括：获取各个硬盘的实际发生故障时间，根据所述实际发生故障时间对所述DBN模型进行优化。在一个示例中，将预警时间与实际故障之间的时间差称为LeadTime，在提取标识为不健康的磁盘后，每天对其进行一次故障时间预测，预测具体故障是否会在接下来的N天内发生，其中，N为客户选择的数据，根据数据的珍贵程度，越珍贵的数据，N越大，为安全转移数据留下足够的时间，只有故障将会发生在N天内时，才会做出故障告警并予以换盘，这样就能将故障预测中的LeadTime控制在N天以内，提高了磁盘的利用率。本专利技术实施例提供的硬盘故障预测方法，通过获取各个硬盘的SMART值，将SMART值输入训练过的深度信念网络DBN模型，得到各个硬盘的故障预警时间，根据故障预警时间，设置各个硬盘的故障告警级别，提高了硬盘故障预测的准确度、通用性及效率。在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。可以理解的是，上述方法及装置中的相关特征可以相互参考。另外，上述实施例中的“第一”、“第二”等是用于区分各实施例，而并不代表各实施例的优劣。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，装置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。在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本专利技术也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本专利技术的内容，并且上面对特定语言所做的描述是为了披露本专利技术的最佳实施方式。此外，存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flashRAM)，存储器包括至少一个存储芯片。本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他本文档来自技高网...

【技术保护点】
1.一种硬盘故障预测方法，其特征在于，包括：获取各个硬盘的SMART值，将所述SMART值输入训练过的深度信念网络DBN模型，得到各个硬盘的故障预警时间；根据所述故障预警时间，设置各个硬盘的故障告警级别。

【技术特征摘要】
1.一种硬盘故障预测方法，其特征在于，包括：获取各个硬盘的SMART值，将所述SMART值输入训练过的深度信念网络DBN模型，得到各个硬盘的故障预警时间；根据所述故障预警时间，设置各个硬盘的故障告警级别。2.根据权利要求1所述的方法，其特征在于，在获取各个硬盘的SMART值，将所述SMART值输入训练过的深度信念网络DBN模型之前，所述方法还包括：选取一定数量的硬盘，获取各个硬盘对应的SMAR...

【专利技术属性】
技术研发人员：张涛，周洋，陈财森，赵石钏，应书皓，
申请(专利权)人：鸿秦北京科技有限公司，
类型：发明
国别省市：北京,11