期刊文献+
共找到4篇文章
< 1 >
每页显示 20 50 100
基于COG-OS框架利用SMART预测云计算平台的硬盘故障 被引量:3
1
作者 宋云华 柏文阳 周琦 《计算机应用》 CSCD 北大核心 2014年第1期31-35,188,共6页
针对云计算平台的硬盘不可靠问题,提出基于带过采样的COG(COG-OS)框架,利用硬盘自我监测分析和报告技术(SMART)日志预测故障硬盘。首先采用DBScan或K-means聚类算法将无故障硬盘样本划分成多个不相交子集;再与故障硬盘样本结合,采用少... 针对云计算平台的硬盘不可靠问题,提出基于带过采样的COG(COG-OS)框架,利用硬盘自我监测分析和报告技术(SMART)日志预测故障硬盘。首先采用DBScan或K-means聚类算法将无故障硬盘样本划分成多个不相交子集;再与故障硬盘样本结合,采用少量样本合成过采样技术(SMOTE)使整体样本集趋于平衡;最后采用LIBSVM分类算法预测故障硬盘。调整参数,将COG-OS与SMOTE+支持向量机(SVM)的预测性能相比较,实验结果表明该方法具有可行性。当采用K-means方法划分无故障盘样本,并采用径向基函数(RBF)内核的LIBSVM方法预测故障盘时,COG-OS改善了SMOTE+SVM对故障硬盘的预测查全率和整体性能。 展开更多
关键词 COG-OS框架 自我监测分析和报告技术 K-均值 少量样本合成过采样技术 LIBSVM 支持向量机
下载PDF
基于Adaboost和遗传算法的硬盘故障预测模型优化及选择 被引量:6
2
作者 贾润莹 李静 +2 位作者 王刚 李忠伟 刘晓光 《计算机研究与发展》 EI CSCD 北大核心 2014年第S1期148-154,共7页
硬盘故障给数据中心的可靠性和可用性带来的影响越来越大,采用不同的机器学习方法构建基于自监控分析报告技术(self-monitoring,analysis and reporting technology,SMART)属性的硬盘故障预测模型策略的研究已经取得了一定的效果.但这... 硬盘故障给数据中心的可靠性和可用性带来的影响越来越大,采用不同的机器学习方法构建基于自监控分析报告技术(self-monitoring,analysis and reporting technology,SMART)属性的硬盘故障预测模型策略的研究已经取得了一定的效果.但这些模型策略无法得到较为稳定的预测效果,并且无法选择适合于不同用户需求的最佳模型.为得到更高的准确率和较低的误报率,实现了基于Adaboost算法的BP神经网络预测模型优化方法.在此基础上,为更好地适用于实际工作场景,实现了根据遗传算法(genetic algorithm,GA),按照用户的预测效果要求,选择出最恰当的预测模型的方法,在不同的效果要求下选用不同的预测模型. 展开更多
关键词 硬盘故障监测 自监控分析报告技术(smart) 人工神经网络 ADABOOST 遗传算法(GA)
下载PDF
硬盘故障预测模型在大型数据中心环境下的验证 被引量:6
3
作者 贾宇晗 李静 +4 位作者 贾润莹 李忠伟 王刚 刘晓光 肖康 《计算机研究与发展》 EI CSCD 北大核心 2015年第S2期54-61,共8页
随着互联网的发展、存储规模的骤增,大型数据中心硬盘频繁损坏导致的数据丢失给企业带来的损失已成为不可忽视的重大问题.以往基于硬盘SMART(self-monitoring,analysis and reporting technology)属性建立的包括应用统计学和机器学习等... 随着互联网的发展、存储规模的骤增,大型数据中心硬盘频繁损坏导致的数据丢失给企业带来的损失已成为不可忽视的重大问题.以往基于硬盘SMART(self-monitoring,analysis and reporting technology)属性建立的包括应用统计学和机器学习等方法在内的各种硬盘故障预测模型,虽然取得了较好的效果,但其数据采集及处理等方面均存在不足之处.基于某真实的互联网大型数据中心环境,提取SMART属性数据,并提出了一种基于神经网络权值矩阵的方法,结合Rank Sum秩和检验、RAT反向安排测试、Z-Score评分3种无参统计学方法,对属性进行选择,应用CART决策树及BP神经网络2种机器学习方法,建立硬盘故障预测模型.实验表明描述的2种硬盘故障预测模型均具有很好的性能,这是机器学习算法在实际应用场景下很好的实践.此外,通过实验以及对实验的分析和解释,得出一些有益的结论,这为下一步的研究工作奠定了基础. 展开更多
关键词 硬盘故障预测 决策树 BP神经网络 smart 大型数据中心
下载PDF
A disk failure prediction model for multiple issues
4
作者 Yunchuan GUAN Yu LIU +3 位作者 Ke ZHOU Qiang LI Tuanjie WANG Hui LI 《Frontiers of Information Technology & Electronic Engineering》 SCIE EI CSCD 2023年第7期964-979,共16页
Disk failure prediction methods have been useful in handing a single issue,e.g.,heterogeneous disks,model aging,and minority samples.However,because these issues often exist simultaneously,prediction models that can h... Disk failure prediction methods have been useful in handing a single issue,e.g.,heterogeneous disks,model aging,and minority samples.However,because these issues often exist simultaneously,prediction models that can handle only one will result in prediction bias in reality.Existing disk failure prediction methods simply fuse various models,lacking discussion of training data preparation and learning patterns when facing multiple issues,although the solutions to different issues often conflict with each other.As a result,we first explore the training data preparation for multiple issues via a data partitioning pattern,i.e.,our proposed multi-property data partitioning(MDP).Then,we consider learning with the partitioned data for multiple issues as learning multiple tasks,and introduce the model-agnostic meta-learning(MAML)framework to achieve the learning.Based on these improvements,we propose a novel disk failure prediction model named MDP-MAML.MDP addresses the challenges of uneven partitioning and difficulty in partitioning by time,and MAML addresses the challenge of learning with multiple domains and minor samples for multiple issues.In addition,MDP-MAML can assimilate emerging issues for learning and prediction.On the datasets reported by two real-world data centers,compared to state-of-the-art methods,MDP-MAML can improve the area under the curve(AUC)and false detection rate(FDR)from 0.85 to0.89 and from 0.85 to 0.91,respectively,while reducing false alarm rate(FAR)from 4.88%to 2.85%. 展开更多
关键词 Storage system reliability Disk failure prediction self-monitoring analysis and reporting technology(smart) Machine learning
原文传递
上一页 1 下一页 到第
使用帮助 返回顶部