[发明专利]磁盘故障预测方法、装置、计算机设备及计算机存储介质

说明书

本发明实施例提供了一种磁盘故障预测方法、装置、计算机设备及计算机存储介质，属于数据存储技术领域，本发明磁盘故障预测方法包括：获取磁盘样本多个维度上的数据信息以构造Adaboost算法中弱学习算法可读的训练集；通过Adaboost算法对训练集进行训练，生成强分类器；根据强分类器对待测磁盘进行故障预测。本方法基于adaboost算法，通过不断迭代训练弱分类器来预测磁盘故障发生，能弱化各厂商磁盘SMART阈值带来的差异性，预测准确度高，且该算法实现简单，磁盘预测效率高。

技术领域

本发明涉及数据存储技术领域，更为具体而言，涉及一种磁盘故障的预测方法、装置、计算机设备、计算机存储介质以及存储控制系统。

背景技术

随着计算机及网络技术的不断发展，越来越多的数据相继产生，作为计算机离不开的存储介质—磁盘，也面临着越来越严峻的挑战。由于大量的数据读写操作，磁盘无时无刻不在损耗，虽然目前有RAID(Redundant Array of Independent Disks，独立冗余磁盘阵列)技术或者分布式系统来保障，但磁盘的突发故障依然在很大程度上影响了数据的稳定性。

目前对磁盘故障进行检测的方法基本上是采用对磁盘进行实时监控来实现，通过磁盘的SMART信息确认磁盘是否发生故障。其中，SMART信息包含磁盘底层数据读取错误率、读写通量性能、盘片启动时间等信息。一旦出现某个信息错误，就代表磁盘可能已经存在故障，磁盘数据丢失。因此，实时检测磁盘故障的被动接收监控报警的方式，不能完全保障系统服务和数据的稳定性，同时还是运维人员工作中的一颗隐形炸弹。因此，为了避免数据的丢失，减小运维人员工作负担，需要对磁盘的故障进行预测。

现有对磁盘故障进行预测的模型方法，例如贝叶斯模型、马尔可夫及隐式马尔可夫模型、支持向量机模型、神经网络模型等。在上述算法模型中，贝叶斯模型算法简单，易于实现，但预测准确率只有20％～30％；马尔可夫及隐式马尔可夫模型预测准确率有所提升，能到52％，但仍不算太理想；支持向量机模型和神经网络模型虽然能获得95％的预测准确率，但是算法复杂，需要对大量的样本进行长时间的学习训练，更甚的是有些训练是无效训练，达不到学习的效果，导致预测效率低。

发明内容

本发明实施例的目的提供一种磁盘故障的预测方法、装置、计算机设备、计算机存储介质以及存储控制系统，用以解决现有技术中所存在的上述技术问题。

第一方面，本发明实施例提供了一种磁盘故障预测方法。

具体地，所述方法包括：

获取磁盘样本多个维度上的数据信息以构造Adaboost算法中弱学习算法可读的训练集；

通过Adaboost算法对所述训练集进行训练，生成强分类器；

根据所述强分类器对待测磁盘进行故障预测。

第二方面，本发明实施例提供了一种磁盘故障预测装置。

具体地，所述装置包括：

磁盘样本数据信息获取模块，用于获取磁盘样本多个维度上的数据信息，以构造Adaboost算法中弱学习算法可读的训练集；

强分类器生成模块，用于通过Adaboost算法对所述训练集进行训练，生成强分类器；

磁盘故障预测模块，用于根据所述强分类器对待测磁盘进行故障预测。

第三方面，本发明实施例提供了一种计算机设备。

具体地，所述计算机设备包括：

处理器；以及

用于存放计算机程序的存储器，

其特征在于，所述处理器用于执行所述存储器上所存放的计算机程序，以实现第一方面所述的磁盘故障预测方法