一种磁盘故障预测方法及装置与流程

本发明涉及终端运维应用领域，尤其涉及一种磁盘故障预测方法及装置。

背景技术：

大数据时代来临，数据变得越来越宝贵，全世界接近90％的数据存储在数据中心的磁盘中。由于磁盘存储自身的机制，磁盘一旦损坏，那么存储在其中的数据将永久性丢失。当前防止磁盘数据丢失的主要方法是做冗余备份，但是这样一方面增加了数据存储的成本；另一方面，数据丢失还是可能发生。如果能够对数据中心中的磁盘故障进行预测，将会在保障数据安全、防止数据丢失、降低数据中心运营成本等方面带来极大价值。

现有的磁盘故障预测技术的主流方法是根据磁盘状态数据，建立分类模型，再根据分类模型将未知状态的磁盘根据其状态数据进行分类，一类是磁盘正常，一类是磁盘即将故障。虽然这种预测机制已经有比较高的预测精度，但是误报率比较高。

技术实现要素：

本发明实施例为克服上述技术缺陷，提供一种磁盘故障预测方法及装置。

第一方面，本发明实施例提供一种磁盘故障预测方法，包括：

获取磁盘的smart属性数据；

将所述smart属性数据输入故障预测模型，得到故障预测结果，所述故障预测结果用于将所述磁盘分类为即将故障磁盘和正常磁盘；

其中，所述故障预测模型是基于样本磁盘的smart属性和样本磁盘故障分类结果训练得到的。

第二方面，本发明实施例提供一种磁盘故障预测装置，包括：

获取模块，用于获取磁盘的smart属性数据；

故障预测模块，用于将所述smart属性数据输入故障预测模型，得到故障预测结果，所述故障预测结果用于将所述磁盘分类为即将故障磁盘和正常磁盘；其中，所述故障预测模型是基于样本磁盘的smart属性和样本磁盘故障分类结果训练得到的。

第三方面，本发明实施例提供一种电子设备，包括存储器和处理器，所述处理器和所述存储器通过总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如第一方面所述的一种磁盘故障预测方法。

第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所述的一种磁盘故障预测方法。

本发明实施例提供一种磁盘故障预测方法及装置，除了根据磁盘的smart属性状态数据外，还结合磁盘的smart属性状态数据的变化特征，基于gbt算法构建的故障预测模型来进行故障预测，提高了预测精度，使预测性能提高，同时误报率降低，减少了设备管理成本。

附图说明

图1为本发明实施例提供的一种磁盘故障预测方法的流程示意图；

图2为本发明实施例提供的故障预测模型训练流程示意图；

图3为本发明实施例提供的故障时间预测模型训练流程示意图；

图4为本发明又一实施例提供的一种磁盘故障预测方法的流程示意图；

图5为本发明实施例提供的一种磁盘故障预测装置的结构示意图；

图6为本发明实施例提供的一种电子设备的实体结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，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的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。

图1为本发明实施例提供的一种磁盘故障预测方法的流程示意图，如图1所示，包括：

步骤11，获取磁盘的smart属性数据；

步骤12，将所述smart属性数据输入故障预测模型，得到故障预测结果，所述故障预测结果用于将所述磁盘分类为即将故障磁盘和正常磁盘；

其中，所述故障预测模型是基于样本磁盘的smart属性和样本磁盘故障分类结果训练得到的。

磁盘的smart属性，是一个可以对硬盘(hdds)和固盘(ssd)多种运行参数指标检测收集并实现对磁盘故障预判的系统。

在smart属性中，每一项都由两种数据形式予以展现，分别为normalvalue和rawvalue。其中rawvalue是该项记录的原始值，normalvalue是把原始值经过标注的规整计算，得到的一组数值范围为0-255的数值。同时在数据分析中观测到，对于大多数即将要故障的磁盘，一些smart的数据项数值在磁盘状态恶化的过程中呈现明显的变化趋势，而在正常的磁盘中，这些数值项数值变化并不明显。所以在选取数据时，不仅考虑到这些数据项的值，还要同时用到这些数据项的数值在最近一天内的变化幅度。

故障预测模型是基于梯度提升树(gradientboostedtrees，以下简称gbt)算法训练得到的，gbt是决策树的群集。gbt为了使损失函数的值最小化，迭代式的训练决策树。和决策树一样，gbt可以处理离散特征，也可以扩展设置为多级分类，而不需要进行特征值缩放，所以有能力处理非线性以及特征交互。spark.mllib支持二分类gbt，可以使用连续或者离散型特征。

首先，获取磁盘的smart属性数据，将其输入到故障预测模型中，获得故障预测结果，故障预测结果可将磁盘进行分类，一类为正常磁盘，一类为即将故障磁盘。

本发明实施例提供的一种磁盘故障预测方法，除了根据磁盘的smart属性状态数据外，还结合磁盘的smart属性状态数据的变化特征，基于gbt算法构建的故障预测模型来进行故障预测，提高了预测精度，使预测性能提高，同时误报率降低，减少了设备管理成本。

在上述实施例的基础上，在所述将所述smart属性数据输入故障预测模型，得到故障预测结果之前，所述方法还包括：

根据所述样本磁盘的smart属性和所述样本磁盘故障分类结果构建训练样本集；

基于所述训练样本集，根据梯度提升树算法对所述故障预测模型进行训练，直至达到第一预设训练次数和/或所述故障预测模型的损失函数小于等于第一预设值。

在运用故障预测模型对磁盘故障预测之前，需要对故障预测模型进行训练。训练之前，需要构建训练样本集。磁盘的smart属性，是一个可以对硬盘(hdds)和固盘(ssd)多种运行参数指标检测收集并实现对磁盘故障预判的系统，故此处构建的训练样本集为样本磁盘的smart属性和样本磁盘故障分类结果。

所选择的样本磁盘的smart属性已知，并且样本磁盘的故障分类结果也已知，此处的故障分类结果即为样本磁盘是正常的还是即将发生故障的。

对样本磁盘smart的以下属性进行特征提取：

smart数据项即磁盘的属性描述，在训练数据中，几乎所有的数据项都采用normalvalue，但是#5和#197除外。因为从数据分析中发现，#5和#197的rawvalue实际上能够更敏感的感知状态的变化，所以这两项的rawvalue和normalvalue都被采用。同时在数据分析中观测到，对于大多数即将要故障的磁盘，一些smart的数据项数值在磁盘状态恶化的过程中呈现明显的变化趋势，而在正常的磁盘中，这些数值项数值变化并不明显，所以在选取数据时，不仅考虑到这些数据项的值，还要同时用到这些数据项的数值在最近一段时间的变化，如最近一天内的变化幅度(一天内数值变化量与一天前数值之比)。所以在模型训练数据中一共含有19个数据项，为：

normalvalue(#1,#3,#5,#7,#9,#187,#189,#194,#195,#197)，

rawvalue(#5,#197)，

和7项变化幅度(#1,#5,#187,#189,#194,#195,#197)。

并且将样本磁盘故障前3天的状态数据作为即将要发生故障磁盘的特征，并取等量的健康样本磁盘数据作为正常磁盘的状态特征。

根据样本磁盘的smart属性和样本磁盘故障分类结果构建训练样本集，然后采用gbt算法对故障预测模型进行训练，直至达到第一预设训练次数和/或所述故障预测模型的故障分类准确率大于等于第一预设值。其中，第一预设训练次数可根据实际情况设定，此处不作限制。故障分类准确率指的是故障预测模型对样本磁盘分类正确的磁盘数占总样本磁盘数量的比值，由于样本磁盘哪些是正常的哪些是即将故障的，是已知的，故可据此得到故障预测模型的分类准确率，根据分类准确率来调整故障预测模型，直到训练次数达到第一预设训练次数或者故障预测模型的损失函数小于等于第一预设值。

图2为本发明实施例提供的故障预测模型训练流程示意图，如图2所示，包括：

步骤21，训练数据，即构建训练样本集，训练样本集包括样本磁盘的smart属性和样本磁盘故障分类结果；

步骤22，基于训练样本集，根据gbt算法对故障预测模型训练；

步骤23，将测试数据输入到故障预测模型，测试数据包括测试磁盘的smart属性和测试磁盘故障分类结果；

步骤24，根据输入的测试数据得到故障预测结果；

步骤25，根据测试磁盘故障分类结果判断故障预测模型是否满足要求，若满足，执行步骤26，若不满足，执行步骤22；

步骤26，将合格的故障预测模型输出。

本发明实施例提供一种磁盘故障预测方法，除了根据磁盘的smart属性状态数据外，还结合磁盘的smart属性状态数据的变化特征，基于gbt算法构建的故障预测模型来进行故障预测，提高了预测精度，使预测性能提高，同时误报率降低，减少了设备管理成本。

在上述实施例的基础上，在所述得到故障预测结果之后，所述方法还包括：

获取所述即将故障磁盘的状态量化数据；

将所述状态量化数据输入故障时间预测模型，得到预设时间内所述即将故障磁盘发生故障的概率数据；

其中，所述故障时间预测模型是基于样本即将故障磁盘的状态量化数据和样本即将故障磁盘故障时间分类结果训练得到的。

所述即将故障磁盘的状态量化数据包括：

所述即将故障磁盘smart属性数据中的磁盘当前状态、所述即将故障磁盘smart属性数据中的磁盘i/o负载、所述磁盘当前状态往前预设时间内磁盘状态的变化值和所述磁盘i/o负载往前预设时间内磁盘状态的变化值。

在故障预测之后，磁盘会被分为即将故障磁盘和正常磁盘，当预测到磁盘故障时，会给出故障警告。而此时磁盘故障并未实际发生，所以把预警时间与故障确切发生的时间差称为faultleadtime。如果在发生磁盘故障预警的时间对磁盘进行更换，此时距离磁盘真正故障是有一定时间的，而在磁盘真正故障之前，磁盘都是可以使用的。所以在磁盘故障发生之前更换磁盘，将浪费一部分磁盘可以正常使用的生命周期，浪费量与faultleadtime相等。由于在实际情况中faultleadtime过大，导致在实际故障预测中将导致大量磁盘被浪费。

为了对故障预测中的faultleadtime进行控制，本发明实施例在预测系统中引入二级预测机制。在磁盘被预测为即将要故障之后，每隔一定的时间，对其进行一次故障时间预测，预测具体故障是否会在接下来的n天内发生，只有故障将会发生在n天内时，才会做出故障预警并予以更换磁盘，这样就可以将故障预测中的faultleadtime控制在n天之内。

借鉴磁盘故障预测的思想，利用机器学习算法在处理分类问题时的优秀性能，可以将故障时间预测转化成为分类问题。而这里的分类不再是分类成磁盘是否即将故障，而是分类成磁盘故障是否在接下来给定的一段时间内发生。

故障时间预测模型是基于逻辑回归(logisticregression，以下简称lr)算法建立的模型，lr是一种监督学习算法，可用于分类。给定未知参数的函数，同过训练数据进行训练，通过最优化方法，可以确定一组参数，这一组参数就是逻辑回归分类模型。输入未知数据到模型时，可以将未知数据进行分类，并计算出属于某一类别的具体概率是多少。这时，可以通过设置一个概率阀值，只有磁盘在未来一段时间发生故障的概率大于设置的概率阈值时，才会真正给出磁盘在n天内故障的警告。

在故障预测时将磁盘分类为即将故障磁盘和正常磁盘。此时选取预测为即将故障磁盘的状态量化数据，即将故障磁盘的状态量化数据包括：

所述即将故障磁盘smart属性数据中的磁盘当前状态、所述即将故障磁盘smart属性数据中的磁盘i/o负载、所述磁盘当前状态往前预设时间内磁盘状态的变化值和所述磁盘i/o负载往前预设时间内磁盘状态的变化值。

将即将故障磁盘前n天范围内的上述状态变化值、n天各项数值方差、n天内平均i/o负载，作为一条未知数据输入到故障时间预测模型中，就能将未知数据进行分类，确定磁盘在未来一段时间发生故障的概率。这时，可以通过设置一个概率阈值，只有当磁盘在未来一段时间发生故障的概率大于设置的阈值时，才会真正给出磁盘故障警告，并将警告数据输出到数据库中。

本发明实施例提供一种磁盘故障预测方法，除了根据磁盘的smart属性状态数据外，还结合磁盘的smart属性状态数据的变化特征，基于gbt算法构建的故障预测模型来进行故障预测，提高了预测精度，使预测性能提高，同时误报率降低，减少了设备管理成本。同时，建立故障时间预测模型来预测磁盘在未来一段时间内是否会发生故障，能够在合理的时间范围内做出磁盘故障预警，让运营人员有足够的时间对即将到来的故障做出处理，降低了磁盘的浪费量。

在上述实施例的基础上，在所述将所述状态量化数据输入故障时间预测模型，得到预设时间内所述即将故障磁盘发生故障的概率数据之前，所述方法还包括：

根据所述样本即将故障磁盘的状态量化数据和样本即将故障磁盘故障时间分类结果构建样本数据；

基于所述样本数据，根据逻辑回顾算法对所述故障时间预测模型进行训练，直至达到第二预设训练次数和/或所述故障时间预测模型的故障时间分类准确率大于等于第二预设值。

在运用故障时间预测模型对磁盘故障时间预测之前，需要对故障时间预测模型进行训练。训练之前，需要根据样本即将故障磁盘的状态量化数据和样本即将故障磁盘故障时间分类结果构建样本数据。

故障时间预测模型样本数据所需要的数据项如下所示：

与故障预测相比，故障时间预测的模型样本数据中除了包括各项状态数据当前的数值、i/o负载数值之外，还包含了各项数值项在n天内的变化情况、n天各项数值项方差、n天内平均i/o负载。并且距离实际故障时间n天内的数据记录为的label为“1”，距离故障时间点n天以上的数据记录为label为“0”。“1”、“0”分别表示磁盘故障会在n天内发生和不在n天内发生。并且在训练数据中“0”，“1”样本数据全部来源于故障磁盘。

将样本数据选好之后，就可以通过这些数值输入到故障时间预测模型，采用lr算法对数据特征进行学习，直至达到第二预设训练次数和/或故障时间预测模型的故障时间分类准确率大于等于第二预设值。

其中，第二预设训练次数可根据实际情况设定，此处不作限制。故障时间分类准确率指的是故障时间预测模型对样本即将故障磁盘分类正确的磁盘数占总样本即将故障磁盘数量的比值。

在得到故障时间分类准确率之前，首先要指定时间预测精度和概率阈值，以时间预测精度为10天、概率阈值为80％为例，将样本数据输入到故障时间预测模型后，会得到每个样本即将故障磁盘在未来10天内发生故障的概率，若此概率大于等于80％，将其作为一类，其他的作为另一类，得到故障时间分类结果。

由于样本即将故障磁盘哪些在预设时间内会发生故障，哪些在预设时间内不会发生故障，是已知的，故可据此得到故障时间预测模型的分类准确率，根据分类准确率来调整故障时间预测模型，直到训练次数达到第二预设训练次数或者故障时间预测模型的分类准确率于等于第二预设值。

图3为本发明实施例提供的故障时间预测模型训练流程示意图，如图3所示，包括：

步骤31，采集样本数据，样本数据包括样本即将故障磁盘的状态量化数据和样本即将故障磁盘故障时间分类结果；

步骤32，设置时间预测精度；

步骤33，根据时间预测精度整合样本数据；

步骤34，根据lr算法训练故障时间预测模型；

步骤35，测试故障时间预测模型是否合格，若合格，执行步骤36，若不合格，执行步骤31；

步骤36，将合格的故障时间预测模型输出。

本发明实施例提供一种磁盘故障预测方法，除了根据磁盘的smart属性状态数据外，还结合磁盘的smart属性状态数据的变化特征，基于gbt算法构建的故障预测模型来进行故障预测，提高了预测精度，使预测性能提高，同时误报率降低，减少了设备管理成本。同时，建立故障时间预测模型来预测磁盘在未来一段时间内是否会发生故障，能够在合理的时间范围内做出磁盘故障预警，让运营人员有足够的时间对即将到来的故障做出处理，降低了磁盘的浪费量。

在上述实施例的基础上，在所述得到预设时间内所述即将故障磁盘发生故障的概率数据之后，所述方法还包括：

若所述预设时间内所述即将故障磁盘发生故障的概率数据大于预设阈值，进行磁盘故障警告；

否则不进行磁盘故障警告。

图4为本发明又一实施例提供的一种磁盘故障预测方法的流程示意图，如图4所示，包括：

步骤41，将待预测磁盘数据输入故障预测模型；

步骤42，进行磁盘故障预测，根据预测结果将待预测磁盘分为即将故障磁盘和正常磁盘；

步骤43，将即将故障磁盘的状态量化数据输入故障时间预测模型；

步骤44，进行磁盘故障时间预测，根据预设时间内磁盘故障发生概率与概率阈值进行比较；

步骤45，若预设时间内磁盘发生故障的概率大于概率阈值，进行故障警告，否则不进行故障警告。

本发明实施例提供一种磁盘故障预测方法，除了根据磁盘的smart属性状态数据外，还结合磁盘的smart属性状态数据的变化特征，基于gbt算法构建的故障预测模型来进行故障预测，提高了预测精度，使预测性能提高，同时误报率降低，减少了设备管理成本。同时，建立故障时间预测模型来预测磁盘在未来一段时间内是否会发生故障，能够在合理的时间范围内做出磁盘故障预警，让运营人员有足够的时间对即将到来的故障做出处理，降低了磁盘的浪费量。

图5为本发明实施例提供的一种磁盘故障预测装置的结构示意图，如图5所示，包括获取模块51和故障预测模块52，其中：

获取模块51用于获取磁盘的smart属性数据；

故障预测模块52用于将所述smart属性数据输入故障预测模型，得到故障预测结果，所述故障预测结果用于将所述磁盘分类为即将故障磁盘和正常磁盘；其中，所述故障预测模型是基于样本磁盘的smart属性和样本磁盘故障分类结果训练得到的。

磁盘的smart属性，是一个可以对硬盘(hdds)和固盘(ssd)多种运行参数指标检测收集并实现对磁盘故障预判的系统。

在smart属性中，每一项都由两种数据形式予以展现，分别为normalvalue和rawvalue。其中rawvalue是该项记录的原始值，normalvalue是把原始值经过标注的规整计算，得到的一组数值范围为0-255的数值。同时在数据分析中观测到，对于大多数即将要故障的磁盘，一些smart的数据项数值在磁盘状态恶化的过程中呈现明显的变化趋势，而在正常的磁盘中，这些数值项数值变化并不明显。所以在选取数据时，不仅考虑到这些数据项的值，还要同时用到这些数据项的数值在最近一天内的变化幅度。

故障预测模型是基于梯度提升树(gradientboostedtrees，以下简称gbt)算法训练得到的，gbt是决策树的群集。gbt为了使损失函数的值最小化，迭代式的训练决策树。和决策树一样，gbt可以处理离散特征，也可以扩展设置为多级分类，而不需要进行特征值缩放，所以有能力处理非线性以及特征交互。spark.mllib支持二分类gbt，可以使用连续或者离散型特征。

首先，获取模块51获取磁盘的smart属性数据，故障预测模块52将其输入到故障预测模型中，获得故障预测结果，故障预测结果可将磁盘进行分类，一类为正常磁盘，一类为即将故障磁盘。

本发明实施例提供的一种磁盘故障预测装置，除了根据磁盘的smart属性状态数据外，还结合磁盘的smart属性状态数据的变化特征，基于gbt算法构建的故障预测模型来进行故障预测，提高了预测精度，使预测性能提高，同时误报率降低，减少了设备管理成本。

在上述实施例的基础上，所述装置还包括：

故障时间预测模块，用于获取所述即将故障磁盘的状态量化数据；

将所述状态量化数据输入故障时间预测模型，得到预设时间内所述即将故障磁盘发生故障的概率数据。

在故障预测之后，磁盘会被分为即将故障磁盘和正常磁盘，当预测到磁盘故障时，会给出故障警告。而此时磁盘故障并未实际发生，所以把预警时间与故障确切发生的时间差称为faultleadtime。如果在发生磁盘故障预警的时间对磁盘进行更换，此时距离磁盘真正故障是有一定时间的，而在磁盘真正故障之前，磁盘都是可以使用的。所以在磁盘故障发生之前更换磁盘，将浪费一部分磁盘可以正常使用的生命周期，浪费量与faultleadtime相等。由于在实际情况中faultleadtime过大，导致在实际故障预测中将导致大量磁盘被浪费。

为了对故障预测中的faultleadtime进行控制，本发明实施例在预测系统中引入二级预测机制。在磁盘被预测为即将要故障之后，每天对其进行一次故障时间预测，预测具体故障是否会在接下来的n天内发生，只有故障将会发生在n天内时，才会做出故障预警并予以更换磁盘，这样就可以将故障预测中的faultleadtime控制在n天之内。

借鉴磁盘故障预测的思想，利用机器学习算法在处理分类问题时的优秀性能，可以将故障时间预测转化成为分类问题。而这里的分类不再是分类成磁盘是否即将故障，而是分类成磁盘故障是否在接下来给定的一段时间内发生。

故障时间预测模型是基于逻辑回归(logisticregression，以下简称lr)算法建立的模型，lr是一种监督学习算法，可用于分类。给定未知参数的函数，同过训练数据进行训练，通过最优化方法，可以确定一组参数，这一组参数就是逻辑回归分类模型。输入未知数据到模型时，可以将未知数据进行分类，并计算出属于某一类别的具体概率是多少。这时，可以通过设置一个概率阀值，只有磁盘在未来一段时间发生故障的概率大于设置的概率阈值时，才会真正给出磁盘在n天内故障的警告。

在故障预测时将磁盘分类为即将故障磁盘和正常磁盘。此时选取预测为即将故障磁盘的状态量化数据，即将故障磁盘的状态量化数据包括：

所述即将故障磁盘smart属性数据中的磁盘当前状态、所述即将故障磁盘smart属性数据中的磁盘i/o负载、所述磁盘当前状态往前预设时间内磁盘状态的变化值和所述磁盘i/o负载往前预设时间内磁盘状态的变化值。

将即将故障磁盘前n天范围内的上述状态变化值、n天各项数值方差、n天内平均i/o负载，作为一条未知数据输入到故障时间预测模型中，就能将未知数据进行分类，确定磁盘在未来一段时间发生故障的概率。这时，可以通过设置一个概率阈值，只有当磁盘在未来一段时间发生故障的概率大于设置的阈值时，才会真正给出磁盘故障警告，并将警告数据输出到数据库中。

本发明实施例提供一种磁盘故障预测方法，除了根据磁盘的smart属性状态数据外，还结合磁盘的smart属性状态数据的变化特征，基于gbt算法构建的故障预测模型来进行故障预测，提高了预测精度，使预测性能提高，同时误报率降低，减少了设备管理成本。同时，建立故障时间预测模型来预测磁盘在未来一段时间内是否会发生故障，能够在合理的时间范围内做出磁盘故障预警，让运营人员有足够的时间对即将到来的故障做出处理，降低了磁盘的浪费量。

本发明实施例提供的装置是用于执行上述各方法实施例的，具体的流程和详细介绍请参见上述各方法实施例，此处不再赘述。

本发明实施例提供一种磁盘故障预测装置，除了根据磁盘的smart属性状态数据外，还结合磁盘的smart属性状态数据的变化特征，基于gbt算法构建的故障预测模型来进行故障预测，提高了预测精度，使预测性能提高，同时误报率降低，减少了设备管理成本。同时，建立故障时间预测模型来预测磁盘在未来一段时间内是否会发生故障，能够在合理的时间范围内做出磁盘故障预警，让运营人员有足够的时间对即将到来的故障做出处理，降低了磁盘的浪费量。

图6为本发明实施例提供的一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(processor)610、通信接口(communicationsinterface)620、存储器(memory)630和总线640，其中，处理器610，通信接口620，存储器630通过总线640完成相互间的通信。总线640可以用于电子设备与传感器之间的信息传输。处理器610可以调用存储器630中的逻辑指令，以执行如下方法：获取磁盘的smart属性数据；将所述smart属性数据输入故障预测模型，得到故障预测结果，所述故障预测结果用于将所述磁盘分类为即将故障磁盘和正常磁盘；其中，所述故障预测模型是基于样本磁盘的smart属性和样本磁盘故障分类结果训练得到的。

此外，上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

本发明实施例提供一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令使计算机执行上述实施例所提供的一种磁盘故障预测方法，例如包括：获取磁盘的smart属性数据；将所述smart属性数据输入故障预测模型，得到故障预测结果，所述故障预测结果用于将所述磁盘分类为即将故障磁盘和正常磁盘；其中，所述故障预测模型是基于样本磁盘的smart属性和样本磁盘故障分类结果训练得到的。

以上所述仅为本发明的优选实施例，并不用于限制本发明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充，但并不会偏离本发明的精神或者超越所附权利要求书定义的范围。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。