[发明专利]一种基于循环神经网络的云存储系统磁盘故障预测方法

摘要

一种基于循环神经网络的云存储系统磁盘故障预测方法，适用于解决基于磁盘SMART属性预测磁盘故障问题。本发明的方法包括：1、设定网络结构：包括输入层、隐含层、健康度层和输出层；2、前向计算：将SMART属性、上一时刻隐含层和输出层作为输入，计算迁移率或误迁移率；3、反向计算：若磁盘生命期未结束，将健康度层误差向隐含层和输入层反馈，反之计算输出层的反馈；4、模型迭代：迭代至收敛，输出权重矩阵；5、模型测试：读入权重矩阵，计算迁移率和误迁移率数值，统计准确率、误报率和提前预测时间。本发明能够有效提高递归神经网络在迁移率和误迁移率上的性能表现，同时在准确率等指标上取得性能提升，更有利于数据迁移和保护。

主权项

1.一种基于循环神经网络的云存储系统磁盘故障预测方法，其特征在于，包括以下步骤：/n步骤1，设定网络结构，包括输入层、隐含层、健康度层和输出层四层，初始化网络；/n步骤2，前向计算时，对每条SMART记录，将SMART属性、上一时刻隐含层和输出层节点值作为输入，根据层与层之间的权重矩阵，计算隐含层和健康度层节点值，选取隐含层中数值最大的节点，根据其对应的健康度区间和预定义好的迁移速率计算迁移率或误迁移率数值；/n步骤3，反向计算时，对同一磁盘，若磁盘生命期未结束，对每条SMART记录，将健康度层的误差向隐含层和输入层反馈，更新权重矩阵，用隐含层和输出层节点值代替隐含层作为下一时刻输入，反之，计算输出层到健康度层、隐含层和输入层的反馈，并将输出层节点值清零；/n步骤4，全部磁盘数据计算结束，完成一次迭代，重复迭代多次至网络收敛，训练结束，输出当前层与层之间权重矩阵数值；/n步骤5，测试时，读入训练得到的权重矩阵，初始化网络，前向计算迁移率和误迁移率数值，同时可统计准确率、误报率和故障提前预测时间等指标。/n