一种磁盘故障预测方法、装置、设备及介质与流程

1.本发明涉及智能运维技术领域，特别涉及一种磁盘故障预测方法、装置、设备及介质。


背景技术：

2.在aiops(artificial intelligence for it operations，智能运维)技术领域中，当前的磁盘故障预测方法有以下几种：基于阈值、基于机器学习、基于深度学习等，其中，基于阈值进行磁盘故障预测的方法较为保守，准确率低；基于机器学习和深度学习的模型需要大量的数据进行训练，受限于好盘多，坏盘少，即小样本问题，准确率较低。此外，由于磁盘误报带来的检测成本或者换盘成本很高，因此，误报率需要得到有效控制。
3.为此，如何解决磁盘故障预测中的小样本问题，以及降低误报率是本领域亟待解决的问题。


技术实现要素：

4.有鉴于此，本发明的目的在于提供一种磁盘故障预测方法、装置、设备及介质，能够解决磁盘故障预测中的小样本问题，以及降低误报率，其具体方案如下：
5.第一方面，本技术公开了一种磁盘故障预测方法，包括：
6.确定出目标待预测磁盘的观测值，然后确定出与所述观测值对应的标签，其中，所述标签用于表示所述待预测磁盘的原始健康状态；
7.将所述观测值输入至预先构建的预测网络，得到预测概率，并基于所述预测概率确定用于表示所述目标待预测磁盘当前健康状态的判定结果，根据所述标签与所述判定结果确定出相应的奖励值，然后确定相应的预测样本序列；
8.基于所述预测样本序列计算所述预测网络的损失函数，并在利用梯度下降算法对基于所述损失函数确定的所述预测网络的参数进行迭代更新后，重新跳转至所述确定出目标待预测磁盘的观测值的步骤，直至达到预设迭代次数或预测网络模型收敛。
9.可选的，所述确定出目标待预测磁盘的观测值，然后确定出与所述观测值对应的标签，包括：
10.确定目标待预测磁盘的滑动窗口长度，并确定所述待预测磁盘在所述滑动窗口长度内的预设特征值；
11.基于所述预设特征值与预设特征数量确定出预设特征矩阵，并将所述预设特征矩阵确定为所述目标待预测磁盘的观测值，然后将所述滑动窗口长度中目标窗口对应的所述待预测磁盘的健康状态确定为与所述观测值对应的标签。
12.可选的，所述基于所述预测概率确定用于表示所述待预测磁盘当前健康状态的判定结果，包括：
13.当所述预测概率大于预设判定值，则所述判定结果对应的健康状态为故障；
14.当所述预测概率小于所述预设判定值，则所述判定结果对应的健康状态为健康。
15.可选的，所述根据所述标签与所述判定结果确定出相应的奖励值，包括：
16.若所述标签对应的原始健康状态为健康，并且所述判定结果对应的当前健康状态为健康，则给予第一正向奖励；
17.若所述标签对应的原始健康状态为健康，并且所述判定结果对应的当前健康状态为故障，则给予第一负向奖励；
18.若所述标签对应的原始健康状态为故障，并且所述判定结果对应的当前健康状态为健康，则给予第二负向奖励；
19.若所述标签对应的原始健康状态为故障，并且所述判定结果对应的当前健康状态为故障，则给予第二正向奖励；
20.其中，所述第一正向奖励和所述第二负向奖励的绝对值相同，并且，所述第一负向奖励、所述第二正向奖励和所述第一正向奖励的绝对值依次递减。
21.可选的，所述确定相应的预测样本序列，包括：
22.确定预测样本数量，然后生成由所述预测样本数量个预测样本构成的预测样本序列，其中，所述预测样本由所述观测值、所述标签、所述预测概率、所述判定结果以及所述奖励值确定生成。
23.可选的，所述确定预测样本数量，包括：
24.确定所述目标待预测磁盘的生命周期，根据所述目标待预测磁盘的生命周期以及所述目标待预测磁盘的滑动窗口长度确定出预测样本数量。
25.可选的，所述确定出目标待预测磁盘的观测值，然后确定出与所述观测值对应的标签，其中，所述标签用于表示所述待预测磁盘的原始健康状态之前，还包括：
26.利用最大最小值归一化的方法，对所有所述待预测磁盘的预设特征值进行归一化处理。
27.第二方面，本技术公开了一种磁盘故障预测装置，包括：
28.观测值与标签确定模块，用于确定出目标待预测磁盘的观测值，然后确定出与所述观测值对应的标签，其中，所述标签用于表示所述待预测磁盘的原始健康状态；
29.预测样本序列确定模块，用于将所述观测值输入至预先构建的预测网络，得到预测概率，并基于所述预测概率确定用于表示所述目标待预测磁盘当前健康状态的判定结果，根据所述标签与所述判定结果确定出相应的奖励值，然后确定相应的预测样本序列；
30.更新模块，用于基于所述预测样本序列计算所述预测网络的损失函数，并在利用梯度下降算法对基于所述损失函数确定的所述预测网络的参数进行迭代更新后，重新跳转至所述确定出目标待预测磁盘的观测值的步骤，直至达到预设迭代次数或预测网络模型收敛。
31.第三方面，本技术公开了一种电子设备，包括：
32.存储器，用于保存计算机程序；
33.处理器，用于执行所述计算机程序，以实现前述公开的磁盘故障预测方法。
34.第四方面，本技术公开了一种计算机可读存储介质，用于保存计算机程序；其中，所述计算机程序被处理器执行时实现前述公开的磁盘故障预测方法。
35.可见，本技术公开了一种磁盘故障预测方法，包括：确定出目标待预测磁盘的观测值，然后确定出与所述观测值对应的标签，其中，所述标签用于表示所述待预测磁盘的原始
健康状态；将所述观测值输入至预先构建的预测网络，得到预测概率，并基于所述预测概率确定用于表示所述目标待预测磁盘当前健康状态的判定结果，根据所述标签与所述判定结果确定出相应的奖励值，然后确定相应的预测样本序列；基于所述预测样本序列计算所述预测网络的损失函数，并在利用梯度下降算法对基于所述损失函数确定的所述预测网络的参数进行迭代更新后，重新跳转至所述确定出目标待预测磁盘的观测值的步骤，直至达到预设迭代次数或预测网络模型收敛，如此一来，本技术通过控制参与磁盘故障预测的健康盘与故障盘的数量达到均衡，解决了小样本问题，并基于一种弹性奖励机制加大了对磁盘误报的惩罚力度，解决了误报率高的问题。
附图说明
36.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
37.图1为本技术公开的一种磁盘故障预测方法流程图；
38.图2为本技术公开的一种具体的磁盘故障预测方法流程图；
39.图3为本技术公开的一种磁盘故障预测装置结构示意图；
40.图4为本技术公开的一种电子设备结构图。
具体实施方式
41.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
42.当前的磁盘故障预测方法有以下几种：基于阈值、基于机器学习、基于深度学习等，其中，基于阈值进行磁盘故障预测的方法较为保守，准确率低；基于机器学习和深度学习的模型需要大量的数据进行训练，受限于好盘多，坏盘少，即小样本问题，准确率较低。此外，由于磁盘误报带来的检测成本或者换盘成本很高。
43.为此，本技术实施例提出一种磁盘故障预测方案，能够解决磁盘故障预测中的小样本问题，以及降低磁盘故障中的误报率。
44.本技术实施例公开了一种磁盘故障预测方法，参见图1所示，该方法包括：
45.步骤s11：确定出目标待预测磁盘的观测值，然后确定出与所述观测值对应的标签，其中，所述标签用于表示所述待预测磁盘的原始健康状态。
46.本实施例中，首先确定出目标待预测磁盘的观测值，具体的，确定目标待预测磁盘的滑动窗口长度，并确定所述待预测磁盘在所述滑动窗口长度内的预设特征值；基于所述预设特征值与预设特征数量确定出预设特征矩阵，并将所述预设特征矩阵确定为所述目标待预测磁盘的观测值，然后将所述滑动窗口长度中目标窗口对应的所述待预测磁盘的健康状态确定为与所述观测值对应的标签。
47.本实施例中，在确定出目标待预测磁盘的观测值后，确定出与所述观测值对应的
标签，其中，所述标签用于表示所述待预测磁盘的原始健康状态，需要指出的是，在确定出目标待预测磁盘的观测值，然后确定出与所述观测值对应的标签之前，还包括：利用最大最小值归一化的方法，对所有所述待预测磁盘的预设特征值进行归一化处理。
48.步骤s12：将所述观测值输入至预先构建的预测网络，得到预测概率，并基于所述预测概率确定用于表示所述目标待预测磁盘当前健康状态的判定结果，根据所述标签与所述判定结果确定出相应的奖励值，然后确定相应的预测样本序列。
49.本实施例中，将所述观测值输入至预先构建的预测网络，得到预测概率，并基于所述预测概率确定用于表示所述目标待预测磁盘当前健康状态的判定结果，具体的，当所述预测概率大于预设判定值，则所述判定结果对应的健康状态为故障；当所述预测概率小于所述预设判定值，则所述判定结果对应的健康状态为健康。
50.需要指出的是，在确定出相应的奖励值之后，需要确定相应的预测样本序列，所述确定相应的预测样本序列的具体过程包括：确定预测样本数量，然后生成由所述预测样本数量个预测样本构成的预测样本序列，其中，所述预测样本由所述观测值、所述标签、所述预测概率、所述判定结果以及所述奖励值确定生成，需要指出的是，本实施例中，所述预测样本数量的确定过程包括：确定所述目标待预测磁盘的生命周期，根据所述目标待预测磁盘的生命周期以及所述目标待预测磁盘的滑动窗口长度确定出预测样本数量。
51.步骤s13：基于所述预测样本序列计算所述预测网络的损失函数，并在利用梯度下降算法对基于所述损失函数确定的所述预测网络的参数进行迭代更新后，重新跳转至所述确定出目标待预测磁盘的观测值的步骤，直至达到预设迭代次数或预测网络模型收敛。
52.本实施例中，首先定义损失函数公式，然后基于所述损失函数公式计算与每个预测样本对应的损失函数，得到所述预测样本序列对应的损失函数，然后利用梯度下降算法对基于所述损失函数确定的所述预测网络的参数进行迭代更新，并重新跳转至所述确定出目标待预测磁盘的观测值的步骤，直至达到预设迭代次数或预测网络模型收敛。
53.可见，本技术提出了一种磁盘故障预测方法，包括：确定出目标待预测磁盘的观测值，然后确定出与所述观测值对应的标签，其中，所述标签用于表示所述待预测磁盘的原始健康状态；将所述观测值输入至预先构建的预测网络，得到预测概率，并基于所述预测概率确定用于表示所述目标待预测磁盘当前健康状态的判定结果，根据所述标签与所述判定结果确定出相应的奖励值，然后确定相应的预测样本序列；基于所述预测样本序列计算所述预测网络的损失函数，并在利用梯度下降算法对基于所述损失函数确定的所述预测网络的参数进行迭代更新后，重新跳转至所述确定出目标待预测磁盘的观测值的步骤，直至达到预设迭代次数或预测网络模型收敛，如此一来，本技术通过控制参与磁盘故障预测的健康盘与故障盘的数量达到均衡，解决了小样本问题，并基于一种弹性奖励机制加大了对磁盘误报的惩罚力度，解决了误报率高的问题。
54.本技术实施例公开了一种具体的磁盘故障预测方法，参见图2所示，该方法包括：
55.步骤s21：确定出目标待预测磁盘的观测值，然后确定出与所述观测值对应的标签，其中，所述标签用于表示所述待预测磁盘的原始健康状态。
56.关于步骤s21更加具体的工作过程参见前述公开的实施例所示，在此不做具体赘述。
57.步骤s22：将所述观测值输入至预先构建的预测网络，得到预测概率，并基于所述
预测概率确定用于表示所述目标待预测磁盘当前健康状态的判定结果。
58.关于步骤s22更加具体的工作过程参见前述公开的实施例所示，在此不做具体赘述。
59.步骤s23：若所述标签对应的原始健康状态为健康，并且所述判定结果对应的当前健康状态为健康，则给予第一正向奖励；若所述标签对应的原始健康状态为健康，并且所述判定结果对应的当前健康状态为故障，则给予第一负向奖励；若所述标签对应的原始健康状态为故障，并且所述判定结果对应的当前健康状态为健康，则给予第二负向奖励；若所述标签对应的原始健康状态为故障，并且所述判定结果对应的当前健康状态为故障，则给予第二正向奖励，然后确定相应的预测样本序列。
60.本实施例中，通过一种弹性奖励机制加大了对磁盘误报的惩罚力度，解决了误报率高的问题，具体的，若所述标签对应的原始健康状态为健康，并且所述判定结果对应的当前健康状态为健康，则给予第一正向奖励；若所述标签对应的原始健康状态为健康，并且所述判定结果对应的当前健康状态为故障，则给予第一负向奖励；若所述标签对应的原始健康状态为故障，并且所述判定结果对应的当前健康状态为健康，则给予第二负向奖励；若所述标签对应的原始健康状态为故障，并且所述判定结果对应的当前健康状态为故障，则给予第二正向奖励，然后确定相应的预测样本序列，其中，所述第一正向奖励和所述第二负向奖励的绝对值相同，并且，所述第一负向奖励、所述第二正向奖励和所述第一正向奖励的绝对值依次递减。
61.步骤s24：基于所述预测样本序列计算所述预测网络的损失函数，并在利用梯度下降算法对基于所述损失函数确定的所述预测网络的参数进行迭代更新后，重新跳转至所述确定出目标待预测磁盘的观测值的步骤，直至达到预设迭代次数或预测网络模型收敛。
62.关于步骤s24更加具体的工作过程参见前述公开的实施例所示，在此不做具体赘述。
63.可见，本技术提出了一种磁盘故障预测，包括：确定出目标待预测磁盘的观测值，然后确定出与所述观测值对应的标签，其中，所述标签用于表示所述待预测磁盘的原始健康状态；将所述观测值输入至预先构建的预测网络，得到预测概率，并基于所述预测概率确定用于表示所述目标待预测磁盘当前健康状态的判定结果；若所述标签对应的原始健康状态为健康，并且所述判定结果对应的当前健康状态为健康，则给予第一正向奖励；若所述标签对应的原始健康状态为健康，并且所述判定结果对应的当前健康状态为故障，则给予第一负向奖励；若所述标签对应的原始健康状态为故障，并且所述判定结果对应的当前健康状态为健康，则给予第二负向奖励；若所述标签对应的原始健康状态为故障，并且所述判定结果对应的当前健康状态为故障，则给予第二正向奖励，然后确定相应的预测样本序列；基于所述预测样本序列计算所述预测网络的损失函数，并在利用梯度下降算法对基于所述损失函数确定的所述预测网络的参数进行迭代更新后，重新跳转至所述确定出目标待预测磁盘的观测值的步骤，直至达到预设迭代次数或预测网络模型收敛，如此一来，本技术通过控制参与磁盘故障预测的健康盘与故障盘的数量达到均衡，解决了小样本问题，并基于一种弹性奖励机制加大了对磁盘误报的惩罚力度，解决了误报率高的问题。
64.在一种具体实施方式中，本技术实施过程如下：
65.(1)、首先利用最大最小值归一化的方法，对所有所述待预测磁盘的预设特征值进
行归一化处理，所述预设特征值可以是所述待预测磁盘的smart(self monitoring analysis and reporting technology，自我监测、分析和报告技术)特征值。
66.(2)、确定目标待预测磁盘的滑动窗口长度，并确定所述待预测磁盘在所述滑动窗口长度内的预设特征值；基于所述预设特征值与预设特征数量确定出预设特征矩阵，并将所述预设特征矩阵确定为所述目标待预测磁盘的观测值，具体的，可以设定滑动窗口为w，并设定w为14天，设定smart预设特征数量为m，然后从前向后，滚动选择w天的smart特征值，以得到wxm的二维smart特征矩阵，将smart特征矩阵作为一个观测值s
t
，以滑动窗口最后一天的健康状态作为观测值对应的标签y
t
，若一个目标待预测磁盘的生命周期共有d天，则共生成(d-w+1)个样本序列：
67.{(s1,y1),(s2,y2),...(s
d-w+1
,y
d-w+1
)}；
68.此外，在一种具体实施方式中，对于健康盘，标记每天的健康状态为健康(0)；对于故障盘，标记最后n(12)天的健康状态为故障(1)，其余天的健康状态为健康(0)。
69.(3)、将所述观测值输入至预先构建的预测网络，得到预测概率。其中所述预测网络中具体的参数部分包括：以观测值作为输入层，以全连接层、cnn卷积层、lstm层(长短期神经网络)或者三者之间的组合作为隐藏层，实现自动特征提取，神经网络的输出层包含1个神经元，激活函数采用sigmoid。在得到预测概率后，基于所述预测概率确定用于表示所述目标待预测磁盘当前健康状态的判定结果，需要指出的是，所述预测概率是一个在0到1之间的概率，预测网络以概率判定该观测值对应的健康状态为故障(1)，以概率判定该观测值对应的健康状态为健康(0)，具体的，当大于等于0.5的时候，代表该观测值对应的健康状态为故障，反之代表该观测值对应的健康状态为健康。最终的判定结果记为取值故障(1)或健康(0)。
70.(4)、根据所述标签与所述判定结果确定出相应的奖励值，然后确定相应的预测样本序列，具体的，若y
t
为0，且为0，代表所述目标待预测磁盘原为健康盘且预测网络判定为健康盘，则判定正确，给予正向奖励r
t
(10)；若y
t
为0，且为1，代表所述目标待预测磁盘原为健康盘且预测网络判定为故障盘，则判定误报，给予负向奖励r
t
(-100)，通过加大误报行为的惩罚力度，预测网络自动学习降低误报率；若y
t
为1，且为0，代表所述目标待预测磁盘原为故障盘且预测网络判定为健康盘，则判定漏报，给予负向奖励r
t
(-10)；若若y
t
为1，且为1，代表所述目标待预测磁盘原为故障盘且预测网络判定为故障盘，则判定召回，给予正向奖励r
t
(50)。
71.(5)、确定相应的预测样本序列，将观测值s
t
输入预测网络，预测网络输出预测概率判定结果以及对应的奖励值r
t
，称为一步，若一个磁盘的生命周期共有d天，则一共生成(d-w+1)个样本：预测网络将一个目标待预测磁盘的所有观测值按顺序判定结束，称作一个回合。
72.(6)定义预测网络的损失函数，
[0073][0074]
使用生成的样本(si,yi,ri)计算预测网络的损失函数，利用梯度下降算法对基于所述损失函数确定的所述预测网络的参数进行迭代更新：
[0075][0076]
其中η为学习率，t为迭代轮次，为损失函数对θ的偏导数，重新跳转至所述确定出目标待预测磁盘的观测值的步骤，直至达到预设迭代次数或预测网络模型收敛。
[0077]
如此一来，本技术提出了一种自学习的磁盘故障预测方法，通过将磁盘smart观测值输入预测网络，得到磁盘健康状态的判定结果，基于判定结果与真实健康状态给予奖励或者惩罚，预测网络从奖励和惩罚中自我学习、自我优化，逐步提升磁盘故障预测性能，可有效解决磁盘故障预测小样本、误报率高等问题。
[0078]
相应的，本技术实施例还公开了一种磁盘故障预测装置，参见图3所示，该装置包括：
[0079]
观测值与标签确定模块11，用于确定出目标待预测磁盘的观测值，然后确定出与所述观测值对应的标签，其中，所述标签用于表示所述待预测磁盘的原始健康状态；
[0080]
预测样本序列确定模块12，用于将所述观测值输入至预先构建的预测网络，得到预测概率，并基于所述预测概率确定用于表示所述目标待预测磁盘当前健康状态的判定结果，根据所述标签与所述判定结果确定出相应的奖励值，然后确定相应的预测样本序列；
[0081]
更新模块13，用于基于所述预测样本序列计算所述预测网络的损失函数，并在利用梯度下降算法对基于所述损失函数确定的所述预测网络的参数进行迭代更新后，重新跳转至所述确定出目标待预测磁盘的观测值的步骤，直至达到预设迭代次数或预测网络模型收敛。
[0082]
其中，关于上述各个模块更加具体的工作过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。
[0083]
可见，本技术提出了一种磁盘故障预测方法，包括：确定出目标待预测磁盘的观测值，然后确定出与所述观测值对应的标签，其中，所述标签用于表示所述待预测磁盘的原始健康状态；将所述观测值输入至预先构建的预测网络，得到预测概率，并基于所述预测概率确定用于表示所述目标待预测磁盘当前健康状态的判定结果，根据所述标签与所述判定结果确定出相应的奖励值，然后确定相应的预测样本序列；基于所述预测样本序列计算所述预测网络的损失函数，并在利用梯度下降算法对基于所述损失函数确定的所述预测网络的参数进行迭代更新后，重新跳转至所述确定出目标待预测磁盘的观测值的步骤，直至达到预设迭代次数或预测网络模型收敛，如此一来，本技术通过控制参与磁盘故障预测的健康盘与故障盘的数量达到均衡，解决了小样本问题，并基于一种弹性奖励机制加大了对磁盘误报的惩罚力度，解决了误报率高的问题。
[0084]
进一步的，本技术实施例还提供了一种电子设备。图4是根据一实施例示出的电子设备20结构图，图中的内容不能认为是对本技术的使用范围的任何限制。
[0085]
图4为本技术实施例提供的一种电子设备20的结构示意图。该电子设备20，具体可以包括：至少一个处理器21、至少一个存储器22、显示屏23、输入输出接口24、通信接口25、
电源26、和通信总线27。其中，所述存储器22用于存储计算机程序，所述计算机程序由所述处理器21加载并执行，以实现前述任一实施例公开的磁盘故障预测方法中的相关步骤。另外，本实施例中的电子设备20具体可以为电子计算机。
[0086]
本实施例中，电源26用于为电子设备20上的各硬件设备提供工作电压；通信接口25能够为电子设备20创建与外界设备之间的数据传输通道，其所遵循的通信协议是能够适用于本技术技术方案的任意通信协议，在此不对其进行具体限定；输入输出接口24，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。
[0087]
另外，存储器22作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，其上所存储的资源可以包括计算机程序221，存储方式可以是短暂存储或者永久存储。其中，计算机程序221除了包括能够用于完成前述任一实施例公开的由电子设备20执行的磁盘故障预测方法的计算机程序之外，还可以进一步包括能够用于完成其他特定工作的计算机程序。
[0088]
进一步的，本技术实施例还公开了一种计算机可读存储介质，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现前述公开的磁盘故障预测方法。
[0089]
关于该方法的具体步骤可以参考前述实施例中公开的相应内容，在此不再进行赘述。
[0090]
本技术书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0091]
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0092]
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。
[0093]
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0094]
以上对本技术所提供的一种磁盘故障预测方法、装置、设备、存储介质进行了详细
介绍，本文中应用了具体个例对本技术的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本技术的方法及其核心思想；同时，对于本领域的一般技术人员，依据本技术的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本技术的限制。