大規(guī)模存儲系統(tǒng)硬盤故障預測方法研究.pdf

1、當前，大規(guī)模存儲系統(tǒng)普遍采用副本、糾刪碼等技術來提供高可靠性。隨著存儲系統(tǒng)規(guī)模和復雜性的不斷增長，傳統(tǒng)的冗余機制難以提供足夠的可靠性，構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故障預測技術。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的屬性，如果某個屬性值超過了閾值，它就會發(fā)出故障預警信息。然

2、而，SMART技術的預測準確率非常有限，僅能在0.1％的誤報率的情況下預測出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)計學和機器學習的方法建立硬盤故障預測模型。然而，這些模型僅能夠在保持較低誤報率的情況下，預測出60％左右的硬盤故障。
　　本文嘗試了改進和優(yōu)化基于支持向量機(Support Vector Machine，SVM)的硬盤故障預測模型。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(Artificial Neural Network，ANN)來建立預測模型，并且對該BP-ANN預測模型用AdaBoost算法進行了優(yōu)化。實驗數(shù)據(jù)集來自實際的數(shù)據(jù)中心，包含了多達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造的方法，提高了模型的預測準確率。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。為了更加準確地描述硬盤的健康程度（即故障概率）