[发明专利]一种故障预测方法、装置、设备及机器可读介质

说明书

本发明提供一种故障预测方法、装置、设备及机器可读介质，该方法包括获取监测对象的包括累积类监测特征数据和实时状态类监测特征数据的监测数据，根据累积类监测特征数据和实时状态类监测特征数据分别获取该监测对象的预设时间窗口的相对变化量、当前异常情况，基于预设时间窗口的相对变化量和当前异常情况生成监测对象的故障预测结果；本发明还提供了一种故障预测装置、设备及机器可读介质，达到了针对于工业级大规模生产环境下的硬盘的故障预测泛化性能高、判断准确、资源消耗少的效果。

技术领域

本发明涉及计算机技术领域，特别是涉及一种故障预测方法、装置、设备及机器可读介质。

背景技术

现如今，互联网迅速发展，网络服务数量骤增，大规模海量数据存储系统是必不可少的支持。虽然市面上已有最新的存储介质例如SSD，在读性能等很多方面性能优于磁盘，但其高昂的花费使大部分数据中心难以负担。因此，大型数据中心依然采用传统的以磁盘为主的存储系统。这样做采购成本上虽然有了节省，但磁盘频繁损坏导致的数据丢失给企业带来的损失也是不可忽视的重大问题。

在大规模数据中心中，硬盘的使用规模或可达到百万级别，若发生硬盘故障，将可能影响服务器甚至整个IT基础设施的稳定性、可靠性。由于生产环境的多样性，硬盘故障种类繁多，相关技术中对工业级大规模生产环境下的硬盘进行故障预测往往需要消耗巨额的计算资源、存在泛化性能差，判断不准确的问题。

发明内容

针对于以上所述相关技术的缺点，本发明的目的在于提供一种故障预测方法、装置、设备及机器可读介质，用于解决针对于工业级大规模生产环境下的硬盘的故障预测存在计算资源消耗大、泛化性能差，判断不准确的问题。

为实现上述目的及其他相关目的，本发明提供一种故障预测方法，包括：

获取监测对象的监测数据，所述监测数据包括累积类监测特征数据、实时状态类监测特征数据；

根据所述累积类监测特征数据、实时状态类监测特征数据，分别获取所述监测对象的预设时间窗口的相对变化量、当前异常情况；

基于所述预设时间窗口的相对变化量和当前异常情况,生成所述监测对象的故障预测结果。

可选的，所述根据所述累积类监测特征数据获取所述监测对象的在预设时间窗口的相对变化量包括：对累积类监测特征数据进行差分处理以获取差分结果，对预设时间窗口内的所述差分结果进行指数加权滑动平均处理以获取预设时间窗口的指数加权滑动平均值；

所述根据所述实时状态类监测特征数据获取所述监测对象的当前异常情况包括：根据当前实时状态类监测特征数据和第一预设模型确定当前异常得分；

根据所述指数加权滑动平均值、所述当前异常得分，生成所述监测对象的故障预测结果。

可选的，所述当前实时状态类监测特征数据包括在预设获取时刻所获取的各实时状态类监测特征数据。

可选的，所述根据当前实时状态类监测特征数据和第一预设模型确定所述当前异常得分包括：

获取若干个监测对象的监测数据；

基于若干个监测对象的监测数据确定训练样本，并对所述训练样本进行二叉划分以构建孤立树，由所述孤立树构成孤立森林模型，所述第一预设模型包括孤立森林模型；

根据所述当前实时状态类监测特征数据和所述孤立森林模型计算所述当前异常得分。

可选的，所述若干个监测对象的监测数据包括所述监测对象在多个维度上的特征，所述对所述训练样本进行二叉划分以构建孤立树包括：

对所述训练样本进行抽样，获取至少一个样本集合；

选取所述多个维度中的任一维度；