基于Prophet模型的SSD寿命预测方法、系统、终端及存储介质技术方案

本发明专利技术提供一种基于Prophet模型的SSD寿命预测方法、系统、终端及存储介质，包括：根据预设采集周期循环采集SSD的擦写次数并标记时间戳；根据擦写次数采集数据的时间戳生成擦写次数采集数据时间序列，并将所述擦写次数采集数据时间序列作为历史数据集；利用所述历史数据集训练Prophet模型；利用所述Prophet模型预测所述SSD达到额定擦写次数所需时间，将所需时间作为所述SSD寿命输出。本发明专利技术能够准确预测SSD寿命，和现有的公式计算方法相比，能够捕捉用户写入量的趋势项、周期项、节假日效应等，大幅提高SSD寿命预测的准确性。

SSD life prediction method, system, terminal and storage medium based on Prophet model

【技术实现步骤摘要】
基于Prophet模型的SSD寿命预测方法、系统、终端及存储介质
本专利技术SSD测试
，具体涉及一种基于Prophet模型的SSD寿命预测方法、系统、终端及存储介质。
技术介绍
SSD的闪存芯片有寿命限制，其寿命即它的P/ECycle次数。举例来说，浪潮自研SSD所使用的东芝bics3系列闪存芯片所允许的P/ECycle次数为10000次。当用户负载带来的SSDP/ECycle次数超过10000次后，SSD的寿命超出厂商的质保期限，SSD的可靠性和性能不再得到保证。现有SSD寿命预测技术非常简单，所得到的SSD寿命预测结果不精确。当前SSD厂商比如Intel、HP、HPE在计算SSD寿命时，都是基于一段时间内的磨损度变化(smart_233表示的整数百分比值)求平均值。具体原理为：现有技术存在的问题有：1.计算方法简单粗暴，只有在用户负载不变的情况下，计算才比较准确，但是用户负载正常情况下无时无刻不在发生改变。2.使用磨损度作为参数。磨损度为0-100％的整数磨损百分比，几十天才会发生1％的变化，因此计算得到的剩余寿命误差比较大。SSD厂商一般不对外提供使用过程中发生的P/ECycle次数，但浪潮自研SSD可获取该参数。芯片内部对该值的计算为：SSD所有BlockP/ECycle次数的平均值。磨损度与P/ECycle的次数的关系为：磨损度＝SSD已产生PECycle/额定最大PECycle次数,并对计算结果取整。磨损度表示的百分比为整数百分比，相比于原始P/ECycle值，精确度差很多。
技术实现思路
针对现有技术的上述不足，本专利技术提供一种基于Prophet模型的SSD寿命预测方法、系统、终端及存储介质，以解决上述技术问题。第一方面，本专利技术提供一种基于Prophet模型的SSD寿命预测方法，包括：根据预设采集周期循环采集SSD的擦写次数并标记时间戳；根据擦写次数采集数据的时间戳生成擦写次数采集数据时间序列，并将所述擦写次数采集数据时间序列作为历史数据集；利用所述历史数据集训练Prophet模型；利用所述Prophet模型预测所述SSD达到额定擦写次数所需时间，将所需时间作为所述SSD寿命输出。进一步的，所述根据预设采集周期循环采集SSD的擦写次数并标记时间戳，包括：设置采集周期为1天；每天在固定时间点SSD内部接口获取所述SSD的当前擦写次数。进一步的，所述方法还包括：设置数据采集时间范围；采集所述时间范围内的擦写次数采集数据；利用所述时间范围内的擦写次数采集数据创建测试数据集。进一步的，所述利用历史数据集训练Prophet模型，包括：从历史数据集划分出训练集，所述训练集的擦写次数为SSD额定擦写次数的40％-50％；设置Prophet模型的模型参数，所述模型参数包括趋势项变点参数、周期项参数和节假日项参数；根据所述模型参数和训练集创建模型y(t)＝g(t)+s(t)+h(t)+εt，其中g(t)表示主机擦写次数整体变化趋，周期项s(t)用于表达主机写入的周期性变化，节假日项h(t)用于表达非规律性的节假日效应，误差项εt用来反映未在模型中体现的异常变动；判断擦写次数变化趋势是否为饱和增长趋势：若是，则所述趋势项采用分段逻辑回归函数；若否，则所述趋势项采用分段线性回归函数。进一步的，所述方法还包括：从所述历史数据集划分出测试集；选取多个测试集训练出的多个Prophet模型；将所述测试集输入多个Prophet模型，得到多个预测结果；分别计算所述多个预测结果与测试集实际结果的差值，将所述差值为Prophet模型绝对误差；选取所述绝对误差最小的Prophet模型作为最优模型输出。进一步的，所述方法还包括：计算所述SSD寿命与所述SSD当前使用时间的差值，将所述差值作为SSD剩余寿命输出。第二方面，本专利技术提供一种基于Prophet模型的SSD寿命预测系统，包括：数据采集单元，配置用于根据预设采集周期循环采集SSD的擦写次数并标记时间戳；序列生成单元，配置用于根据擦写次数采集数据的时间戳生成擦写次数采集数据时间序列，并将所述擦写次数采集数据时间序列作为历史数据集；模型训练单元，配置用于利用所述历史数据集训练Prophet模型；寿命预测单元，配置用于利用所述Prophet模型预测所述SSD达到额定擦写次数所需时间，将所需时间作为所述SSD寿命输出。进一步的，所述模型训练单元包括：训练划分模块，配置用于从历史数据集划分出训练集，所述训练集的擦写次数为SSD额定擦写次数的40％-50％；参数设置模块，配置用于设置Prophet模型的模型参数，所述模型参数包括趋势项变点参数、周期项参数和节假日项参数；模型创建模块，配置用于根据所述模型参数和训练集创建模型y(t)＝g(t)+s(t)+h(t)+εt，其中g(t)表示主机擦写次数整体变化趋，周期项s(t)用于表达主机写入的周期性变化，节假日项h(t)用于表达非规律性的节假日效应，误差项εt用来反映未在模型中体现的异常变动；趋势判断模块，配置用于判断擦写次数变化趋势是否为饱和增长趋势：第一函数模块，配置用于若擦写次数变化趋势为饱和增长趋势，则所述趋势项采用分段逻辑回归函数；第二函数模块，配置用于若擦写次数变化趋势不是饱和增长趋势，则所述趋势项采用分段线性回归函数。第三方面，提供一种终端，包括：处理器、存储器，其中，该存储器用于存储计算机程序，该处理器用于从存储器中调用并运行该计算机程序，使得终端执行上述的终端的方法。第四方面，提供了一种计算机存储介质，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各方面所述的方法。本专利技术的有益效果在于，本专利技术提供的基于Prophet模型的SSD寿命预测方法、系统、终端及存储介质，使用时间序列Prophet模型依据擦写次数随时间的变化序列来估算SSD寿命。通过prophet模型学习用户擦写次数的趋势性、周期性及节假日效应，预测主机写入量达到SSD闪存芯片额定擦写次数的时间节点，即为SSD寿命终点。本专利技术能够准确预测SSD寿命，和现有的公式计算方法相比，能够捕捉用户写入量的趋势项、周期项、节假日效应等，大幅提高SSD寿命预测的准确性。此外，本专利技术设计原理可靠，结构简单，具有非常广泛的应用前景。附图说明为了更清楚地说明本专利技术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，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术一个实施例的方法的示意性流程图。图2是本专利技术一个实施例的方法的示意性流本文档来自技高网...

【技术保护点】
1.一种基于Prophet模型的SSD寿命预测方法，其特征在于，包括：/n根据预设采集周期循环采集SSD的擦写次数并标记时间戳；/n根据擦写次数采集数据的时间戳生成擦写次数采集数据时间序列，并将所述擦写次数采集数据时间序列作为历史数据集；/n利用所述历史数据集训练Prophet模型；/n利用所述Prophet模型预测所述SSD达到额定擦写次数所需时间，将所需时间作为所述SSD寿命输出。/n

【技术特征摘要】
1.一种基于Prophet模型的SSD寿命预测方法，其特征在于，包括：
根据预设采集周期循环采集SSD的擦写次数并标记时间戳；
根据擦写次数采集数据的时间戳生成擦写次数采集数据时间序列，并将所述擦写次数采集数据时间序列作为历史数据集；
利用所述历史数据集训练Prophet模型；
利用所述Prophet模型预测所述SSD达到额定擦写次数所需时间，将所需时间作为所述SSD寿命输出。


2.根据权利要求1所述的方法，其特征在于，所述根据预设采集周期循环采集SSD的擦写次数并标记时间戳，包括：
设置采集周期为1天；
每天在固定时间点SSD内部接口获取所述SSD的当前擦写次数。


3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
设置数据采集时间范围；
采集所述时间范围内的擦写次数采集数据；
利用所述时间范围内的擦写次数采集数据创建测试数据集。


4.根据权利要求1所述的方法，其特征在于，所述利用历史数据集训练Prophet模型，包括：
从历史数据集划分出训练集，所述训练集的擦写次数为SSD额定擦写次数的40％-50％；
设置Prophet模型的模型参数，所述模型参数包括趋势项变点参数、周期项参数和节假日项参数；
根据所述模型参数和训练集创建模型y(t)＝g(t)+s(t)+h(t)+εt，其中g(t)表示主机擦写次数整体变化趋，周期项s(t)用于表达主机写入的周期性变化，节假日项h(t)用于表达非规律性的节假日效应，误差项εt用来反映未在模型中体现的异常变动；
判断擦写次数变化趋势是否为饱和增长趋势：
若是，则所述趋势项采用分段逻辑回归函数；
若否，则所述趋势项采用分段线性回归函数。


5.根据权利要求1或4所述的方法，其特征在于，所述方法还包括：
从所述历史数据集划分出测试集；
选取多个测试集训练出的多个Prophet模型；
将所述测试集输入多个Prophet模型，得到多个预测结果；
分别计算所述多个预测结果与测试集实际结果的差值，将所述差值为Prophet模型绝对误差；
选取所述绝对误差最小...

【专利技术属性】
技术研发人员：曹琪，李强，王团结，
申请(专利权)人：苏州浪潮智能科技有限公司，
类型：发明
国别省市：江苏;32