[发明专利]一种基于反向传播贝叶斯深度学习的硬盘寿命预测方法

说明书

一种基于反向传播贝叶斯深度学习的硬盘寿命预测方法，对硬盘的SMART参数进行优选，筛选出具有预测性能的SMART参数，然后进行标准化处理，再将标准化处理后的数据划分为序列样本；提取硬盘的历史时序信息和未来时序特征；将历史时序信息和未来时序特征输入至线性全连接层，并调整激活函数与学习率，完成剩余寿命预测网络的构建；根据训练后分布参数生成剩余寿命预测网络的权重参数及偏置参数，然后进行剩余寿命预测；本发明融合硬盘的多维度特征，充分利用硬盘数据的长时依赖性，提取硬盘数据中的时序信息，利用深度学习框架，在实现高精度剩余寿命预测的同时，量化预测的不确定性，输出对硬盘维修决策具有更高指导意义的预测置信度。

技术领域

本发明涉及数据中心硬盘寿命预测方法，具体为一种基于反向传播贝叶斯深度学习的硬盘寿命预测方法。

背景技术

数据中心是现代信息系统的核心，而硬盘驱动器(简称硬盘)则作为这些海量数据的最主要存贮载体，它在商业领域的数据备份及高性能数据中心的计算存储中占据着至关重要的地位。一旦硬盘发生坏损，不但会造成重要数据的丢失还有可能会造成整个存储计算系统当机，给个人或企业造成不可估量的财产损失。因此，对硬盘的故障进行提前预警排查一直是各大数据中心关注的焦点。

近年来，以机器学习、深度学习为代表的数据驱动的智能预测算法在硬盘剩余寿命预测中逐渐发挥作用。与传统寿命预测方法需要进行数据采集、健康指标构建、健康状态划分和寿命预测不同，基于深度学习的寿命预测模型将硬盘寿命预测简化为两步骤：硬盘监测数据的获取和剩余寿命预测。在深度学习中，剩余寿命预测被看作一个回归任务，只需将硬盘监测数据作为模型输入，硬盘剩余寿命作为输出即使用深度学习算法进行训练和验证。

然而，由于硬盘监测数据受到噪声干扰带来的数据不确定性、预测模型本身的模型不确定性以及硬盘运行环境的随机性导致硬盘的剩余寿命预测是具有不确定性的。而一般的深度学习方法只能对剩余寿命给出一个确定性的点估计，无法量化这种预测的不确定性。

发明内容

针对现有技术中存在的不足，本发明的目的是提供了一种基于反向传播贝叶斯深度学习的寿命预测方法，该方法解决了一般的深度学习寿命预测方法无法量化寿命预测不确定性的问题。

为实现上述目的，本发明是通过以下技术方案来实现：

一种基于反向传播贝叶斯深度学习的硬盘寿命预测方法，

采用单调性以及SMART参数F与时间T的相关性为指标对硬盘的SMART参数进行优选，筛选出具有预测性能的SMART参数，然后进行标准化处理，再将标准化处理后的数据划分为序列样本；

通过正向的门控循环神经网络提取硬盘的历史时序信息，通过反向的门控循环神经网络提取硬盘的未来时序特征；将历史时序信息和未来时序特征输入至线性全连接层，并调整激活函数与学习率，完成剩余寿命预测网络的构建；

采用贝叶斯变分推断方法估计寿命预测网络的分布参数，并训练，生成剩余寿命预测网络的权重参数及偏置参数，然后进行剩余寿命预测；

将序列样本采用剩余寿命预测网络实现对硬盘寿命的预测。

本发明进一步的改进在于，SMART参数F与时间T的相关性Corr(F,T)：

其中，

其中，N为时间的总数，F(t_i)为t_i时刻的SMART参数，为F的均值，t为任意一个时刻，为t的均值。

本发明进一步的改进在于，单调性Mon(F)＝|Z|；

检验统计量Z为：

其中，预测特征S为：