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）

一种面向大规模云数据中心智能运维的磁本发明公开了一种面向大规模云数据中心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2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，入的数据L转换为H个不同的查询矩阵Qn=LW'关键矩阵在编码器块、解码器块输出时分别堆叠一个前馈子层，所max(0,XW1+b1)W2+b2H(u)=-21pibnpi(2)3在模型训练期间，对于每个发生故障的磁盘，TPSThewindowlengthh定义为每个序列样本中训练网络输入数据的时间窗口大小，predict_failure_day所述处理器用于根据所述指令进行操作以执行根据权利要求1至6任一项所述方法的4[0005]但在实际应用中，数据中心获取到的磁盘故障SMART数据为从健康状态到故障状磁盘的故障进行预测，通过特征选择、分箱过程和特征创建的方法选出最能描述数据的[0009](2)基于深度神经网络方法，其中一些研究工作利用长短时记忆模型(LSTM)以及5[0026]H(u)=-⃞1piInp:(2)6[0029]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[0033]Thewindowlengthh定义为每个序列样本中训练网络输入数据的时间窗口大步长为1将输入的数据L(加上适当的填充)转[0046](1)针对云数据中心中的磁盘故障预测，利用时间渐进采样法TPS的优势，融合7[0047](2)本方法中针对长时间序列数据，我们利用多头自注意力机制，叠加多层编码[0049](4)本方法中利用时间渐进采样(TPS)的方法来进行数据增强以解决数据不平衡问题。TPS能够为每个失败的磁盘生成多个失败的样本，这不仅保留了健康磁盘的所有特[0051]图1是本发明实施例中设计的面向大规模云数据中心智能运维的磁盘故障预测方技术特征的数量或者隐含指明所指示的技术特征的先后关可以在任何的一个或多个实施例或示例中以合适的8[0072]H(u)=-⃞1piInp:(2)[0075]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[0079]Thewindowlengthh定义为每个序列样本中训练网络输入数据的时间窗口大9系数(MCC)要求较高的磁盘故障预测系统中具有良[0093]H(u)=-⃞1piInp:(2)数据的生成和收集，再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发生故障的磁盘，TPS会在提前期i内逐步收集更多的故障数据样本(即提前期i的范围为1[0097]Thewindowlengthh定义为每个序列样本中训练网络输入数据的时间窗口大[0098]predict_failure_days定义为故障前的天数，这是一个报警边界。predict_failure_days的值也需要适当。时间间隔过长或太短都会影响磁盘故障处理的有效性。predict_failure_days的值在5_7天内是合理的。本方法选择的predict_failure_days的符号来简化了公式)同时将输入的数据L转换为H个不同的查询矩阵Qn=LW2,关键矩阵[0115]本实施例的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的定位系[0122]时间渐进采样TPS模块中生成合成数据T并与源数据集S1和源数据集S2合并构成现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定[0131]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或其他可编程设备上执行