隨著大數(shù)據(jù)時(shí)代的到來,海量數(shù)據(jù)的存儲(chǔ)逐漸由客戶端轉(zhuǎn)移到了云端并存儲(chǔ)在企業(yè)數(shù)據(jù)中心里,一旦數(shù)據(jù)中心發(fā)生故障,將會(huì)給企業(yè)帶來巨大的損失。而如今現(xiàn)代數(shù)據(jù)中心的數(shù)據(jù)存儲(chǔ)依舊以磁盤存儲(chǔ)占主導(dǎo)地位,因此磁盤故障的維護(hù)是如今運(yùn)維人員的主要工作之一。如何高效的利用現(xiàn)有資源根據(jù)磁盤數(shù)據(jù)對(duì)未來可能發(fā)生的磁盤故障進(jìn)行預(yù)測(cè),并及時(shí)備份數(shù)據(jù)更換磁盤來提高現(xiàn)代數(shù)據(jù)中心存儲(chǔ)系統(tǒng)的可靠性已成為數(shù)據(jù)中心的研究熱點(diǎn)之一。然而,當(dāng)前數(shù)據(jù)中心磁盤故障預(yù)測(cè)研究中仍存在著不足之處,目前主要采用的磁盤故障預(yù)測(cè)建模方法均是以分類問題進(jìn)行處理,只能預(yù)測(cè)出磁盤未來是否會(huì)發(fā)生故障,而且當(dāng)前磁盤故障預(yù)測(cè)問題的研究精度也不夠高,同時(shí)磁盤故障預(yù)測(cè)模型的有效預(yù)測(cè)時(shí)間也比較短,運(yùn)維和相關(guān)工作人員無法及時(shí)根據(jù)磁盤預(yù)測(cè)的結(jié)果將磁盤進(jìn)行備份和處理。針對(duì)上述問題,本文提出一種磁盤故障預(yù)測(cè)模型,該模型分為基于卷積神經(jīng)網(wǎng)絡(luò)的磁盤故障檢測(cè)模型和融合LSTM神經(jīng)網(wǎng)絡(luò)和fbprophet算法的SMART數(shù)據(jù)預(yù)測(cè)模型,該模型可以準(zhǔn)確預(yù)測(cè)出未來30天的磁盤故障情況。主要內(nèi)容如下:(1)磁盤故障檢測(cè)模型利用卷積神經(jīng)網(wǎng)絡(luò)具有分別計(jì)算、利用局部處理數(shù)據(jù)、權(quán)值共享,使其可以在輸入數(shù)據(jù)保持高維度的同時(shí)自動(dòng)有效的提取出數(shù)據(jù)有用特征并進(jìn)行計(jì)算,最終達(dá)到分類目的的特點(diǎn)。利用多個(gè)卷積層和池化層對(duì)磁盤信息進(jìn)行特征提取,得到能夠檢測(cè)出磁盤是否故障與當(dāng)前磁盤信息之間的關(guān)系,從而檢測(cè)出當(dāng)前磁盤是否存在故障的結(jié)果。(2)SMART數(shù)據(jù)預(yù)測(cè)模型利用LSTM神經(jīng)網(wǎng)絡(luò)解決長(zhǎng)時(shí)間依賴問題與fbprophet算法對(duì)時(shí)間序列數(shù)據(jù)周期性和節(jié)假日特點(diǎn)擬合效果較好的特點(diǎn),將兩個(gè)模型融合來提高磁盤SMART數(shù)據(jù)的預(yù)測(cè)精度。將模型融合的SMART數(shù)據(jù)預(yù)測(cè)模型輸出結(jié)果輸入到磁盤故障檢測(cè)模型中,建立能確定未來具體發(fā)生故障時(shí)間的磁盤故障預(yù)測(cè)模型。實(shí)驗(yàn)證明該模型可以準(zhǔn)確預(yù)測(cè)出磁盤未來30天的故障信息。本文工作為未來磁盤故障預(yù)測(cè)系統(tǒng)的設(shè)計(jì)和實(shí)現(xiàn)提供了一定參考。
【學(xué)位單位】：西安電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TP308
【部分圖文】：

圖2.5卷積神經(jīng)網(wǎng)絡(luò)池化層池化方法經(jīng)網(wǎng)絡(luò)的輸出層一般緊接著全連接層，因此輸出層的結(jié)構(gòu)和工作原經(jīng)網(wǎng)絡(luò)的輸出層大致相同，對(duì)于分類問題，一般輸出層使用邏輯函數(shù)來輸出分類標(biāo)簽從而完成最后的分類問題。 循環(huán)神經(jīng)網(wǎng)絡(luò)經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)是近幾年發(fā)展較快的另一學(xué)習(xí)模型。循環(huán)神經(jīng)網(wǎng)絡(luò)主要是為了處理時(shí)間序列數(shù)據(jù)而被設(shè)計(jì)出的神經(jīng)網(wǎng)絡(luò)中，輸入層到隱含層和隱含層到輸出層之間前后兩層的接的方式來傳遞數(shù)據(jù)的，但是在每層內(nèi)的節(jié)點(diǎn)之間是無連接的。因其在處理當(dāng)輸入數(shù)據(jù)存在前后時(shí)序關(guān)系的問題時(shí)變得十分困難。經(jīng)網(wǎng)絡(luò)在處理時(shí)間序列問題時(shí)由于其結(jié)構(gòu)在處理t時(shí)刻時(shí)可以將該傳遞給下一時(shí)刻的隱含層，從而有效利用了t時(shí)刻的信息在下一層經(jīng)網(wǎng)絡(luò)具有很好的時(shí)序性。目前循環(huán)神經(jīng)網(wǎng)絡(luò)被大量用在自然語(yǔ)言

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 ;浪潮推出云海集裝箱數(shù)據(jù)中心[J];科技浪潮;2011年02期

2 ;浪潮“行業(yè)云”和云數(shù)據(jù)中心演示引人注目[J];科技浪潮;2011年02期

3 ;云操作系統(tǒng) 云數(shù)據(jù)中心神經(jīng)系統(tǒng)[J];科技浪潮;2011年03期

4 ;浪潮發(fā)布云海集裝箱數(shù)據(jù)中心[J];科技浪潮;2011年03期

5 ;浪潮存儲(chǔ)獲“用戶滿意數(shù)據(jù)中心解決方案”大獎(jiǎng)[J];科技浪潮;2009年05期

6 趙吉志;;淺談數(shù)據(jù)中心綠色分級(jí)評(píng)估方法[J];科技浪潮;2012年05期

7 ;云操作系統(tǒng) 云數(shù)據(jù)中心神經(jīng)系統(tǒng)[J];科技浪潮;2011年S1期

8 趙吉志;;數(shù)據(jù)中心效能評(píng)估指標(biāo)簡(jiǎn)介[J];科技浪潮;2013年02期

9 解云鵬;王江龍;雷波;;5G時(shí)代 數(shù)據(jù)中心網(wǎng)絡(luò)演進(jìn)正當(dāng)時(shí)[J];通信世界;2019年33期

10 胡騫;張安旭;霍曉莉;;“灰盒”模式構(gòu)建數(shù)據(jù)中心光層互聯(lián)[J];通信世界;2019年33期

相關(guān)會(huì)議論文 前10條

1 沈巍;丁聰;姜玉;;淺談色彩管理在數(shù)據(jù)中心設(shè)計(jì)中的應(yīng)用[A];2018中國(guó)信息通信大會(huì)論文摘要集[C];2018年

2 楊羽虎;;甘肅省煙草專賣商業(yè)系統(tǒng)數(shù)據(jù)中心面臨的安全風(fēng)險(xiǎn)及對(duì)策[A];中國(guó)煙草學(xué)會(huì)2016年度優(yōu)秀論文匯編—— 信息化管理主題[C];2016年

3 關(guān)麗紅;劉彥

本文編號(hào)：2824923