存储装置的故障预测方法和装置制造方法及图纸

提供了一种存储装置的故障预测方法和装置。所述存储装置的故障预测方法包括：获取存储设备的多个存储装置工作运行中的多个属性的属性信息；基于在当前时刻前的第一时间窗口内获取的所述多个属性的属性信息，获得所述所述多个存储装置中的每个存储装置的全局属性信息；基于在当前时刻前的第二时间窗口内获取的所述每个存储装置的所述多个属性的属性信息以及所述每个存储装置的全局属性信息，利用已训练的机器学习模型对所述存储设备的多个存储装置的故障进行预测，其中，第一时间窗口的持续时间大于所述第二时间窗口的持续时间。的持续时间大于所述第二时间窗口的持续时间。的持续时间大于所述第二时间窗口的持续时间。

【技术实现步骤摘要】
存储装置的故障预测方法和装置


[0001]本申请涉及数据存储
，更具体地，涉及一种存储装置的故障预测方法和装置。

技术介绍

[0002]随着数据存储技术的发展，固态驱动器(Solid State Drive，SSD)被广泛应用于例如数据中心等存储系统中。由于SSD故障可导致数据中心停机甚至数据的永久丢失，因此，主动提前预测出将要发生故障的SSD以便在将要发生故障的SSD发生故障前将这样的SSD替换，可最大限度的降低SSD故障对数据中心的影响。
[0003]现有的SSD故障预测方法主要基于最近获取的SSD的单条或者多条自我监控分析和报告技术(Self
‑
Monitoring Analysis and Reporting Technology，SMART)数据来预测SSD的故障。然而，由于一些将来发生的故障仅能由长期SMART数据的变化趋势和分布反映，因此，现有的基于短期内的SMART数据来预测SSD的故障的方法无法预测这样的故障，从而导致SSD的故障的预测准确率不高。
[0004]因此，如何有效提高SSD的故障预测准确率是亟待解决的问题。

技术实现思路

[0005]本专利技术的目的在于提供一种存储装置的故障预测方法和装置，所述存储装置的故障预测方法和装置能够提高存储装置的故障预测准确率，从而更好地保护数据安全。
[0006]根据本专利技术的示例性实施例的一方面，提供一种存储装置的故障预测方法，包括：获取存储设备的多个存储装置工作运行中的多个属性的属性信息；基于在当前时刻前的第一时间窗口内获取的所述多个属性的属性信息，获得所述多个存储装置中的每个存储装置的全局属性信息，所述全局属性信息包括以下中的至少一项：所述每个存储装置的所述多个属性中的每项属性的属性信息的分布特征，所述每个存储装置的每项属性的属性信息的趋势特征和主机属性信息，其中，主机属性信息由第一时间窗口内获取的所述多个存储装置的所述多个属性的属性信息的统计信息指示；基于在当前时刻前的第二时间窗口内获取的所述每个存储装置的所述多个属性的属性信息以及所述每个存储装置的全局属性信息，利用已训练的机器学习模型对所述存储设备的多个存储装置的故障进行预测，其中，第一时间窗口的持续时间大于所述第二时间窗口的持续时间。
[0007]根据本公开的实施例，由于基于短时间窗口内获取的存储装置的属性信息和长时间窗口内获取的存储装置的属性信息来预测存储装置的故障，因此，由存储装置的短期属性信息和长期属性信息反映的将来可能出现的故障均可被预测，从而提高了存储装置的故障预测准确率以更好地保护数据存储安全。
[0008]可选地，所述每项属性的属性信息的分布特征包括：所述每项属性的属性信息的直方图特征；所述每项属性的属性信息的趋势特征包括：所述每项属性的属性信息的统计特征；所述多个存储装置的每项属性的属性信息对应的统计信息由以下项中的至少一个表
示：所述多个存储装置的所述每项属性的属性信息的平均值、所述多个存储装置的所述多个属性中的每项属性的属性信息的分布特征的平均值和所述多个存储装置的每项属性的属性信息的趋势特征的平均值。
[0009]根据本公开的实施例，利用存储装置的全局属性信息来预测存储装置的故障，可以有效预测由存储装置的属性信息的分布特征和/或属性信息的趋势特征才能反映的故障。
[0010]可选地，所述多个存储装置工作运行中的所述多个属性的属性信息包括所述多个存储装置中的每个存储装置的SMART信息；和/或所述多个存储装置中的每个存储装置的RAM相关的信息、所述多个存储装置中的每个存储装置的性能统计信息。
[0011]根据本公开的实施例，由于一些故障仅通过SMART信息无法被反映，因此，基于SMART信息以及存储装置的其它属性信息可以预测更多可能出现的故障。
[0012]可选地，所述基于在当前时刻前的第二时间窗口内获取的所述每个存储装置的所述多个属性的属性信息以及所述每个存储装置的全局属性信息，利用已训练的机器学习模型对所述存储设备的多个存储装置的故障进行预测的步骤包括：将在第二时间窗口内获取的所述每个存储装置的所述多个属性的属性信息输入所述已训练的机器学习模型的局部预测模块，获得所述每个存储装置的局部故障预测信息；将所述每个存储装置的全局属性信息输入所述已训练的机器学习模型的全局预测模块，获得所述每个存储装置的全局故障预测信息；将所述每个存储装置的局部故障预测信息和全局故障预测信息输入所述已训练的机器学习模型的决策模块，输出所述每个存储装置的以下故障信息中的至少一个：所述每个存储装置是否将发生故障；所述每个存储装置的将发生的故障的类型；所述每个存储装置的剩余寿命。
[0013]根据本公开的实施例，基于存储装置的局部故障预测信息以及全局故障预测信息来输出存储装置的故障信息，可预测由短期属性信息反映的故障以及长期属性信息反映的故障，从而提高故障预测准确率。
[0014]可选地，所述局部预测模块、所述全局预测模块和所述决策模块中的每一个为以下模块的任一个：随机森林RF；卷积神经网络CNN；长短记忆网络LSTM；循环神经网络RNN。
[0015]根据本专利技术的示例性实施例的另一方面，提供一种存储装置的故障预测装置，包括：第一获取单元，被配置为获取存储设备的多个存储装置工作运行中的多个属性的属性信息；第二获取单元，被配置为基于在当前时刻前的第一时间窗口内获取的所述多个属性的属性信息，获得所述多个存储装置中的每个存储装置的全局属性信息，所述全局属性信息包括以下中的至少一项：所述每个存储装置的所述多个属性中的每项属性的属性信息的分布特征，所述每个存储装置的每项属性的属性信息的趋势特征和主机属性信息，其中，主机属性信息由第一时间窗口内获取的所述多个存储装置的所述多个属性的属性信息的统计信息指示；预测单元，被配置为基于在当前时刻前的第二时间窗口内获取的所述每个存储装置的所述多个属性的属性信息以及所述每个存储装置的全局属性信息，利用已训练的机器学习模型对所述存储设备的多个存储装置的故障进行预测，其中，第一时间窗口的持续时间大于所述第二时间窗口的持续时间。
[0016]可选地，所述每项属性的属性信息的分布特征包括：所述每项属性的属性信息的直方图特征；所述每项属性的属性信息的趋势特征包括：所述每项属性的属性信息的统计
特征；所述多个存储装置的每项属性的属性信息对应的统计信息由以下项中的至少一个表示：所述多个存储装置的所述每项属性的属性信息的平均值、所述多个存储装置的所述多个属性中的每项属性的属性信息的分布特征的平均值和所述多个存储装置的每项属性的属性信息的趋势特征的平均值。
[0017]可选地，所述多个存储装置工作运行中的所述多个属性的属性信息包括所述多个存储装置中的每个存储装置的SMART信息；和/或所述多个存储装置中的每个存储装置的RAM相关的信息、所述多个存储装置中的每个存储装置的性能统计信息。
[0018]可选地，所述故障预测单元被配置为：将在第二时间窗口内获取的所述每本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种存储装置的故障预测方法，包括：获取存储设备的多个存储装置工作运行中的多个属性的属性信息；基于在当前时刻前的第一时间窗口内获取的所述多个属性的属性信息，获得所述多个存储装置中的每个存储装置的全局属性信息，所述全局属性信息包括以下中的至少一项：所述每个存储装置的所述多个属性中的每项属性的属性信息的分布特征，所述每个存储装置的每项属性的属性信息的趋势特征和主机属性信息，其中，主机属性信息由第一时间窗口内获取的所述多个存储装置的所述多个属性的属性信息的统计信息指示；基于在当前时刻前的第二时间窗口内获取的所述每个存储装置的所述多个属性的属性信息以及所述每个存储装置的全局属性信息，利用已训练的机器学习模型对所述存储设备的多个存储装置的故障进行预测，其中，第一时间窗口的持续时间大于所述第二时间窗口的持续时间。2.如权利要求1所述的方法，其中，所述每项属性的属性信息的分布特征包括：所述每项属性的属性信息的直方图特征；所述每项属性的属性信息的趋势特征包括：所述每项属性的属性信息的统计特征；所述多个存储装置的每项属性的属性信息对应的统计信息由以下项中的至少一个表示：所述多个存储装置的所述每项属性的属性信息的平均值、所述多个存储装置的所述多个属性中的每项属性的属性信息的分布特征的平均值和所述多个存储装置的每项属性的属性信息的趋势特征的平均值。3.如权利要求1所述的方法，其中，所述多个存储装置工作运行中的所述多个属性的属性信息包括所述多个存储装置中的每个存储装置的SMART信息；和/或所述多个存储装置中的每个存储装置的RAM相关的信息、所述多个存储装置中的每个存储装置的性能统计信息。4.如权利要求1所述的方法，其中，所述基于在当前时刻前的第二时间窗口内获取的所述每个存储装置的所述多个属性的属性信息以及所述每个存储装置的全局属性信息，利用已训练的机器学习模型对所述存储设备的多个存储装置的故障进行预测的步骤包括：将在第二时间窗口内获取的所述每个存储装置的所述多个属性的属性信息输入所述已训练的机器学习模型的局部预测模块，获得所述每个存储装置的局部故障预测信息；将所述每个存储装置的全局属性信息输入所述已训练的机器学习模型的全局预测模块，获得所述每个存储装置的全局故障预测信息；将所述每个存储装置的局部故障预测信息和全局故障预测信息输入所述已训练的机器学习模型的决策模块，输出所述每个存储装置的以下故障信息中的至少一个：所述每个存储装置是否将发生故障；所述每个存储装置的将发生的故障的类型；所述每个存储装置的剩余寿命。5.如权...

【专利技术属性】
技术研发人员：郝雯雯，张宇奇，权勇雄，高灿奎，
申请(专利权)人：三星电子株式会社，
类型：发明
国别省市：