模型生成方法、故障预测方法、装置、设备、介质及产品制造方法及图纸

技术编号:42787682 阅读:18 留言:0更新日期:2024-09-21 00:45
本申请公开了一种模型生成方法、故障预测方法、装置、设备、介质及产品,属于存储技术领域。包括:采集样本存储单元在多个连续编程擦除周期分别对应的单元状态参数集合;基于单元状态参数集合对应的编程擦除周期的时间顺序,拼接单元状态参数集合,生成样本特征序列;将样本特征序列输入时间序列预测模型,得到时间序列预测模型输出的目标结果;根据目标结果和样本存储单元对应的故障标签值计算目标损失值,基于目标损失值调整时间序列预测模型的模型参数,得到目标神经网络模型。能够生成具有时间连续性的样本特征序列,时间序列预测模型能够提取存储单元状态变化的时序特征,提升了目标神经网络模型对存储单元进行故障预测的准确性。

【技术实现步骤摘要】

本申请属于存储,具体涉及一种模型生成方法、故障预测方法、装置、设备、介质及产品


技术介绍

1、随着计算机技术的迅速发展,数据的重要性正与日俱增,越来越多的数据产生伴随着越来越多的存储器投入使用,然而存储器都存在寿命,在存储器发生故障会对数据安全产生较大威胁,因此如何对存储单元进行故障预测较为重要。

2、相关技术中,通常会在存储单元运行过程中,采集时间切片上存储单元的状态参数,将状态参数输入预先设定好的条件模型、神经网络模型等故障预测模型,判断存储单元是否存在潜在故障。例如,根据存储单元的历史累计写入量,判断存储器的故障概率,历史累计写入量越高,则判定其故障概率越高。

3、但是,由于不同存储单元的体质、工作条件等不尽相同,导致采用上述故障检测方式对存储单元进行故障预测时准确率较差。


技术实现思路

1、本申请实施例的目的是提供一种模型生成方法、故障预测方法、装置、设备、介质及产品,能够解决相关技术中对存储单元进行故障预测时准确率较差的问题。

2、第一方面,本申请实施例提供了一本文档来自技高网...

【技术保护点】

1.一种模型生成方法,其特征在于,所述方法包括:

2.根据权利要求1所述的方法,其特征在于,所述方法还包括:

3.根据权利要求1所述的方法,其特征在于,所述单元状态参数集合包括第一状态参数和第二状态参数,所述基于所述单元状态参数集合对应的编程擦除周期的时间顺序,拼接所述单元状态参数集合,生成样本特征序列,包括:

4.根据权利要求3所述的方法,其特征在于,所述拼接所述第一归一化结果和所述第二归一化结果,得到所述编程擦除周期对应的时间步特征,包括:

5.根据权利要求1所述的方法,其特征在于,所述时间序列预测模型包括特征升维层和时间序列预测网络层...

【技术特征摘要】

1.一种模型生成方法,其特征在于,所述方法包括:

2.根据权利要求1所述的方法,其特征在于,所述方法还包括:

3.根据权利要求1所述的方法,其特征在于,所述单元状态参数集合包括第一状态参数和第二状态参数,所述基于所述单元状态参数集合对应的编程擦除周期的时间顺序,拼接所述单元状态参数集合,生成样本特征序列,包括:

4.根据权利要求3所述的方法,其特征在于,所述拼接所述第一归一化结果和所述第二归一化结果,得到所述编程擦除周期对应的时间步特征,包括:

5.根据权利要求1所述的方法,其特征在于,所述时间序列预测模型包括特征升维层和时间序列预测网络层,所述特征升维层用于提升所述样本特征序列的特征维度,输出所述样本特征序列对应的高维特征序列;所述时间序列预测网络层用于根据所述高维特征序列输出所述目标结果;其中,所述高维特征序列的特征维度大于所述样本特征序列的特征维度。

6.根据权利要求5所述的方法,其特征在于,所述特征升维层基于卷积神经网络构建,和/或,所述时间序列预测网络层基于长短期记忆网络构建。

7.根据权利要求6所述的方法,其特征在于,所述卷积神经网络包含多个隐含层,所述隐含层由第一数量的一维卷积核构成,所述多个隐含层用于对所述样本特征序列进行特征升维,并输出特征维度为所述第一数量的所述高维特征序列。

8.根据权利要求6所述的方法,其特征在于,所述时间序列预测网络层包括多层长短期记忆网络,所述长短期记忆网络包括多个元胞,所述元胞由遗忘门、输入门和输出门构成。

9.根据权利要求1所述的方法,其特征在于,所述目标结果包括目标数量的待预测编程擦除周期分别对应的故障子概率。

10.根据权利要求9所述的方法,其特征在于,所述时间序列预测模型包括由归一化层以及...

【专利技术属性】
技术研发人员:侯皓雄赵龙曹成王璞
申请(专利权)人:山东云海国创云计算装备产业创新中心有限公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1