基于双向LSTM网络的硬盘剩余使用寿命估计
机器学习
2021-09-14 v1
摘要
物理与云存储服务依赖于运行正常且可靠的大容量存储系统。近期观察表明，在包含海量存储设备（如HDD）的数据中心中，硬盘可靠性是最紧迫的可靠性问题之一。在这方面，在磁盘层面及早检测即将发生的故障有助于减少系统停机时间并降低运营损失，使得在此类环境中主动健康监控成为AIOps的优先事项。在这项工作中，我们引入了提取与运行故障相关的有意义属性以及预处理高度不平衡健康统计数据的方法，以用于后续基于数据驱动方法的预测任务。我们使用具有多日回看周期的双向LSTM（Bidirectional LSTM）来学习健康指标的时间演化，并将其与 vanilla LSTM 和 Random Forest 模型进行基线对比，得出若干关键指标，在严格定义的操作约束下确立了我们模型的有效性与优越性。例如，使用15天回看周期，我们的方法在考虑故障前60天的测试数据时，能以96.4%的准确率预测磁盘故障的发生。这有助于提前向运维维护发出关于潜在缓解需求的警报。此外，我们的模型在提前最多60天预测故障时报告平均绝对误差为0.12，使其跻身近期文献中的最先进水平（state-of-the-art）。
引用
@article{arxiv.2109.05351,
title = {Remaining Useful Life Estimation of Hard Disk Drives using Bidirectional LSTM Networks},
author = {Austin Coursey and Gopal Nath and Srikanth Prabhu and Saptarshi Sengupta},
journal= {arXiv preprint arXiv:2109.05351},
year = {2021}
}
备注
10 pages, 11 figures, 3 tables