王陶 吴鑫 李君 李顺

(浙江万里学院,浙江宁波 315100)

0 引言

硬盘故障会导致大量重要数据丢失,这不仅会影响到数据中心正常运行,而且可能会产生巨额的修复成本,甚至使客户满意度降低,影响企业声誉。可见硬盘故障造成的数据丢失给企业带来的影响不容小觑,预防数据丢失的一个重要途径就是硬盘剩余寿命预测,硬盘剩余寿命预测能有效降低数据丢失率,减少因数据丢失带来的巨大损失。

近年来机器学习方法被用于预测硬盘剩余寿命(RUL),并取得了较好的预测结果。其中Farzaneh Ahmadzadeh等在2011年将贝叶斯方法、隐式马尔可夫模型(hmm),隐式半马尔可夫模型(hsmm)方法进行对比,应用于硬盘剩余寿命预测[1]。2014年Jing Li等提出用决策回归树CART对硬盘剩余寿命进行预测,决策树CART模型预测准确率为95%以上,并且性能优于反向传播神经网络(BP ANN)[2]。2015年贾宇晗等应用CART决策树和BP神经网络两种机器学习方法,对硬盘故障预测,取得不错的结果[3]。2016年Botezatu等提出了用随机森林(RF)对硬盘剩余寿命(RUL)进行预测[4]。2017年Nicolas Aussel等利用支持向量机、随机森林和GBDT机器学习方法对硬盘故障进行预测,并得出RF有95%的准确率,67%的召回率;GBDT有94%的准确率和67%的召回率[5]。2018年Fernando Dione S.Lima等通过将随机森林与RNN、LSTM应用到硬盘剩余寿命预测,对比得到LSTM短期精度为98.40%长期精度为68.61%,RF短期精度为25.13%,长期精度为23.89%[6]。2018年Preethi Anantharaman等通过建立LSTM、CNN、RNN等深度学习模型,预测硬盘剩余寿命,实验结果表明LSTM的整体性能最好,其次是CNN[7]。贾润莹等在2014年提出用Adaboost算法优化BP神经网络模型,得到了较好的预测结果[8]。……