【技术实现步骤摘要】
本专利技术涉及机器学习，具体而言，涉及一种基于磁盘信息的状态预测系统及方法。
技术介绍
1、云计算和互联网服务高速发展的大背景下。中心和边缘的概念不断突出，大量的it资源高度聚集在超大型的数据中心，而对于云服务提供商和互联网提供商这些大型数据的拥有者来说，数据的维护尤为重要，既要保证数据的安全、又要保证数据能够平稳地运行。
2、对于传统的磁盘维护方式，通常会是在出现坏盘之后对其进行更换，这种方式在少量磁盘的维护中可能有一定的作用，但是在大量磁盘的维护中可能非常低效，而且坏盘后数据可能会丢失，造成不可估量的损失。
3、因此，如何通过对磁盘状态进行预测，避免在坏盘后进行磁盘更换，以降低磁盘维护成本成为技术发展的新趋势。
技术实现思路
1、鉴于此，本专利技术提出了一种基于磁盘信息的状态预测系统及方法，主要是为了解决如何通过对磁盘状态进行预测，避免在坏盘后进行磁盘更换，以降低磁盘维护成本的问题。
2、一个方面，本专利技术提出了一种基于磁盘信息的状态预测系统，该系统包括：
3、数据采集单元，用于在预先确定的训练磁盘信息采集范围内采集训练磁盘的smart指标数据；
4、模型训练单元，用于根据训练磁盘的smart指标数据训练磁盘状态预测模型，通过磁盘状态预测模型预测待测磁盘的磁盘状态值；
5、状态预测单元，用于预先设定磁盘状态阈值，根据所述磁盘状态值与磁盘状态阈值之间的关系判断所述待测磁盘是否需要更换。
6、在本
7、任务下发模块，用于发布采集指令；
8、任务执行模块，用于根据所述采集指令编辑采集脚本通过ansible playbook自动运维工具采集预设范围内磁盘的smart指标数据。
9、在本申请的一些实施例中，在模型训练单元用于根据训练磁盘的smart指标数据训练磁盘状态预测模型时，包括：
10、将训练磁盘的smart指标数据进行数据预处理；
11、所述数据预处理为将训练磁盘的smart指标数据进行归一化处理。
12、在本申请的一些实施例中，在将训练磁盘的smart指标数据进行数据预处理后，还包括：
13、基于数据预处理后的训练磁盘的smart指标数据并采用libsvm算法对预测模型进行预训练，得到第一预测模型。
14、在本申请的一些实施例中，在采用libsvm算法对预测模型进行预训练时，包括：
15、根据数据预处理后的训练磁盘的smart指标数据选取预训练指标数据；
16、预训练指标为r-reallocated sector count raw当前由于扇区损坏而重新映射的后背扇区数量和c-current pending sector count raw当前等待重映射扇区数量；
17、所述预训练指标数据为故障磁盘出现故障前48小时内的所述预训练指标的数据和健康磁盘48小时内的所述预训练指标的数据。
18、在本申请的一些实施例中，在采用libsvm算法对所述第一预测模型进行预训练时，包括：
19、预先设定r+c的预训练阈值x；
20、当r+c≥x时，则所述第一预测模型不合格重新进行预训练指标数据选取；
21、当r+c＜x时，则所述第一预测模型合格输出所述第二预测模型，将所述第二预测模型作为磁盘状态预测模型。
22、在本申请的一些实施例中，在将所述第二预测模型作为磁盘状态预测模型后，包括：
23、获取待测磁盘的待测smart指标数据；
24、将所述待测smart指标数据进行预处理后输入所述磁盘状态预测模型；
25、通过所述磁盘状态预测模型输出磁盘状态值f(t)，计算公式如下：
26、
27、其中，s为磁盘出厂时的初始状态值，ci为磁盘状态每日变化量，i为磁盘的标号，t为时间天数；
28、预先设定磁盘状态阈值m；
29、当f(t)≥m时，则判断所述待测磁盘需要更换；
30、当f(t)＜m时，则判断所述待测磁盘不需要更换。
31、另一方面，本专利技术提出了一种基于磁盘信息的状态预测方法，该方法包括：
32、预先确定的训练磁盘信息采集范围；
33、在预先确定的训练磁盘信息采集范围内采集训练磁盘的smart指标数据；
34、根据训练磁盘的smart指标数据训练磁盘状态预测模型，通过磁盘状态预测模型预测待测磁盘的磁盘状态值；
35、预先设定磁盘状态阈值，根据所述磁盘状态值与磁盘状态阈值之间的关系判断所述待测磁盘是否需要更换。
36、与现有技术相比，本专利技术存在以下有益效果：本专利技术首先通过数据采集单元负责在预定的训练磁盘信息采集范围内收集训练磁盘的smart指标数据，通过模型训练单元利用收集到的训练磁盘的smart指标数据来训练磁盘状态预测模型，训练后的磁盘状态预测模型将能够预测待测磁盘的磁盘状态值，通过状态预测单元根据磁盘状态预测模型预测待测磁盘的磁盘状态值，以确定磁盘的健康状态，预先设定磁盘状态阈值，用于判断磁盘的状态是否已经超出可接受范围，根据磁盘状态预测值与磁盘状态阈值之间的关系，判断是否需要更换待测磁盘，如果预测的磁盘状态值超出磁盘状态阈值表明磁盘存在风险或问题，建议更换该磁盘，可以帮助预防磁盘故障，减少数据丢失的风险。
本文档来自技高网...【技术保护点】
1.一种基于磁盘信息的状态预测系统，其特征在于，包括：
2.根据权利要求1所述的基于磁盘信息的状态预测系统，其特征在于，在数据采集单元用于在预先确定的训练磁盘信息采集范围内采集训练磁盘的smart指标数据时，包括：
3.根据权利要求2所述的基于磁盘信息的状态预测系统，其特征在于，在模型训练单元用于根据训练磁盘的smart指标数据训练磁盘状态预测模型时，包括：
4.根据权利要求3所述的基于磁盘信息的状态预测系统，其特征在于，在将训练磁盘的smart指标数据进行数据预处理后，还包括：
5.根据权利要求4所述的基于磁盘信息的状态预测系统，其特征在于，在采用LIBSVM算法对预测模型进行预训练时，包括：
6.根据权利要求5所述的基于磁盘信息的状态预测系统，其特征在于，所述预训练指标数据为故障磁盘出现故障前48小时内的所述预训练指标的数据和健康磁盘48小时内的所述预训练指标的数据。
7.根据权利要求6所述的基于磁盘信息的状态预测系统，其特征在于，在采用LIBSVM算法对所述第一预测模型进行预训练时，包括：
9.根据权利要求8所述的基于磁盘信息的状态预测系统，其特征在于，在将所述待测smart指标数据进行预处理后输入所述磁盘状态预测模型后，包括：
10.一种基于磁盘信息的状态预测方法，其特征在于，应用于如权利要求1-9任一项所述的基于磁盘信息的状态预测系统中，包括：
...【技术特征摘要】
1.一种基于磁盘信息的状态预测系统，其特征在于，包括：
2.根据权利要求1所述的基于磁盘信息的状态预测系统，其特征在于，在数据采集单元用于在预先确定的训练磁盘信息采集范围内采集训练磁盘的smart指标数据时，包括：
3.根据权利要求2所述的基于磁盘信息的状态预测系统，其特征在于，在模型训练单元用于根据训练磁盘的smart指标数据训练磁盘状态预测模型时，包括：
4.根据权利要求3所述的基于磁盘信息的状态预测系统，其特征在于，在将训练磁盘的smart指标数据进行数据预处理后，还包括：
5.根据权利要求4所述的基于磁盘信息的状态预测系统，其特征在于，在采用libsvm算法对预测模型进行预训练时，包括：
6.根据权利要求5所述的基于磁盘信...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。