本文關(guān)鍵詞：基于S.M.A.R.T.預測故障磁盤的研究，由筆耕文化傳播整理發(fā)布。

【摘要】：近年來,云計算技術(shù)得到迅猛發(fā)展,給諸多企業(yè)帶來商業(yè)模式的轉(zhuǎn)變,也給個人帶來工作方式的改變。但是,不斷發(fā)生的云安全事故,常常造成數(shù)據(jù)丟失的嚴重后果,給企業(yè)和個人帶來嚴重的損失,也阻礙了云計算的廣泛推廣使用。云計算的安全性和可靠性成為企業(yè)和個人關(guān)注的焦點。確保數(shù)據(jù)不丟失,必須首先關(guān)注云存儲的安全。云存儲是云計算的基礎(chǔ),其核心是磁盤。隨著磁盤制造工藝進步,磁盤發(fā)生故障的概率越來越低。但是,由于云存儲中磁盤的數(shù)量規(guī)模是極其龐大的,云環(huán)境下的磁盤故障依然是多發(fā)的。磁盤故障多發(fā)使用戶數(shù)據(jù)面臨風險,磁盤故障率極低又使得故障磁盤的預測和運維人員的維護變得極為困難。自我監(jiān)測、分析及報告技術(shù)(S. M. A. R. T.)是ATA標準規(guī)定的各磁盤廠商必須遵循的標準條件之一。它通過監(jiān)控磁盤運行時的電機、磁頭、溫度等狀態(tài)信息,并與磁盤廠商設定的安全閾值相比較來判斷磁盤的健康狀況。當判斷有故障發(fā)生時,能自動向用戶發(fā)出警告,部分甚至會進行簡單的自動修復,如自動降速和備份數(shù)據(jù)等。目前,基于S. M. A. R. T.的閾值判定方法是磁盤廠商普遍采用的故障磁盤預測方法。但是,采用該方法時,故障磁盤的檢測率通常為3-10%,故障磁盤檢測率過低,實際預警效用不大。當前,基于S. M. A. R. T.預測故障磁盤的研究較少,已建立的模型均基于磁盤廠商的S. M. A. R.T.數(shù)據(jù)和其它環(huán)境等數(shù)據(jù),難以應用于實際的用戶集群的磁盤故障預測。本文基于實際的用戶觀測數(shù)據(jù),僅僅利用S. M. A. R. T.信息,建立有效的故障磁盤預測模型。本文的主要工作總結(jié)如下：(1)研究了磁盤S. M. A. R. T.技術(shù),分析了基于磁盤S. M. A. R. T.數(shù)據(jù)的故障磁盤預測方法及其研究現(xiàn)狀。(2)實現(xiàn)了實際云計算平臺的磁盤S. M. A. R. T信息的采集和預處理。(3)利用磁盤維修記錄將磁盤狀態(tài)分類為“正�！焙汀�24小時內(nèi)即將發(fā)生故障”。故障磁盤定義為確認需要進行維修更換的磁盤,確認的時間即為故障發(fā)生的時間。(4)針對磁盤實際故障率極低,實驗對象是極不平衡的數(shù)據(jù)集的情況,提出了一種混合的故障磁盤預測方法DKSS。該方法基于實際用戶集群的磁盤S. M. A. R. T.數(shù)據(jù),綜合了聚類、重采樣和集成分類器等方法。該方法在模型訓練階段首先通過聚類和重采樣來重構(gòu)數(shù)據(jù)集,以平衡正負兩類樣本,再利用支持向量機方法訓練學習子分類器,最后對子分類器的預測結(jié)果進行投票集成。在模型預測階段,首先利用聚類方法來縮小樣本規(guī)模,再利用集成分類器進行預測。(5)采用DBSCAN、K-means、SMOTE和SVM等方法實現(xiàn)了DKSS模型,并對模型的有效性進行了實驗驗證和預測性能分析。本文的創(chuàng)新點在于：(1)基于實際用戶環(huán)境,僅僅利用S. M. A. R. T.數(shù)據(jù)來預測故障磁盤。(2)提出了DKSS混合策略,并應用于故障磁盤預測。實驗證明,該方法具有較好的預測性能,并具有較強的泛化能力。
【關(guān)鍵詞】：磁盤故障預測 S.M.A.R.T. SVM DBSCAN K-means
【學位授予單位】：南京大學
【學位級別】：碩士
【學位授予年份】：2014
【分類號】：TP333
【目錄】：

• 摘要3-5
• Abstract5-9
• 1 緒論9-14
• 1.1 問題背景9-10
• 1.2 磁盤故障預警技術(shù)10-12
• 1.3 本文工作與論文組織12-13
• 1.4 本章小結(jié)13-14
• 2 異常檢測技術(shù)研究現(xiàn)狀14-20
• 2.1 異常檢測問題定義14
• 2.2 異常檢測的應用14-15
• 2.3 現(xiàn)有異常檢測技術(shù)15-19
• 2.3.1 基于統(tǒng)計的方法16-17
• 2.3.2 基于聚類的方法17-18
• 2.3.3 基于近鄰的方法18
• 2.3.4 基于分類的方法18-19
• 2.4 本章小結(jié)19-20
• 3 磁盤S.M.A.R.T.技術(shù)20-26
• 3.1 S.M.A.R.T.技術(shù)簡介20
• 3.2 S.M.A.R.T.監(jiān)測屬性20-25
• 3.3 S.M.A.R.T.應用現(xiàn)狀25
• 3.4 本章小結(jié)25-26
• 4 DKSS混合策略算法26-40
• 4.1 引言26
• 4.2 DKSS混合策略中的相關(guān)子算法26-36
• 4.2.1 支持向量機26-35
• 4.2.2 DBSCAN算法35-36
• 4.2.3 K-means算法36
• 4.3 DKSS算法36-39
• 4.4 本章小結(jié)39-40
• 5 基于DKSS混合策略的磁盤故障檢測技術(shù)40-59
• 5.1 實驗數(shù)據(jù)40-45
• 5.1.1 數(shù)據(jù)采集40-44
• 5.1.2 數(shù)據(jù)集劃分44-45
• 5.2 實驗環(huán)境和性能評價標準45-46
• 5.2.1 實驗環(huán)境45
• 5.2.2 性能評價標準45-46
• 5.3 數(shù)據(jù)預處理46-47
• 5.3.1 特征選擇46
• 5.3.2 數(shù)據(jù)清洗46-47
• 5.3.3 數(shù)據(jù)變換47
• 5.4 模型訓練47-51
• 5.5 模型驗證51-52
• 5.6 實驗結(jié)果和性能評價52-58
• 5.6.1 實驗結(jié)果52-54
• 5.6.2 實驗性能評估54-58
• 5.7 本章小結(jié)58-59
• 6 總結(jié)與展望59-61
• 6.1 總結(jié)59
• 6.2 展望59-61
• 參考文獻61-68
• 致謝68-69
• 附件1 碩士生期間參與的科研項目69-70
• 附件2 碩士生期間發(fā)表和錄用的論文70-71

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前1條

1 張狄;;“聰明”的硬盤——談S.M.A.R.T.技術(shù)[J];每周電腦報;1997年49期

中國重要報紙全文數(shù)據(jù)庫 前1條

1 山東 王琨;《誰動了硬盤的S.M.A.R.T.》補遺[N];電腦報;2004年

中國碩士學位論文全文數(shù)據(jù)庫 前1條

1 宋云華;基于S.M.A.R.T.預測故障磁盤的研究[D];南京大學;2014年

  本文關(guān)鍵詞：基于S.M.A.R.T.預測故障磁盤的研究，，由筆耕文化傳播整理發(fā)布。

本文編號：493393