本技術(shù)實(shí)施例涉及計(jì)算機(jī)領(lǐng)域，具體而言，涉及一種磁盤(pán)故障的預(yù)測(cè)方法及裝置、存儲(chǔ)介質(zhì)、計(jì)算機(jī)程序產(chǎn)品。

背景技術(shù)：

1、磁盤(pán)作為數(shù)據(jù)存儲(chǔ)的關(guān)鍵基石，一旦發(fā)生故障很可能會(huì)導(dǎo)致存儲(chǔ)數(shù)據(jù)丟失，給個(gè)人及企業(yè)帶來(lái)難以估量的損失。磁盤(pán)故障預(yù)測(cè)技術(shù)通過(guò)對(duì)硬盤(pán)性能數(shù)據(jù)的深度挖掘和分析，能夠提前預(yù)測(cè)磁盤(pán)故障，從而避免數(shù)據(jù)丟失和業(yè)務(wù)中斷，保障數(shù)據(jù)的可用性和系統(tǒng)的穩(wěn)定性。

2、傳統(tǒng)的磁盤(pán)故障預(yù)測(cè)方法大多基于簡(jiǎn)單的線性策略或淺層機(jī)器學(xué)習(xí)模型，這些方法在處理復(fù)雜多變的磁盤(pán)運(yùn)行數(shù)據(jù)時(shí)，往往難以準(zhǔn)確捕捉其內(nèi)在的時(shí)序性和非線性特征，從而限制了預(yù)測(cè)精度。使得上述磁盤(pán)故障預(yù)測(cè)方法受無(wú)關(guān)屬性的影響，無(wú)法實(shí)現(xiàn)合理快速的識(shí)別判斷。

3、針對(duì)相關(guān)技術(shù)中，磁盤(pán)故障預(yù)測(cè)方案的預(yù)測(cè)精度較低的問(wèn)題，目前尚未提出有效的解決方案。

技術(shù)實(shí)現(xiàn)思路

1、本技術(shù)實(shí)施例提供了一種磁盤(pán)故障的預(yù)測(cè)方法及裝置，以至少解決現(xiàn)有方式中磁盤(pán)故障預(yù)測(cè)方案的預(yù)測(cè)精度較低的問(wèn)題。

2、根據(jù)本技術(shù)的一個(gè)實(shí)施例，提供了一種磁盤(pán)故障的預(yù)測(cè)方法，包括：獲取目標(biāo)磁盤(pán)的多個(gè)屬性參數(shù)，基于所述多個(gè)屬性參數(shù)構(gòu)建變量時(shí)間序列數(shù)據(jù)集，并對(duì)所述變量時(shí)間序列數(shù)據(jù)集進(jìn)行轉(zhuǎn)換，得到輸入特征向量集；計(jì)算所述輸入特征向量集中每個(gè)子特征向量的敏感度指數(shù)；根據(jù)所述敏感度指數(shù)對(duì)所述輸入特征向量集中特征進(jìn)行排序，并基于排序結(jié)果將所述輸入特征向量集劃分為主要特征子集和次要特征子集，其中，所述主要特征子集關(guān)聯(lián)的最小敏感度指數(shù)大于或等于所述次要特征子集中的最大敏感度指數(shù)；將所述主要特征向量集與所述次要特征向量集分別輸入至目標(biāo)雙向長(zhǎng)短期記憶網(wǎng)絡(luò)模型得到所述目標(biāo)磁盤(pán)是否故障的預(yù)測(cè)結(jié)果。

3、在一個(gè)示例性的實(shí)施例中，將所述主要特征向量集與所述次要特征向量集分別輸入至目標(biāo)雙向長(zhǎng)短期記憶網(wǎng)絡(luò)模型得到所述目標(biāo)磁盤(pán)是否故障的預(yù)測(cè)結(jié)果，包括：初始化所述目標(biāo)雙向長(zhǎng)短期記憶網(wǎng)絡(luò)模型，確定模型初始設(shè)置對(duì)應(yīng)的第一權(quán)值與層數(shù)；將所述主要特征向量集作為模型中第一層子網(wǎng)絡(luò)的輸入，并根據(jù)所述目標(biāo)雙向長(zhǎng)短期記憶網(wǎng)絡(luò)模型對(duì)應(yīng)的前向傳播算法計(jì)算所述主要特征向量集作為輸入時(shí)對(duì)應(yīng)的第一輸出特征；將所述第一輸出特征與所述次要特征向量集連接作為模型中第二層子網(wǎng)絡(luò)的輸入，再次根據(jù)所述目標(biāo)雙向長(zhǎng)短期記憶網(wǎng)絡(luò)模型對(duì)應(yīng)的前向傳播算法計(jì)算，得到第二輸出特征；循環(huán)執(zhí)行上述確定輸出特征的過(guò)程，直至得到符合所述層數(shù)對(duì)應(yīng)數(shù)值的目標(biāo)輸出特征；其中，每一個(gè)子網(wǎng)絡(luò)中包含的神經(jīng)元個(gè)數(shù)小于或等于所述第一權(quán)值；對(duì)所述目標(biāo)輸出特征進(jìn)行扁平化操作，得到目標(biāo)特征向量；將所述目標(biāo)特征向量同步至所述目標(biāo)雙向長(zhǎng)短期記憶網(wǎng)絡(luò)模型的全連接層進(jìn)行分類處理，得到用于指示磁盤(pán)故障的預(yù)測(cè)置信度值；比較所述預(yù)測(cè)置信度值與預(yù)測(cè)置信度閾值；根據(jù)比較結(jié)果生成所述目標(biāo)磁盤(pán)是否故障的預(yù)測(cè)結(jié)果。

4、在一個(gè)示例性的實(shí)施例中，根據(jù)比較結(jié)果生成所述目標(biāo)磁盤(pán)是否故障的預(yù)測(cè)結(jié)果，包括：在確定所述預(yù)測(cè)置信度值大于所述預(yù)測(cè)置信度閾值的情況下，確定生成所述目標(biāo)磁盤(pán)為故障磁盤(pán)的第一預(yù)測(cè)結(jié)果；在確定所述預(yù)測(cè)置信度值小于或等于所述預(yù)測(cè)置信度閾值的情況下，確定生成所述目標(biāo)磁盤(pán)為健康磁盤(pán)的第二預(yù)測(cè)結(jié)果。

5、在一個(gè)示例性的實(shí)施例中，將所述主要特征向量集與所述次要特征向量集分別輸入至目標(biāo)雙向長(zhǎng)短期記憶網(wǎng)絡(luò)模型得到所述目標(biāo)磁盤(pán)是否故障的預(yù)測(cè)結(jié)果之前，所述方法還包括：獲取所述目標(biāo)磁盤(pán)的歷史故障狀態(tài)信息，以及所述歷史故障狀態(tài)信息對(duì)應(yīng)的歷史主要特征子集和歷史次要特征子集；將所述歷史主要特征子集和歷史次要特征子集作為模型輸入，將所述歷史故障狀態(tài)信息作為模型輸出，對(duì)預(yù)設(shè)的雙向長(zhǎng)短期記憶網(wǎng)絡(luò)模型進(jìn)行模型訓(xùn)練，得到目標(biāo)雙向長(zhǎng)短期記憶網(wǎng)絡(luò)模型。

6、在一個(gè)示例性的實(shí)施例中，對(duì)預(yù)設(shè)的雙向長(zhǎng)短期記憶網(wǎng)絡(luò)模型進(jìn)行模型訓(xùn)練之后，所述方法還包括：通過(guò)反向傳播算法更新所述預(yù)設(shè)的雙向長(zhǎng)短期記憶網(wǎng)絡(luò)模型中每層子網(wǎng)絡(luò)的權(quán)值和全連接層偏差，得到第二權(quán)值與目標(biāo)偏差；在確定所述第二權(quán)值大于所述第一權(quán)值，且所述目標(biāo)偏差小于預(yù)設(shè)偏差的情況下，確定誤差收斂，待輸出完成訓(xùn)練的目標(biāo)雙向長(zhǎng)短期記憶網(wǎng)絡(luò)模型。

7、在一個(gè)示例性的實(shí)施例中，獲取目標(biāo)磁盤(pán)的多個(gè)屬性參數(shù)，基于所述多個(gè)屬性參數(shù)構(gòu)建變量時(shí)間序列數(shù)據(jù)集，包括：獲取所述目標(biāo)磁盤(pán)在預(yù)設(shè)時(shí)間周期內(nèi)傳遞的輸入數(shù)據(jù)；識(shí)別與所述輸入數(shù)據(jù)關(guān)聯(lián)的屬性參數(shù)，得到所述多個(gè)屬性參數(shù)；確定所述多個(gè)屬性參數(shù)中每一個(gè)屬性參數(shù)對(duì)應(yīng)的時(shí)間變化區(qū)間；根據(jù)所述屬性參數(shù)的預(yù)設(shè)排列順序和所述時(shí)間變化區(qū)間進(jìn)行組合數(shù)據(jù)標(biāo)準(zhǔn)化處理，得到變量時(shí)間序列數(shù)據(jù)集。

8、在一個(gè)示例性的實(shí)施例中，將所述主要特征向量集與所述次要特征向量集分別輸入至目標(biāo)雙向長(zhǎng)短期記憶網(wǎng)絡(luò)模型得到所述目標(biāo)磁盤(pán)是否故障的預(yù)測(cè)結(jié)果之后，所述方法還包括：在所述預(yù)測(cè)結(jié)果為目標(biāo)磁盤(pán)為故障狀態(tài)的情況下，采集所述目標(biāo)磁盤(pán)對(duì)應(yīng)的磁盤(pán)基礎(chǔ)信息，其中，所述磁盤(pán)基礎(chǔ)信息用于指示磁盤(pán)存儲(chǔ)位置以及磁盤(pán)的規(guī)格；將所述磁盤(pán)基礎(chǔ)信息發(fā)送至管理所述目標(biāo)磁盤(pán)的目標(biāo)對(duì)象，以指示所述目標(biāo)對(duì)象對(duì)所述目標(biāo)磁盤(pán)進(jìn)行檢修處理。

9、根據(jù)本技術(shù)的另一個(gè)實(shí)施例，還提供了一種磁盤(pán)故障的預(yù)測(cè)裝置，包括：獲取模塊，用于獲取目標(biāo)磁盤(pán)的多個(gè)屬性參數(shù)，基于所述多個(gè)屬性參數(shù)構(gòu)建變量時(shí)間序列數(shù)據(jù)集，并對(duì)所述變量時(shí)間序列數(shù)據(jù)集進(jìn)行轉(zhuǎn)換，得到輸入特征向量集；計(jì)算模塊，用于計(jì)算所述輸入特征向量集中每個(gè)子特征向量的敏感度指數(shù)；劃分模塊，用于根據(jù)所述敏感度指數(shù)對(duì)所述輸入特征向量集中特征進(jìn)行排序，并基于排序結(jié)果將所述輸入特征向量集劃分為主要特征子集和次要特征子集，其中，所述主要特征子集關(guān)聯(lián)的最小敏感度指數(shù)大于或等于所述次要特征子集中的最大敏感度指數(shù)；預(yù)測(cè)模塊，用于將所述主要特征向量集與所述次要特征向量集分別輸入至目標(biāo)雙向長(zhǎng)短期記憶網(wǎng)絡(luò)模型得到所述目標(biāo)磁盤(pán)是否故障的預(yù)測(cè)結(jié)果。

10、根據(jù)本技術(shù)的又一個(gè)實(shí)施例，還提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)中存儲(chǔ)有計(jì)算機(jī)程序，其中，所述計(jì)算機(jī)程序被設(shè)置為運(yùn)行時(shí)執(zhí)行上述任一項(xiàng)方法實(shí)施例中的步驟。

11、根據(jù)本技術(shù)的又一個(gè)實(shí)施例，還提供了一種電子設(shè)備，包括存儲(chǔ)器和處理器，所述存儲(chǔ)器中存儲(chǔ)有計(jì)算機(jī)程序，所述處理器被設(shè)置為運(yùn)行所述計(jì)算機(jī)程序以執(zhí)行上述任一項(xiàng)方法實(shí)施例中的步驟。

12、根據(jù)本技術(shù)的又一個(gè)實(shí)施例，還提供了一種計(jì)算機(jī)程序產(chǎn)品，包括計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)上述任一項(xiàng)方法實(shí)施例中的步驟。

13、通過(guò)本技術(shù)，獲取目標(biāo)磁盤(pán)的多個(gè)屬性參數(shù)，基于多個(gè)屬性參數(shù)構(gòu)建變量時(shí)間序列數(shù)據(jù)集，并對(duì)變量時(shí)間序列數(shù)據(jù)集進(jìn)行轉(zhuǎn)換，得到輸入特征向量集；計(jì)算輸入特征向量集中每個(gè)子特征向量的敏感度指數(shù)；根據(jù)敏感度指數(shù)對(duì)輸入特征向量集中特征進(jìn)行排序，并基于排序結(jié)果將輸入特征向量集劃分為主要特征子集和次要特征子集，其中，主要特征子集關(guān)聯(lián)的最小敏感度指數(shù)大于或等于次要特征子集中的最大敏感度指數(shù)；將主要特征向量集與次要特征向量集分別輸入至目標(biāo)雙向長(zhǎng)短期記憶網(wǎng)絡(luò)模型得到目標(biāo)磁盤(pán)是否故障的預(yù)測(cè)結(jié)果。采用上述技術(shù)方案，可以合理的判斷哪些屬性與磁盤(pán)狀態(tài)″關(guān)聯(lián)性″最大，分離或弱化無(wú)關(guān)冗余屬性對(duì)預(yù)測(cè)結(jié)果的影響，進(jìn)而在將輸入特征輸入到模型中進(jìn)行預(yù)測(cè)時(shí)，通過(guò)敏感度的提前分析，降低了冗余屬性對(duì)預(yù)測(cè)結(jié)果的影響，解決了現(xiàn)有方式中存在的磁盤(pán)故障預(yù)測(cè)方案的預(yù)測(cè)精度較低的問(wèn)題。