[发明专利]一种小样本硬盘故障数据生成方法、存储介质及计算设备

权利要求书

1.一种小样本硬盘故障数据生成方法，其特征在于，包括以下步骤：

S1、基于长短期记忆网络作为生成对抗网络的生成网络，对硬盘SMART数据进行学习，对长短期记忆网络的梯度进行调整并生成用于对抗训练的虚拟硬盘故障数据；

S2、对步骤S1生成的虚拟硬盘故障数据进行甄别，将真实的硬盘故障数据作为训练样本数据集，训练样本数据集中70％的数据用于训练数据生成模型，训练样本数据集中30％的数据用于验证数据生成模型；交替计算生成对抗网络中生成网络G和判别网络D的梯度并调整至收敛，完成小样本硬盘故障数据训练，训练完成后，加载模型中的生成网络G，将初始随机向量传给生成网络G，生成网络G生成虚拟硬盘故障数据。

2.根据权利要求1所述的方法，其特征在于，步骤S1中，硬盘SMART数据按照对应的最大值进行标准化处理，范围为-1到1，硬盘SMART数据包括raw read error rate，spin uptime，reallocated sectors count，seek error rate，power on hours，reporteduncorrectable errors，high fly writes，temperature，hardware ECC recovered，current pending sector count，uncorrectable sector count。

3.根据权利要求1所述的方法，其特征在于，步骤S1中，对长短期记忆网络梯度进行调整具体为：

在LSTM网络一次完整的前向计算与反向传播过程中，计算网络的梯度Tg，并与实际的硬盘数据标签比较计算损失函数，采用Adam方法最小化损失函数；随后将初始随机向量传给LSTM网络，LSTM网络捕捉训练数据的分布特征并生成虚拟硬盘故障数据。

4.根据权利要求3所述的方法，其特征在于，用交叉熵损失函数计算生成网络G和判别网络D输出值的损失，网络梯度Tg为：

损失函数L为：

L＝CrossEntropyLoss(G(z)，label)

其中，G(z)为生成的数据，CrossEntropyLoss为交叉熵损失函数，label为标签，为生成网络G的参数的梯度，m为样本数量，log(1-D(G(Zⁱ)))为交叉熵。

5.根据权利要求3所述的方法，其特征在于，长短期记忆网络包括两层网络，第一层为LSTM层，输入层单元数量为14，两层隐层，每层单元数量为50，输出层单元数量为14；第二层为线性网络层，输入层单元数量为14，输出层单元数量为1，激活函数为tanh，batch size为128。

6.根据权利要求1所述的方法，其特征在于，步骤S2中，对生成网络G和判别网络D进行对抗训练，在最大化判别网络D输出的同时最小化生成网络G的输出，通过交替迭代，极小极大问题在P_g＝P_data处获得全局最优，损失函数收敛，生成对抗网络达到纳什均衡，x是真实数据，分布为p_x；如果x～P_x，则D(x)＝1；如果x～P_g，则D(x)＝0；训练判别网络D以使对真实数据x和生成数据G(z)分配正确标签的概率最大。

7.根据权利要求6所述的方法，其特征在于，对生成网络G和判别网络D进行对抗训练，训练内容为：

其中，z是随机向量，为x来自真实故障数据分布的期望，为x来自虚拟故障数据分布的期望。

8.根据权利要求6所述的方法，其特征在于，判别网络D的梯度Td为：

其中，为判别网络D的参数的梯度，logD(x⁽ⁱ⁾)为生成网络D的输出值，log(1-D(G(Zⁱ)))为KL散度。