一种存储设备故障检测方法及相关装置制造方法及图纸

本申请公开了一种存储设备故障检测方法，包括：对原始存储设备特征数据进行滑动窗口步长采样处理，得到三维训练矩阵和一维标签矩阵；采用Keras神经网络库根据所述三维训练矩阵和所述一维标签矩阵进行长短时记忆网络训练，得到LSTM检测模型；采用所述LSTM检测模型对待检测数据进行检测处理，得到故障检测结果。通过先进行采样处理提高样本的数据量，然后训练出LSTM检测模型对待检测数据进行检测处理，得到故障检测结果，提高了故障预测的准确性和精度。本申请还公开了一种存储设备故障检测装置、存储服务器以及计算机可读存储介质，具有以上有益效果。

A fault detection method and related devices for storage equipment

【技术实现步骤摘要】
一种存储设备故障检测方法及相关装置
本申请涉及存储设备
，特别涉及一种存储设备故障检测方法、存储设备故障检测装置、存储服务器以及计算机可读存储介质。
技术介绍
存储系统是指计算机中由存放程序和数据的各种存储设备、控制部件及管理信息调度的设备(硬件)和算法(软件)所组成的系统。计算机的主存储器不能同时满足存取速度快、存储容量大和成本低的要求，在计算机中必须有速度由慢到快、容量由大到小的多级层次存储器，以最优的控制调度算法和合理的成本，构成具有性能可接受的存储系统。在存储系统中，设备突然故障是制约系统稳定性和可靠性的主要因素之一，如何尽早预测出系统故障是实现主动预防提升系统性能的关键。基于机器学习方法构建故障预测分类模型就是当下最主流的做法。然而当前的研究没有关注故障数据的时序性问题，故障不是突然出现的，而是存在前后时间上的因果递进关系，如何能够挖掘出这种前后关系，对故障预测的意义重大。存储设备包含了硬盘、SSD、非易失内存等介质。可见，为了提高存储设备的可靠性需要对存储设备的故障进行检测，而现有技术中一般通过存储设备中个别状态信息进行判断，根据判断结果对存储设备的故障进行预测。但是，现有技术中对存储设备的故障进行检测的准确性和精度比较差，没有办法对存储设备的故障进行准确得预知，进而无法对存储设备的故障进行提前维护，降低了存储设备的可靠性和稳定性。因此，如何提高存储设备故障预测的准确性是本领域技术人员关注的重点问题。
技术实现思路
本申请的目的是提供一种存储设备故障检测方法、存储设备故障检测装置、存储服务器以及计算机可读存储介质，通过先进行采样处理提高样本的数据量，然后训练出LSTM检测模型对待检测数据进行检测处理，得到故障检测结果，提高了故障预测的准确性和精度。为解决上述技术问题，本申请提供一种存储设备故障检测方法，包括：对原始存储设备特征数据进行滑动窗口步长采样处理，得到三维训练矩阵和一维标签矩阵；采用Keras神经网络库根据所述三维训练矩阵和所述一维标签矩阵进行长短时记忆网络训练，得到LSTM检测模型；采用所述LSTM检测模型对待检测数据进行检测处理，得到故障检测结果。可选的，对原始存储设备特征数据进行滑动窗口步长采样处理，得到三维训练矩阵和一维标签矩阵，包括：根据突变点检测算法对所述原始存储设备特征数据进行选择，得到原始特征值；将所述原始特征值划分为训练集和测试集；根据磁盘SMART规则、预设滑动大小以及预设步长对所述训练集和所述测试集进行样本点采样，得到所述三维训练矩阵；对所述三维训练矩阵打标签处理，得到所述一维标签矩阵。可选的，根据磁盘SMART规则、预设滑动大小以及预设步长对所述训练集和所述测试集进行样本点采样，得到所述三维训练矩阵，包括：根据所述SMART规则对所述训练集和所述测试集进行数据截取，得到SMART特征值；按照所述预设滑动大小和所述预设步长对所述SMART特征值进行滑动窗口采样处理，得到所述三维训练矩阵。可选的，采用Keras神经网络库根据所述三维训练矩阵和所述一维标签矩阵进行长短时记忆网络训练，得到LSTM检测模型，包括：采用所述Keras神经网络库构建出序贯模型；对所述序贯模型添加LSTM隐藏层、全连接层以及输出层，并进行配置，得到长短时记忆网络；根据所述三维训练矩阵和所述一维标签矩阵对所述长短时记忆网络进行训练，得到所述LSTM检测模型。可选的，采用所述LSTM检测模型对待检测数据进行检测处理，得到故障检测结果，包括：对所述待检测数据进行特征提取处理，得到特征数据；采用所述LSTM检测模型对所述特征数据进行计算，得到所述故障检测结果。本申请还提供一种存储设备故障检测装置，包括：特征采样模块，用于对原始存储设备特征数据进行滑动窗口步长采样处理，得到三维训练矩阵和一维标签矩阵；模型训练模块，用于采用Keras神经网络库根据所述三维训练矩阵和所述一维标签矩阵进行长短时记忆网络训练，得到LSTM检测模型；故障检测模块，用于采用所述LSTM检测模型对待检测数据进行检测处理，得到故障检测结果。可选的，所述特征采样模块，包括：特征选择单元，用于根据突变点检测算法对所述原始存储设备特征数据进行选择，得到原始特征值；特征数据划分单元，用于将所述原始特征值划分为训练集和测试集；样本点采样单元，用于根据磁盘SMART规则、预设滑动大小以及预设步长对所述训练集和所述测试集进行样本点采样，得到所述三维训练矩阵；标签处理单元，用于对所述三维训练矩阵打标签处理，得到所述一维标签矩阵。可选的，所述模型训练模块，包括：模型构建单元，用于采用所述Keras神经网络库构建出序贯模型；网络配置单元，用于对所述序贯模型添加LSTM隐藏层、全连接层以及输出层，并进行配置，得到长短时记忆网络；网络训练单元，用于根据所述三维训练矩阵和所述一维标签矩阵对所述长短时记忆网络进行训练，得到所述LSTM检测模型。本申请还提供一种存储服务器，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现如上所述的存储设备故障检测方法的步骤。本申请还提供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计算机程序，所述计算机程序被处理器执行时实现如上所述的存储设备故障检测方法的步骤。本申请所提供的一种存储设备故障检测方法，包括：对原始存储设备特征数据进行滑动窗口步长采样处理，得到三维训练矩阵和一维标签矩阵；采用Keras神经网络库根据所述三维训练矩阵和所述一维标签矩阵进行长短时记忆网络训练，得到LSTM检测模型；采用所述LSTM检测模型对待检测数据进行检测处理，得到故障检测结果。通过先对原始存储设备特征数据进行滑动窗口步长采样处理，提高训练数据的数据量，最后得到三维训练矩阵和一维标签矩阵，然后进行长短时记忆网络训练，得到LSTM检测模型，最后采用该LSTM检测模型对待检测数据进行检测处理，得到故障检测结果，实现了采用LSTM模型对存储设备故障状态进行检测，提高了存储设备故障检测的准确率，进而再对存储设备进行有效的维护操作，提高了存储设备执行时的可靠性和稳定性。本申请还提供一种存储设备故障检测装置、存储服务器以及计算机可读存储介质，具有以上有益效果，在此不做赘述。附图说明为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，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，还可以根据提供的附图获得其他的附图。图1为本申请实施例所提供的一种存储设备故障检测方法的流程图；图2为本申请实施例所提供的一种存储设备故障检测装置的结构示意图。具体实施方式本申请的核心是提供一种存储设本文档来自技高网...

【技术保护点】
1.一种存储设备故障检测方法，其特征在于，包括：/n对原始存储设备特征数据进行滑动窗口步长采样处理，得到三维训练矩阵和一维标签矩阵；/n采用Keras神经网络库根据所述三维训练矩阵和所述一维标签矩阵进行长短时记忆网络训练，得到LSTM检测模型；/n采用所述LSTM检测模型对待检测数据进行检测处理，得到故障检测结果。/n

【技术特征摘要】
1.一种存储设备故障检测方法，其特征在于，包括：
对原始存储设备特征数据进行滑动窗口步长采样处理，得到三维训练矩阵和一维标签矩阵；
采用Keras神经网络库根据所述三维训练矩阵和所述一维标签矩阵进行长短时记忆网络训练，得到LSTM检测模型；
采用所述LSTM检测模型对待检测数据进行检测处理，得到故障检测结果。


2.根据权利要求1所述的存储设备故障检测方法，其特征在于，对原始存储设备特征数据进行滑动窗口步长采样处理，得到三维训练矩阵和一维标签矩阵，包括：
根据突变点检测算法对所述原始存储设备特征数据进行选择，得到原始特征值；
将所述原始特征值划分为训练集和测试集；
根据磁盘SMART规则、预设滑动大小以及预设步长对所述训练集和所述测试集进行样本点采样，得到所述三维训练矩阵；
对所述三维训练矩阵打标签处理，得到所述一维标签矩阵。


3.根据权利要求2所述的存储设备故障检测方法，其特征在于，根据磁盘SMART规则、预设滑动大小以及预设步长对所述训练集和所述测试集进行样本点采样，得到所述三维训练矩阵，包括：
根据所述SMART规则对所述训练集和所述测试集进行数据截取，得到SMART特征值；
按照所述预设滑动大小和所述预设步长对所述SMART特征值进行滑动窗口采样处理，得到所述三维训练矩阵。


4.根据权利要求1所述的存储设备故障检测方法，其特征在于，采用Keras神经网络库根据所述三维训练矩阵和所述一维标签矩阵进行长短时记忆网络训练，得到LSTM检测模型，包括：
采用所述Keras神经网络库构建出序贯模型；
对所述序贯模型添加LSTM隐藏层、全连接层以及输出层，并进行配置，得到长短时记忆网络；
根据所述三维训练矩阵和所述一维标签矩阵对所述长短时记忆网络进行训练，得到所述LSTM检测模型。


5.根据权利要求1所述的存储设备故障检测方法，其特征在于，采用所述LSTM检测模型对待检测数据进行检测处理，得到故障检测结果，包括：
对所述待...

【专利技术属性】
技术研发人员：王团结，苏楠，
申请(专利权)人：浪潮北京电子信息产业有限公司，
类型：发明
国别省市：北京;11