磁盘故障的预测方法、设备及存储介质技术

本发明专利技术公开了一种磁盘故障的预测方法、设备及存储介质，所述预测方法包括：根据在线采集获得的磁盘相关的信息文件，构建输入特征；根据所述输入特征，加载当前的磁盘故障预测模型对磁盘故障进行预测，或者，对当前的磁盘故障预测模型进行增量训练，得到更新的磁盘故障预测模型，加载所述更新的磁盘故障预测模型对磁盘故障进行预测。本发明专利技术有效提高对磁盘故障主动性预测的准确率，并且实现了磁盘故障预测模型的在线训练和在线预测双重功能，避免了传统离线训练的滞后性，提高了预测模型的动态性和适应性，大幅度提升了网络存储系统运行的稳定性，并降低了其运维成本；并极大提高了磁盘预测的可靠性。

Prediction Method, Equipment and Storage Medium of Disk Fault

【技术实现步骤摘要】
磁盘故障的预测方法、设备及存储介质
本专利技术涉及存储系统
，特别是涉及一种磁盘故障的预测方法、设备及存储介质。
技术介绍
伴随着互联网和物联网的快速发展，信息数据量正在以数量级的速度增长，然而对这些海量数据进行存储、信息挖掘等处理过程涉及到存储系统，存储系统的安全性是保证用户信息数据的安全性、持久性的基础。而硬盘在数据存储中处于核心的地位，硬盘/磁盘的正常运行是确保数据有效性和安全性的基础。为了确保存储系统的正常运行，当前普遍采用软件检测结合人工巡查的保障方式，但是这样的管理方式，存储系统的运维效率和效果都不满人意。一方面，为保证存储系统全天候的正常运行，每一个数据存储点都需要投入大量的人力进行现场维护进行24小时的维护，这对运维人员的精力是一种巨大的挑战；另一方面，自动化检测软件和人工巡查方式通常只能发现和处理在线且已失效的硬盘，此时，轻则降低了计算机网络系统的性能，重则可能会导致计算机系统的瘫痪。目前，在一些磁盘故障检测方式中，只能实现磁盘故障的检测功能，无法实现磁盘故障提前预测。在另一些磁盘故障检测方式中，只是通过简单的阈值判断来预测磁盘的故障，无法较准确的预测磁盘的故障时间。因此，如何提高对磁盘故障主动性预测，以保证磁盘的正常运行，从而保证网络中存储系统可靠性和安全性，现有技术中未给出有效的解决方案。
技术实现思路
为了克服上述缺陷，本专利技术要解决的技术问题是提供一种磁盘故障的预测方法、设备及存储介质，用以至少提高对磁盘故障主动性预测的准确率。为解决上述技术问题，本专利技术实施例中的一种磁盘故障的预测方法，包括：根据在线采集获得的磁盘相关的信息文件，构建输入特征；根据所述输入特征，加载当前的磁盘故障预测模型对磁盘故障进行预测，或者，对当前的磁盘故障预测模型进行增量训练，得到更新的磁盘故障预测模型，加载所述更新的磁盘故障预测模型对磁盘故障进行预测。可选地，所述根据在线采集获得的磁盘相关的信息文件，构建输入特征；根据所述输入特征，加载当前的磁盘故障预测模型对磁盘故障进行预测，或者，对当前的磁盘故障预测模型进行增量训练，包括：根据所述磁盘相关的信息文件，判断是否对磁盘故障进行直接预测；若是，根据所述磁盘相关的信息文件，构建磁盘故障预测特征；根据所述磁盘故障预测特征，加载当前的磁盘故障预测模型对磁盘故障进行预测；若否，根据所述磁盘相关的信息文件，构建磁盘故障训练特征和标签；根据所述磁盘故障训练特征和标签，对当前的磁盘故障预测模型进行增量训练。可选地，所述根据所述磁盘故障训练特征和标签，对当前的磁盘故障预测模型进行增量训练之前，包括：通过合成少数类过采样技术SMOTE对所述磁盘故障训练特征进行上采样处理。可选地，在第一次训练过程中的当前的磁盘故障预测模型为预先构造的全连人工神经网络模型。可选地，所述根据在线采集获得的磁盘相关的信息文件，构建输入特征之前，包括：获取在线采集的磁盘的自我监测、分析及报告技术SMART数据；从所述SMART数据中获得所述磁盘相关的信息文件。可选地，所述根据所述磁盘相关的信息文件，判断是否对磁盘故障进行直接预测，包括：在所述磁盘相关的信息文件为磁盘基本信息文件和SMART数据信息文件时，判定对磁盘故障进行直接预测；在所述磁盘相关的信息文件为磁盘基本信息文件、SMART数据信息文件和离线磁盘文件时，判定不对磁盘故障进行直接预测。可选地，所述根据在线采集获得的磁盘相关的信息文件，构建输入特征，包括：根据所述磁盘相关的信息文件中的每个参数的方差和均值，得到多维度的输入特征。可选地，所述根据所述磁盘相关的信息文件中的每个参数的方差和均值，得到多维度的输入特征，包括：根据所述每个参数的原始值和转换值的方差和均值，得到所述多维度的输入特征。为解决上述技术问题，本专利技术实施例中的一种磁盘故障的预测设备，包括处理器和存储器；所述存储器用于存储磁盘故障的预测程序，所述处理器用于运行所述程序，以实现如上所述方法的步骤。为解决上述技术问题，本专利技术实施例中的一种计算机存储介质，存储有磁盘故障的预测程序；所述程序可被至少一个处理器执行，以实现如上所述方法的步骤。本专利技术实施例有益效果如下：上述的各个实施例有效提高对磁盘故障主动性预测的准确率，并且实现了磁盘故障预测模型的在线训练和在线预测双重功能，避免了传统离线训练的滞后性，提高了预测模型的动态性和适应性，大幅度提升了网络存储系统运行的稳定性，并降低了其运维成本；并且，在磁盘预测的输入特征构建中使用的是磁盘全程监控数据，而不是只使用了最新时间段的监控数据，极大提高了磁盘预测的可靠性。上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，而可依照说明书的内容予以实施，并且为了让本专利技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本专利技术的具体实施方式。附图说明通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本专利技术的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：图1是本专利技术实施例中一种磁盘故障的预测方法的主流程图；图2是本专利技术实施例中磁盘故障预测模型的架构图；图3是实现本专利技术实施例中预测方法所涉及的软件模块示意图；图4是本专利技术实施例中磁盘SMART数据采集模块的实现框架图；图5是本专利技术实施例中磁盘SMART数据解析模块的实现框架图；图6是本专利技术实施例中磁盘故障预测特征构建模块的实现框架图；图7是本专利技术实施例中磁盘故障训练特征构建模块的实现框架图；图8是本专利技术实施例中磁盘故障预测模型在线预测实现流程图；图9是本专利技术实施例中磁盘故障预测模型在线训练实现流程图；图10是本专利技术实施例中磁盘故障预测结果反馈模块实现流程图；图11是本专利技术实施例中一种可选地磁盘故障的预测方法的流程图；图12是本专利技术实施例中神经网络模型框架图；图13是本专利技术实施例中重映射扇区计数参数value值和raw_value值示意图；图14是本专利技术实施例中当前待映射扇区计数参数value值和raw_value值示意图；图15是本专利技术实施例中又一种可选地磁盘故障的预测方法的流程图。具体实施方式下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本专利技术的说明，其本身没有特定的意义。因此，“模块”、“部件”或“单元”可以混合地使用。使用用于区分元件的诸如“第一”、“第二”等前缀仅为了有利于本专利技术的说明，其本身没有特定的意义。实施例一本专利技术实施例提供一种磁盘故障的预测方法，如图1所示，所述方法包括：S101，根据在线采集获得的磁盘相关的信息文件，构建输入特征；S102，根据所述输入特征，加载当前的磁盘故障预测模型对磁盘故障进行预测，或者，对当前的磁盘故障预测模型进行增量训练，得到更新的磁盘故障预测模型，加载所述更新的磁盘故障预测模型对磁盘故障进行预测。其中，磁盘相关的信息文件可以包括磁盘本文档来自技高网...

【技术保护点】
1.一种磁盘故障的预测方法，其特征在于，所述方法包括：根据在线采集获得的磁盘相关的信息文件，构建输入特征；根据所述输入特征，加载当前的磁盘故障预测模型对磁盘故障进行预测，或者，对当前的磁盘故障预测模型进行增量训练，得到更新的磁盘故障预测模型，加载所述更新的磁盘故障预测模型对磁盘故障进行预测。

【技术特征摘要】
1.一种磁盘故障的预测方法，其特征在于，所述方法包括：根据在线采集获得的磁盘相关的信息文件，构建输入特征；根据所述输入特征，加载当前的磁盘故障预测模型对磁盘故障进行预测，或者，对当前的磁盘故障预测模型进行增量训练，得到更新的磁盘故障预测模型，加载所述更新的磁盘故障预测模型对磁盘故障进行预测。2.如权利要求1所述的方法，其特征在于，所述根据在线采集获得的磁盘相关的信息文件，构建输入特征；根据所述输入特征，加载当前的磁盘故障预测模型对磁盘故障进行预测，或者，对当前的磁盘故障预测模型进行增量训练，包括：根据所述磁盘相关的信息文件，判断是否对磁盘故障进行直接预测；若是，根据所述磁盘相关的信息文件，构建磁盘故障预测特征；根据所述磁盘故障预测特征，加载当前的磁盘故障预测模型对磁盘故障进行预测；若否，根据所述磁盘相关的信息文件，构建磁盘故障训练特征和标签；根据所述磁盘故障训练特征和标签，对当前的磁盘故障预测模型进行增量训练。3.如权利要求2所述的方法，其特征在于，所述根据所述磁盘故障训练特征和标签，对当前的磁盘故障预测模型进行增量训练之前，包括：通过合成少数类过采样技术SMOTE对所述磁盘故障训练特征进行上采样处理。4.如权利要求2所述的方法，其特征在于，在第一次训练过程中的当前的磁盘故障预测模型为预先构造的全连人工神经网络模型。5.如权利要求2所述的方法，其特征在于，所述根据在线采集获得...

【专利技术属性】
技术研发人员：弄庆鹏，屠要峰，李忠良，杨洪章，沈文全，林阳，祁鹏，郭斌，
申请(专利权)人：中兴通讯股份有限公司，
类型：发明
国别省市：广东,44