[发明专利]一种磁盘故障预测方法及系统

权利要求书

1.一种磁盘故障预测方法，其特征在于，包括如下步骤：

收集磁盘状态数据；所述磁盘状态数据为磁盘S.M.A.R.T.数据；

将所述磁盘状态数据输入到训练好的磁盘故障预测器，以预测磁盘发生故障的概率；所述磁盘故障预测器包括具有两种不同视图的分类器，一个视图使用所述磁盘状态数据对应的特征进行磁盘故障预测，另外一个视图使用所述磁盘状态数据特征的差值进行磁盘故障预测；将两种不同视图的分类器预测得到的磁盘故障概率值进行加权平均，并将加权平均值作为所述磁盘故障预测器预测得到的磁盘发生故障的概率值。

2.根据权利要求1所述的磁盘故障预测方法，其特征在于，所述磁盘故障预测器的训练过程为：

得到训练样例数据池；所述训练样例数据池包括通过主动学习算法和半监督学习算法收集的大量磁盘状态数据；每个磁盘状态数据表示一个样例；

将收集的磁盘状态数据按照时间顺序依次输入到半监督学习窗口和主动学习窗口；

判断半监督学习窗口内最后一次输入的样例对应的磁盘是否发生故障，若未发生故障，则继续向半监督学习窗口输入样例，直至最后一次输入的样例对应的磁盘发生故障；若发生故障，则在半监督学习窗口内采用半监督学习算法对半监督学习窗口内各个样例进行预测，确定各个样例分别在磁盘健康状态和磁盘故障状态下的概率值；根据各个样例分别在磁盘健康状态和磁盘故障状态下的概率值得到各个样例的价值，选择价值大于预设阈值的样例加入至所述训练集；

若当前训练集的样例中，健康样例和故障样例的比例小于预设比例值，且此时主动学习窗口被填满，则在主动学习窗口内采用主动学习算法对主动学习窗口内的各个样例进行预测，确定各个样例在磁盘健康状态下的概率值，挑选概率值在预设概率区间的样例加入至训练集；

将所述训练集中的样例分配至磁盘故障预测器进行训练，得到训练好的磁盘故障预测器。

3.根据权利要求2所述的磁盘故障预测方法，其特征在于，所述将收集的磁盘状态数据按照时间顺序依次输入到半监督学习窗口和主动学习窗口，具体为：

首先填充半监督学习窗口；当半监督学习窗口被填满之后，先将半监督学习窗口中的数据按照先入先出的顺序移出并输入到主动学习窗口，然后继续往半监督学习窗口输入当前时间的磁盘状态数据；当主动学习窗口被填满后，将主动学习窗口一次性清空。

4.根据权利要求2所述的磁盘故障预测方法，其特征在于，所述训练集包括：第一视图分类器的训练集和第二视图分类器的训练集；

所述第一视图分类器的训练集用于对磁盘故障预测器中第一视图的分类器进行训练，第二视图分类器的训练集用于对磁盘故障预测器中第二视图的分类器进行训练；其中，使用所述磁盘状态数据对应的特征作为样例在第一视图下的值，使用磁盘状态数据特征的差值作为样例在第二视图下的值；

其中，若训练集的样例中包含有利用主动学习算法挑选的样例，则第一视图分类器的训练集包括：第一挑选样例集和第二挑选样例集；否则第一视图分类器的训练集包括：第二挑选样例集；

所述第一挑选样例集通过如下方式挑选：在第一视图下，采用主动学习算法对主动学习窗口内的各个样例进行预测，确定各个样例在磁盘健康状态下的概率值，挑选概率值在预设概率区间的样例；所述第二挑选样例集通过如下方式挑选：在第一视图下，采用半监督学习算法对半监督学习窗口内的各个样例进行预测，根据各个样例分别在磁盘健康状态和磁盘故障状态下的概率值得到各个样例在第一视图下的价值，选择价值大于预设阈值的样例；

若训练集的样例中包含有利用主动学习算法挑选的样例，则第二视图分类器的训练集包括：第三挑选样例集和第四挑选样例集；否则第二视图分类器的训练集包括：第四挑选样例集；

所述第三挑选样例集通过如下方式挑选：在第二视图下，采用主动学习算法对主动学习窗口内的各个样例进行预测，确定各个样例在磁盘健康状态下的概率值，挑选概率值在预设概率区间的样例；所述第四挑选样例集通过如下方式挑选：在第二视图下，采用半监督学习算法对半监督学习窗口内的各个样例进行预测，根据各个样例分别在磁盘健康状态和磁盘故障状态下的概率值得到各个样例在第二视图下的价值，选择价值大于预设阈值的样例。