[发明专利]存储系统故障预测方法和装置

权利要求书

1.一种存储系统故障预测方法，其特征在于，包括：

收集系统内不同故障类型的故障信息；

对各个故障类型的故障信息分别进行预处理，获取各故障类型下的子故障类型和各子故障类型对应的故障发生的时间序列；

预测所述子故障类型对应的故障的下一次发生时间。

2.根据权利要求1所述的存储系统故障预测方法，其特征在于，所述故障类型包括处理器（CPU）故障、内存故障、文件访问故障、网卡流量故障和主机硬件故障。

3.根据权利要求1所述的存储系统故障预测方法，其特征在于，对各个故障类型的故障信息分别进行预处理，获取各故障类型下的子故障类型和各子故障类型对应的故障发生的时间序列包括：

获取各故障类型的聚类信息，所述聚类信息包括相关系数、最大值、最小值、中间值、平均值、出现频率最高的值和标准差；

分别对各故障类型的聚类特征使用K－MEANS聚类算法进行聚类，将每个故障类型细化成多个具有相似聚类特征的子故障类型；

获取各子故障类型中故障发生的时间序列。

4.根据权利要求3所述的存储系统故障预测方法，其特征在于，所述预测所述子故障类型对应的故障的下一次发生时间具体为：

构建ARIMA模型；

检测所述ARIMA模型的有效性；

在所述ARIMA模型有效时，使用子故障类型中故障发生的时间序列作为输入，预测下一次所述子故障类型对应的故障发生的时间。

5.根据权利要求4所述的存储系统故障预测方法，其特征在于，所述使用子故障类型中故障发生的时间序列作为输入，预测下一次所述子故障类型对应的故障发生的时间包括：

从所述时间序列中提取当前时刻的前p个数据点代入所述ARIMA模型，预测出下q个时刻的故障值及其置信区间，其中p>q>0。

6.根据权利要求4所述的存储系统故障预测方法，其特征在于，所述检测所述ARIMA模型的有效性的步骤之后，还包括：

在所述ARIMA模型无效时，重新估计该ARIMA模型的参数。

7.根据权利要求5所述的存储系统故障预测方法，其特征在于，所述预测所述子故障类型对应的故障的下一次发生时间的步骤之后，还包括：

验证当前时刻的实际故障值是否偏离所述置信区间；

在所述当前的实际故障值偏离所述置信区间时，判定故障异常，通过邮件日志、系统日志、短信通知进行故障报警，并进行故障数据处理。

8.根据权利要求5所述的存储系统故障预测方法，其特征在于，所述预测所述子故障类型对应的故障的下一次发生时间的步骤之后，还包括：

验证当前时刻的实际故障值是否偏离所述置信区间；

在所述当前的实际故障值位于所述置信区间时，判断当前时间的实际故障值与前一时刻的实际故障值之差的绝对值是否大于模型临界值；

在所述绝对值大于所述模型临界值时，启动所述ARIMA模式的再学习，修改所述ARIMA模型的模型参数。

9.根据权利要求8所述的存储系统故障预测方法，其特征在于，所述判断当前时间的实际故障值与前一时刻的实际故障值之差的绝对值是否大于模型临界值的步骤之后，还包括：

在所述绝对值不大于所述模型临界值时，时刻比较变量进行加1操作，并判断其值是否等于p；

在所述时刻比较变量的值超过p时，将所述时刻比较变量恢复为初始值。

10.一种存储系统故障预测装置，其特征在于，包括：

数据收集模块，用于收集系统内不同故障类型的故障信息；

数据聚类模块，用于对各个故障类型的故障信息分别进行预处理，获取各故障类型下的子故障类型和各子故障类型对应的故障发生的时间序列；

数据预测模块，用于预测所述子故障类型对应的故障的下一次发生时间。