[发明专利]一种基于多实例对抗学习的企业级固态硬盘故障预警方法

说明书

本发明公开一种多实例对抗学习的企业级固态硬盘故障预警方法，基于最相关监测指标，运用多实例学习方法将长时间序列SMART数据转化成多段固态硬盘状态退化数据的实例，对多段实例进行装袋分析，实现固态硬盘长时间序列故障信息融合；运用基于多实例学习的对抗域适应网络对齐已知固态硬盘故障特征分布与未知固态硬盘故障特征分布，将已知固态硬盘故障特征知识迁移到未知固态硬盘数据。通过自适应故障预警模型，判定当前时刻固态硬盘健康状态。本发明能够学习多种固态硬盘多种故障特征知识，实现基于固态硬盘状态监测的在线故障预警，能保证在零误报的情况下，获得高水平的故障检出率。

技术领域

本发明属于故障诊断和可靠性工程领域，具体涉及一种基于多实例对抗学习的企业级固态硬盘故障预警方法。

背景技术

固态硬盘泛指由固态电子存储芯片阵列而成的存储元件，在结构上由随机存储器集成的控制单元和闪存存储芯片集成的存储单元两部分组成。固态硬盘在接口的规范和定义、功能及使用方法上上与传统机械硬盘完全相同。但在其结构上由于没有机械结构从而与传统机械硬盘区分开，依赖于内部的固态电子存储芯片特性，具有读写速度快、工作温度范围大、轻便、低耗电、耐震、稳定性高等优点。从而被广泛应用于军事、车载、工控、视频监控、网络监控、网络终端、电力、医疗、航空、导航设备等领域。随着数据规模不断增大以及人们对高速、稳定的云服务需求日益旺盛，数据安全问题日益突出，它不仅关系到个人利益、企业运营，而且直接影响国家安全。新的固态硬盘制造工艺和微电子技术使得其内部存储单元的体积不断缩小，间距不断降低，并且单元体在空间上的堆叠阵列得以应用。越来越高的性能和存储容量要求也带来了数据存储安全上的挑战。针对数据存储环节中的关键部分，固态硬盘的可靠性分析及健康管理手段成为新的研究热点。

目前，在固态硬盘故障预测领域，多数研究工作都是以硬盘S.M.A.R.T.(Self-Monitoring,Analysis and Reporting Technology)数据为基础开展的。已有的围绕硬盘S.M.A.R.T.数据建立的基于统计和机器学习方法的硬盘故障预测模型大都依托于已收集到的丰富的数据集，其中包含了已被标记为故障的固态硬盘数据和仍然正常运转硬盘数据。且建立起的评价指标体系仅限于同类型固态硬盘，并不能很好地指导用户对存储设备进行有效地维护。因此，有必要尝试有别于现有的统计和机器学习方法进行固态硬盘故障预报和可靠性评估研究。

在工程实际中，得益于深度学习的迅速发展，基于深度学习的多实例故障诊断技术和基于迁移学习的跨领域故障诊断方法是深度学习领域极具发展前景的工具。从经典的MMD领域概率分布对齐到更受研究人员推崇的领域对抗域适应方法，已成功应用于目标定位、跟踪、语音识别、语音增强与消噪、系统辨识参数估计以及动态系统的故障检测等领域。领域对抗域适应是一种基于对抗生成网络的域适应学习方法，其可以跨领域将已有丰富标签数据的源域上的知识迁移到缺乏标签信息的目标域上进行模型训练。非常适合解决新型欠缺诊断数据的硬盘的故障诊断问题。值得注意的是，近年来，虽然基于深度学习的故障诊断方法不断被应用于诸如移动机器人、燃气涡轮发动机以及高速列车等极为复杂的大型系统的故障诊断。但针对固态硬盘的故障预测相对研究较少。因此，针对固态硬盘这类较为复杂的系统，尝试运用粒子滤波方法对其进行故障诊断不失为一种有效弥补统计和机器学习方法不足的解决途径，同时也充满了许多未知的挑战。

发明内容

针对现有技术的不足和面临的挑战，本发明的目的在于提供一种基于多实例对抗学习的企业级固态硬盘故障预警方法，该方法能够基于多实例学习方法从已经收集到的具有丰富标签的S.M.A.R.T.数据集上提取其故障特征，然后将该提取到的特征知识通过领域对抗域适应方法迁移至新型欠缺故障标签数据的固态硬盘数据集，并以该特征知识构建起目标域上的故障预警模型，同时结合该模型和多点阈值报警机制，判定硬盘是否即将发生故障，最后从参与测试的硬盘总体中统计故障预测准确率来体现方法的有效性。该方法一方面解决了固态硬盘故障特征难以提取的难题，另一方面解决了新型固态硬盘欠缺诊断知识的难题，即跨领域固态硬盘故障预测模型。

为达到以上目的，本发明的技术方案为：