[发明专利]一种磁盘故障预测方法及装置

权利要求书

1.一种磁盘故障预测方法，其特征在于，包括：

获取不同型号的磁盘的信息，并基于所述磁盘的信息构建训练数据集；

构建包含特征网络结构和分类网络结构的深度神经网络模型；其中，所述特征网络结构用于基于磁盘的信息提取出所述磁盘的特征信息；所述分类网络结构用于基于所述磁盘的特征信息判定所述磁盘是否故障；

基于所述训练数据集对所述深度神经网络模型进行训练，得到训练完成的磁盘故障预测模型；

获取待故障预测的目标磁盘的信息，并将所述目标磁盘的信息输入至所述磁盘故障预测模型，得到所述目标磁盘的故障预测结果。

2.如权利要求1所述的磁盘故障预测方法，其特征在于，获取不同型号的磁盘的信息，并基于所述磁盘的信息构建训练数据集，包括：

获取不同型号的磁盘在不同时间的各类指标数据，并获取所述磁盘的故障信息；

根据所述磁盘的故障信息及预设故障预测提前时间，对所述磁盘的各类指标数据一一打上表示指标数据是否为故障数据的标签；

将所述磁盘的各类指标数据及其对应的标签组合起来，构成所述训练数据集。

3.如权利要求2所述的磁盘故障预测方法，其特征在于，获取不同型号的磁盘的信息，并基于所述磁盘的信息构建训练数据集，还包括：

在获取不同型号的磁盘在不同时间的各类指标数据之后，在将所述磁盘的各类指标数据及其对应的标签组合起来之前，对所述磁盘的各类指标数据中的无效数据进行擦除处理，并对擦除处理后的所述磁盘的各类指标数据进行归一化处理，以将归一化处理后的所述磁盘的各类指标数据及其对应的标签组合起来，构成所述训练数据集。

4.如权利要求2所述的磁盘故障预测方法，其特征在于，构建包含特征网络结构和分类网络结构的深度神经网络模型；基于所述训练数据集对所述深度神经网络模型进行训练，得到训练完成的磁盘故障预测模型，包括：

构建依次由第一全连接层和多个残差层组成的特征网络结构；其中，所述特征网络结构用于基于所述磁盘的各类指标数据提取出与指标数据一一对应的高维隐含特征；

构建由第二全连接层组成的分类网络结构；其中，所述分类网络结构的输出维度为2，分别对应故障和正常；

将构建好的所述特征网络结构和所述分类网络结构组合起来，得到深度神经网络模型；

基于所述训练数据集对所述深度神经网络模型进行训练，得到训练完成的深度神经网络模型；

将所述磁盘的高维隐含特征及其对应的标签组合起来，构成新训练数据集，并基于所述新训练数据集对用于替换所述第二全连接层的XGBoost分类器进行训练，得到训练完成的XGBoost分类器；

将训练完成的所述XGBoost分类器替换训练完成的所述深度神经网络模型中的第二全连接层，并将替换后的深度神经网络模型作为所述磁盘故障预测模型。

5.如权利要求4所述的磁盘故障预测方法，其特征在于，构建依次由第一全连接层和多个残差层组成的特征网络结构，包括：

基于F_out＝X*W+b构建第一全连接层；其中，F_out为所述第一全连接层的输出向量；X为所述第一全连接层的输入向量；W为所述第一全连接层的网络权重；b为所述第一全连接层的偏置；

基于x_a+1＝x_a+F(x_a,W_a)、F(x_a,W_a)＝Relu(x_a*W_a)构建L个残差层；其中，x_a+1为第a层残差层的输出；x_a为第a层残差层的输入；F(x_a,W_a)为第a层的残差学习函数；Relu为激活函数，Relu(x)＝max(0,x)；1≤a≤L且a为整数；

将构建好的所述第一全连接层和L个所述残差层组合起来，得到所述特征网络结构。