面向磁盘故障预测的机器学习方法比较

J4 ›› 2015, Vol. 37 ›› Issue (12): 2200-2207.

面向磁盘故障预测的机器学习方法比较

董勇，蒋艳凰，卢宇彤,周恩强

(1.国防科学技术大学计算机学院,湖南长沙 410073;2. 高性能计算国家重点实验室,湖南长沙 410073)

收稿日期:2015-08-03 修回日期:2015-10-16 出版日期:2015-12-25 发布日期:2015-12-25
基金资助:
国家863计划资助项目（2012AA01A301）;国家自然科学基金资助项目（61272141,61303068,61120106005）

Comparison of machine learning methods
for disk failure prediction

DONG Yong，JIANG Yanhuang，LU Yutong，ZHOU Enqiang

(1.College of Computer,National University of Defense Technology,Changsha 410073;2.State Key Laboratory of High Performance Computing,Changsha 410073,China)

Received:2015-08-03 Revised:2015-10-16 Online:2015-12-25 Published:2015-12-25

摘要/Abstract

摘要：

磁盘是保存数据的重要载体，提高磁盘的可靠性和数据可用性具有重要意义。现代磁盘普遍支持SMART协议，用来监控磁盘的内部工作状态。采用机器学习方法，分析磁盘的SMART信息，实现对磁盘故障的预测。所采用的机器学习方法包括反向神经网络、决策树、支持向量机以及简单贝叶斯，并采用实际磁盘SMART数据进行验证与分析。基于上述数据，对不同机器学习方法的有效性及其效果进行了对比。结果表明，决策树方法的预测率最好，支持向量机方法的误报率最低。

关键词: 磁盘, 故障预测, 机器学习

Abstract:

As disk is one of the most important data storage device, it is significant to improve disks’ reliability and data availability. Modern disks adopt the SMART protocol to monitor the internal operating status. We employ machine learning methods, including backpropagation neural networks, decision tree, supported vector machine and nave Bayes to analyze the SMART data of disks, which can predict disk failures. Real SMART data of disks are used in experiments to validate and analyze the effectiveness of those methods, and the effectiveness of different methods is compared. The results show that the decision tree method has best prediction rate while the supported vector machine method has the lowest false alarm rate.

Key words: disk;failure prediction;machine learning

董勇，蒋艳凰，卢宇彤,周恩强. 面向磁盘故障预测的机器学习方法比较[J]. J4, 2015, 37(12): 2200-2207.

DONG Yong，JIANG Yanhuang，LU Yutong，ZHOU Enqiang. Comparison of machine learning methods
for disk failure prediction [J]. J4, 2015, 37(12): 2200-2207.

[1]	温鑫, 曾焘, 李春波, 徐子晨. 面向服务器无感计算的模型推理服务切换方法研究[J]. 计算机工程与科学, 2024, 46(07): 1210-1217.
[2]	丁建平, 李卫军, 刘雪洋, 陈旭. 命名实体识别研究综述[J]. 计算机工程与科学, 2024, 46(07): 1296-1310.
[3]	黄智慧, 肖祥立, 张玉书, 薛明富. 基于隐形后门水印的开源数据集版权保护[J]. 计算机工程与科学, 2024, 46(06): 1013-1021.
[4]	高珊, 李世杰, 蔡志平. 基于深度学习的中文文本分类综述[J]. 计算机工程与科学, 2024, 46(04): 684-692.
[5]	黄鹏程, 冯超超, 马驰远, . 未知工艺角下时序违反的机器学习预测[J]. 计算机工程与科学, 2024, 46(03): 395-399.
[6]	李扬, 尹大鹏, 马自强, 姚梓豪, 魏良根, . 结合决策树和AdaBoost的缓存侧信道攻击检测[J]. 计算机工程与科学, 2024, 46(03): 440-452.
[7]	彭畅, 刘青枝, 陈长波, . 多面体模型下的循环置换与自动调优[J]. 计算机工程与科学, 2023, 45(12): 2121-2134.
[8]	赵振宇, 杨天豪, 蒋汶乘, 张书政. 基于机器学习的多压多温多参标准单元延迟快速计算方法[J]. 计算机工程与科学, 2023, 45(08): 1331-1338.
[9]	李小玲, 方建滨, 马俊, 谭霜, 谭郁松. 基于监督学习的稀疏矩阵自动任务分配[J]. 计算机工程与科学, 2023, 45(05): 782-789.
[10]	胡艳芳, 熊文, 高炜. 基于 Spark 平台的网络游戏用户流失预测方法[J]. 计算机工程与科学, 2022, 44(10): 1730-1737.
[11]	唐阳坤, 鲜港, 杨文祥, 喻杰, 张晓蓉, 王耀彬. 基于用户行为的超级计算机作业失败预测方法[J]. 计算机工程与科学, 2022, 44(10): 1753-1761.
[12]	楚阳, 徐文龙. 基于计算机辅助诊断技术的阿尔兹海默症早期分类研究综述[J]. 计算机工程与科学, 2022, 44(05): 879-893.
[13]	崔弘, 赵双, 张广胜, 苏金树. 基于机器学习的移动代理应用流量识别方法[J]. 计算机工程与科学, 2022, 44(04): 654-664.
[14]	刘国强, 赵振宇, 赵晨煜, 韩奥, 杨天豪. 基于机器学习的PCB布线电阻计算方法[J]. 计算机工程与科学, 2022, 44(03): 396-402.
[15]	李文丽. 基于朴素贝叶斯分类的网络谣言识别研究[J]. 计算机工程与科学, 2022, 44(03): 495-501.