【摘要】：針對云計算平臺的硬盤不可靠問題,提出基于帶過采樣的COG(COG-OS)框架,利用硬盤自我監(jiān)測分析和報告技術(SMART)日志預測故障硬盤。首先采用DBScan或K-means聚類算法將無故障硬盤樣本劃分成多個不相交子集;再與故障硬盤樣本結合,采用少量樣本合成過采樣技術(SMOTE)使整體樣本集趨于平衡;最后采用LIBSVM分類算法預測故障硬盤。調(diào)整參數(shù),將COG-OS與SMOTE+支持向量機(SVM)的預測性能相比較,實驗結果表明該方法具有可行性。當采用K-means方法劃分無故障盤樣本,并采用徑向基函數(shù)(RBF)內(nèi)核的LIBSVM方法預測故障盤時,COG-OS改善了SMOTE+SVM對故障硬盤的預測查全率和整體性能。
[Abstract]:In order to solve the problem of unreliability of hard disk in cloud computing platform, a COG (COG-OS) framework with oversampling is proposed. The (SMART) log of hard disk self-monitoring and reporting technology is used to predict the faulty hard disk. Firstly, DBScan or K-means clustering algorithm is used to divide the fault-free hard disk samples into several disjoint subsets, and then combined with the fault hard disk samples, a small number of samples are synthesized and oversampled technique (SMOTE) is used to make the whole sample set tend to balance. Finally, the LIBSVM classification algorithm is used to predict the fault hard disk. By adjusting the parameters, the prediction performance of COG-OS and SMOTE support vector machine (SVM) is compared. The experimental results show that the proposed method is feasible. When the K-means method is used to divide the fault-free disk samples, and the radial basis function (RBF) kernel LIBSVM method is used to predict the fault disk, COG-OS improves the prediction recall rate and the overall performance of the SMOTE SVM hard disk.
【作者單位】： 南京大學計算機科學與技術系;計算機軟件新技術國家重點實驗室(南京大學);阿里云計算有限公司飛天-結構化數(shù)據(jù)服務;
【基金】：國家863計劃項目(2011AA01A202)
【分類號】：TP333.35

【參考文獻】

相關期刊論文 前1條

1 林智勇;郝志峰;楊曉偉;;不平衡數(shù)據(jù)分類的研究現(xiàn)狀[J];計算機應用研究;2008年02期

【共引文獻】

相關期刊論文 前10條

1 謝紀剛;裘正定;;非平衡數(shù)據(jù)集Fisher線性判別模型[J];北京交通大學學報;2006年05期

2 張英俊;周海英;;基于分塊主色調(diào)和紋理特征的彩色圖像檢索[J];電腦開發(fā)與應用;2010年02期

3 羅兵;;自動質量檢測系統(tǒng)的性能評價指標[J];電子質量;2008年01期

4 李正欣;趙林度;;基于SMOTEBoost的非均衡數(shù)據(jù)集SVM分類器[J];系統(tǒng)工程;2008年05期

5 劉天羽;李國正;;大腦膠質瘤診斷中不均衡問題的特征選擇[J];廣西師范大學學報(自然科學版);2009年03期

6 朱明;陶新民;;基于隨機下采樣和SMOTE的不均衡SVM分類算法[J];信息技術;2012年01期

7 程華;房一泉;;基于聚類分析的網(wǎng)絡流量高斯混合模型[J];華東理工大學學報(自然科學版);2010年02期

8 Alma Lilia Garcia-Almanza;Edward P.K.Tsang;;Evolving Decision Rules to Predict Investment Opportunities[J];International Journal of Automation & Computing;2008年01期

9 鄒權;郭茂祖;劉揚;王峻;;類別不平衡的分類方法及在生物信息學中的應用[J];計算機研究與發(fā)展;2010年08期

10 周廣通;尹義龍;郭心建;董彩玲;;VOTCL及其在交叉銷售問題上的應用研究[J];計算機研究與發(fā)展;2010年09期

相關博士學位論文 前10條

1 陳志國;基于群體智能的機器視覺的關鍵技術研究[D];江南大學;2010年

2 渠瑜;基于SVM的高不平衡分類技術研究及其在電信業(yè)的應用[D];浙江大學;2010年

3 李軍;不平衡數(shù)據(jù)學習的研究[D];吉林大學;2011年

4 高贊;基于內(nèi)容的視頻分析關鍵技術[D];北京郵電大學;2011年

5 黃靜華;支持向量機算法研究及在氣象數(shù)據(jù)挖掘中的應用[D];中國礦業(yè)大學（北京）;2011年

6 張婧;基于SVM的肺結節(jié)自動識別方法研究[D];華南理工大學;2011年

7 羅建宏;粒計算分類知識發(fā)現(xiàn)算法及其應用[D];浙江大學;2010年

8 鄭恩輝;基于支持向量機的代價敏感數(shù)據(jù)挖掘研究與應用[D];浙江大學;2006年

9 劉萬里;支持向量機中若干問題及應用研究[D];西安電子科技大學;2008年

10 谷瓊;面向非均衡數(shù)據(jù)集的機器學習及在地學數(shù)據(jù)處理中的應用[D];中國地質大學;2009年

相關碩士學位論文 前10條

1 朱新榮;徑向基函數(shù)神經(jīng)網(wǎng)絡集成算法的研究及應用[D];大連理工大學;2010年

2 饒裕平;基于視頻的森林火災識別方法研究[D];浙江農(nóng)林大學;2010年

3 李明方;少數(shù)類數(shù)據(jù)識別方法及性能評價[D];山東師范大學;2011年

4 王瑞偉;網(wǎng)絡安全取證的應用研究[D];江南大學;2011年

5 龔薇;失衡樣本分類問題的自動過濾算法的研究[D];華東師范大學;2011年

6 劉國強;基于組合抽樣技術的集成學習算法研究與應用[D];中國海洋大學;2011年

7 袁興梅;面向不平衡數(shù)據(jù)的結構化支持向量機集成方法研究[D];南京師范大學;2011年

8 蘇攀;不平衡分類器博弈模型及其在中國象棋中的應用[D];河北大學;2011年

9 童智靖;不均衡數(shù)據(jù)下基于SVM的分類算法研究與應用[D];哈爾濱工程大學;2011年

10 徐紅國;基于數(shù)據(jù)分布特征的文本分類研究[D];山西大學;2011年

【相似文獻】

相關期刊論文 前10條

1 沈莉芳;方貴盛;;支持向量機及其在草圖編輯手勢識別中的應用[J];電腦知識與技術(學術交流);2006年23期

2 王旭;周南;;一種基于SVM的BCI系統(tǒng)的研究與設計[J];農(nóng)業(yè)網(wǎng)絡信息;2008年11期

3 程香;袁兆山;;基于支持向量機的信息系統(tǒng)性能評估[J];計算機工程與應用;2009年18期

4 畢路拯;張然;高原;吳平東;;基于認知任務的腦機接口方法研究[J];計算機工程;2007年01期

5 戴宏亮;;智能拉普拉斯分類器[J];中山大學學報(自然科學版);2009年02期

6 倪茂樹;趙晶;林鴻飛;;生物醫(yī)學文本分類方法比較研究[J];計算機工程與應用;2007年12期

7 唐艷;柳建新;龔安棟;;ICA+CSSD的腦-機接口分類[J];電子科技大學學報;2008年03期

8 趙明淵;周明天;許雄基;張渡;;基于支持向量機的腦——機接口模式分類和模型參數(shù)研究[J];計算機應用;2007年02期

9 龐九鳳;李險峰;謝勁松;佟冬;程旭;;基于支持向量機的微體系結構設計空間探索(英文)[J];北京大學學報(自然科學版);2010年01期

10 ;《模式識別與人工智能》2005年總目次[J];模式識別與人工智能;2005年06期

相關博士學位論文 前5條

1 綦宏志;腦—機接口中上肢想象動作側向性識別的關鍵技術研究[D];天津大學;2008年

2 葉檸;基于腦電信號的腦—機接口的關鍵技術與實驗研究[D];東北大學;2010年

3 周鵬;基于運動想象的腦機接口的研究[D];天津大學;2007年

4 趙海濱;腦—機接口的特征提取和分類方法研究[D];東北大學;2009年

5 張海濤;自律計算系統(tǒng)的自律可信性評估研究[D];哈爾濱工程大學;2010年

相關碩士學位論文 前10條

1 李嘉;基于支持向量機的軟件可靠性早期預測研究[D];合肥工業(yè)大學;2005年

2 萬以華;半導體神經(jīng)計算機硬件實現(xiàn)研究及在全方位實物識別中的應用[D];浙江工業(yè)大學;2006年

3 王曉勇;基于集成支持向量機的P300腦機接口信號識別算法研究[D];燕山大學;2009年

4 牛硯波;多類分類支持向量機在嵌入式語音識別系統(tǒng)中的研究[D];太原理工大學;2012年

5 鄧萬昌;基于事件相關電位的腦機接口研究[D];北京交通大學;2009年

6 王江;基于腦電mu節(jié)律的腦—機接口系統(tǒng)的研究[D];河北工業(yè)大學;2006年

7 郭凱;基于運動想象的腦機接口的研究及其應用[D];杭州電子科技大學;2011年

8 王玉常;基于嵌入式系統(tǒng)的優(yōu)化算法設計和研究[D];浙江大學;2008年

9 王艷景;基于運動想象的腦—機接口關鍵技術研究[D];山西大學;2011年

10 高保平;嵌入式字符識別技術的研究與開發(fā)[D];江南大學;2012年

，

本文編號：2450631