[发明专利]基于SMART信息和深度学习的硬盘损坏预测方法及装置

权利要求书

1.一种基于SMART信息和深度学习的硬盘损坏预测方法，其特征在于，包括如下步骤：

(1)收集不同硬盘在不同时间段的SMART信息数据作为原始样本数据，并从中选取两类训练样本数据，包括静态数据和时间序列数据；所述静态数据包括不同硬盘分别在健康状态下和即将损坏状态下的不同采集时间点的SMART信息数据，所述时间序列数据包括不同硬盘分别在健康状态下和即将损坏状态下的不同采集时间段内的SMART信息数据序列；所述健康状态为距离损坏时间点的时间大于设定的即将损坏天数阈值，即将损坏状态为距离损坏时间点的时间小于设定的即将损坏天数阈值；

(2)对训练样本数据进行筛选，从SMART信息数据中提取与硬盘故障相关的有效参数集，并进行健康和即将损坏类别标注得到标注训练数据；

(3)构建至少一个神经网络模型对标注静态数据进行深度学习，以及构建至少两个神经网络模型对标注时间序列数据进行深度学习，得到相应的优化模型参数的神经网络模型；

(4)根据设定的定时策略获取存储系统中硬盘的SMART信息数据，得到静态预测数据和时间序列预测数据，并提取出有效参数集作为步骤(3)得到的相应神经网络模型的输入，根据神经网络模型的输出结果进行综合判断，得到相应硬盘是否即将损坏的预测结果；具体判断方法为：

若根据用于预测静态数据的神经网络模型得到的结果是健康，则：若所有用于预测时间序列数据的神经网络模型得到的结果全是即将损坏，且预测的概率都大于设定的阈值，则认为即将损坏，其它情况认为不会即将损坏；

若根据用于预测静态数据的神经网络模型的输出结果判断是即将损坏，则：若存在一个用于预测时间序列数据的神经网络模型结果中为即将损坏，且其预测的概率大于设定的阈值，则认为即将损坏，其它情况认为不会即将损坏。

2.根据权利要求1所述的基于SMART信息和深度学习的硬盘损坏预测方法，其特征在于，步骤(2)中提取的与硬盘故障相关的有效参数集包括硬盘基本信息、寻道信息、计数信息和错误信息。

3.根据权利要求1所述的基于SMART信息和深度学习的硬盘损坏预测方法，其特征在于，步骤(3)中分别构建一个神经网络模型对标注静态数据进行深度学习，构建两个不同神经网络模型对标注时间序列数据进行深度学习；所构建的神经网络模型类型包括卷积神经网络模型CNN、循环神经网络模型RNN和长短期记忆网络模型LSTM中的一种或多种。

4.一种基于SMART信息和深度学习的硬盘损坏预测装置，其特征在于，包括：

样本收集模块，用于收集不同硬盘在不同时间段的SMART信息数据作为原始样本数据，并从中选取两类训练样本数据，包括静态数据和时间序列数据；所述静态数据包括不同硬盘分别在健康状态下和即将损坏状态下的不同采集时间点的SMART信息数据，所述时间序列数据包括不同硬盘分别在健康状态下和即将损坏状态下的不同采集时间段内的SMART信息数据序列；所述健康状态为距离损坏时间点的时间大于设定的即将损坏天数阈值，即将损坏状态为距离损坏时间点的时间小于设定的即将损坏天数阈值；

预处理模块，用于对训练样本数据进行筛选，从SMART信息数据中提取与硬盘故障相关的有效参数集，并进行健康和即将损坏类别标注得到标注训练数据；

训练模块，用于构建至少一个神经网络模型对标注静态数据进行深度学习，以及构建至少两个神经网络模型对标注时间序列数据进行深度学习，得到相应的优化模型参数的神经网络模型；

以及，预测模块，用于根据设定的定时策略获取存储系统中硬盘的SMART信息数据，得到静态预测数据和时间序列预测数据，并提取出有效参数集作为训练模块得到的相应神经网络模型的输入，根据神经网络模型的输出结果进行综合判断，得到相应硬盘是否即将损坏的预测结果；具体判断方法为：

若根据用于预测静态数据的神经网络模型得到的结果是健康，则：若所有用于预测时间序列数据的神经网络模型得到的结果全是即将损坏，且预测的概率都大于设定的阈值，则认为即将损坏，其它情况认为不会即将损坏；

若根据用于预测静态数据的神经网络模型的输出结果判断是即将损坏，则：若存在一个用于预测时间序列数据的神经网络模型结果中为即将损坏，且其预测的概率大于设定的阈值，则认为即将损坏，其它情况认为不会即将损坏。