大規(guī)模存儲系統(tǒng)硬盤故障預(yù)測方法研究.pdf

1、當(dāng)前，大規(guī)模存儲系統(tǒng)普遍采用副本、糾刪碼等技術(shù)來提供高可靠性。隨著存儲系統(tǒng)規(guī)模和復(fù)雜性的不斷增長，傳統(tǒng)的冗余機(jī)制難以提供足夠的可靠性，構(gòu)建高可靠性的存儲系統(tǒng)成為了巨大的挑戰(zhàn)。目前，幾乎所有的硬盤都支持SMART故障預(yù)測技術(shù)。SMART全稱為“Self-Monitoring, Analysis and ReportingTechnology”，它會監(jiān)控硬盤內(nèi)部的一些與健康狀況相關(guān)的屬性，如果某個屬性值超過了閾值，它就會發(fā)出故障預(yù)警信息。然

2、而，SMART技術(shù)的預(yù)測準(zhǔn)確率非常有限，僅能在0.1％的誤報率的情況下預(yù)測出3-10％的硬盤故障。一些研究者研究了基于硬盤的SMART信息，采用統(tǒng)計學(xué)和機(jī)器學(xué)習(xí)的方法建立硬盤故障預(yù)測模型。然而，這些模型僅能夠在保持較低誤報率的情況下，預(yù)測出60％左右的硬盤故障。
　　本文嘗試了改進(jìn)和優(yōu)化基于支持向量機(jī)(Support Vector Machine，SVM)的硬盤故障預(yù)測模型。本文還提出了基于反向傳播(Backpropagation

3、，BP)算法的人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，ANN)來建立預(yù)測模型，并且對該BP-ANN預(yù)測模型用AdaBoost算法進(jìn)行了優(yōu)化。實(shí)驗(yàn)數(shù)據(jù)集來自實(shí)際的數(shù)據(jù)中心，包含了多達(dá)23，395塊硬盤的SMART記錄。本文采用了新的樣本處理、選取方法以及特征構(gòu)造的方法，提高了模型的預(yù)測準(zhǔn)確率。本文還提出了一種基于投票的故障檢測算法，該方法能夠有效降低模型的故障誤報率。為了更加準(zhǔn)確地描述硬盤的健康程度（即故障概率）