CN115373879B 一种面向大规模云数据中心智能运维的磁盘故障预测方法 （南京邮电大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN115373879B(45)授权公告日2025.07.11

(21)申请号202211039310.5

(22)申请日2022.08.29

(65)同一申请的已公布的文献号申请公布号CN115373879A

(43)申请公布日2022.11.22

GO6N

GO6N

GO6N

GO6N

GO6N

GO6N

3/045(2023.01)

3/0464(2023.01)

3/0455(2023.01)

3/0499(2023.01)

3/0985(2023.01)

3/048(2023.01)

(73)专利权人南京邮电大学

地址210003江苏省南京市鼓楼区新模范

马路66号

(72)发明人徐小龙徐诗成

(74)专利代理机构南京纵横知识产权代理有限公司32224

专利代理师刘艳艳

(51)Int.CI.

GO6F11/00(2006.01)

GO6F11/34(2006.01)

(56)对比文件

CN109144829A,2019.01.04CN111782491A,2020.10.16审查员刘凤娇

权利要求书2页说明书9页附图3页

(54)发明名称

一种面向大规模云数据中心智能运维的磁盘故障预测方法

(57)摘要

CN115373879B本发明公开了一种面向大规模云数据中心智能运维的磁盘故障预测方法，包括：首先将不平衡数据进行信息熵特征处理，选取出较为重要的特征；然后将处理后的不平衡数据进行划分，抽取少类的样本数据，即故障样本；然后将故障样本利用时间渐进采样法TPS来进行数据增强来生成合成数据，通过TPS生成更多的故障样本数据，使得健康样本数和故障样本数之间的比率将达到更好的平衡；然后将生成效果好的合成数据与原始数据进行合并生成整合数据；最后将整合数据输入到磁盘故障预测模型中进行训练，并选

CN115373879B

开始

开始

不平衡原数据

信息墙特征处理

利用TPS进行数据增强

输出模型预测结果

损失=M?画面

提失M面

生成故据样本

训练磁盘故障预测模型

模型预测

结束

CN115373879B权利要求书1/2页

2

1.一种磁盘故障预测方法，其特征在于，包括：

步骤1、对不平衡原始数据集进行缺失值填充、数据规范化和信息熵处理，获得最相关和经常更改的特征属性，即数据集G;

步骤2、根据标签将数据集G划分为带有故障标签的少类样本所形成的源数据集S1和带有非故障标签的多类样本所形成的源数据集S2;

步骤3、采用时间渐进采样TPS方法对源数据集S1进行数据增强，生成合成数据，得到合成数据集T,包括：采用时间渐进采样TPS方法对源数据集S1进行故障数据的生成和收集，对生成的数据和原始数据进行损失计算并判断是否小于所设的阈值，如果小于则进行收集，反之则重复该步骤操作直至收集得到合成数据集T;

步骤4、将源数据集S1、源数据集S2和合成数据集T进行整合形成整合数据集Q,将整合数据集Q划分为训练集M和测试集N;

步骤5、利用训练集M对磁盘故障预测模型进行训练，利用测试集N对训练后的磁盘故障预测模型进行测试，直至模型预测效果达到要求，得到训练好的磁盘故障预测模型；

步骤6、将待检测的磁盘SMART数据输入训练好的磁盘故障预测模型；

步骤7、根据所述磁盘故障预测模型的输出，确定磁盘故障预测结果；

所述磁盘故障预测模型包括：输入模块、编码器块、解码器块和输出模块；

在输入模块中，利用卷积Transformer模型，使用核大小为k和步长为1的卷积层，将输入的数据L转换为H个不同的查询矩阵关键矩阵和值矩阵 ,其中h=1,一,H,都是可学习的参数；

在编码器块、解码器块输出时分别堆叠一个前馈子层，所述前馈子层具有两层完全连接的网络和中间的ReLU激活，公式如下：

max(0,XW?+b?)W?+b?

其中，X是输入，W?、W?是可学习的参数，b?和b?是预设的正则项，用来进行连接层中空间维度的转换，前馈子层最终得到的输出矩阵的维度与X一致。

2.根据权利要求1所述的磁盘故障预测方法，其特征在于，所述缺失值填充包括：如果缺失值连续2个或更多，则使用磁盘上SMART项的模式作为填充值；如果只缺少一个值，则使用该值前后的平均值作为填充值。

3.根据权利