面向磁盤故障預測的機器學習方法比較＊

董 勇，蔣艷凰，盧宇彤，周恩強

（1.國防科學技術大學計算機學院，湖南 長沙410073；2.高性能計算國家重點實驗室，湖南 長沙410073）

1 引言

數據是信息系統的核心，其可用性是保證信息系統正常運行的關鍵。存儲系統負責保存數據，提供數據訪問接口，是信息系統的主要組成部分之一，其可靠性一直是研究人員與工業界關注的焦點。到目前為止，磁盤仍然是存儲系統的核心組成部分。磁盤能否提供穩定可靠的數據訪問能力，直接影響整個存儲系統的可靠性。本文基于磁盤的SMART數據，采用機器學習的方法預測磁盤故障，實現提高存儲系統可靠性和可用性的目的。

磁盤是磁、電和機械的混合體，其固有結構決定了磁盤本身的可靠性不高。Schroeder B［1］的統計說明，磁盤故障導致系統失效的比例達18.1%～49.1%。現有的大規模存儲系統往往包含數百甚至數千塊磁盤，大大增加了磁盤出現故障的幾率。傳統的提高數據可靠性的方法主要是冗余磁盤陣列 RAID（Redundant Arrays of Inexpensive Disks）技術，通過采用數據冗余，容忍單個或多個磁盤的故障，并通過數據編碼方式恢復錯誤數據。除了在磁盤層面通過數據冗余提高可靠性，還可以在系統層面通過數據副本技術提高數據的可靠性。Google的集群系統中文件系統GFS［2］通過采用隨機副本技術來提高數據修復能力。Renesse R［3］等研究了鏈式副本技術和偽隨機的分布方法，可以提高數據可靠性。

上述技術的主要出發點是“容忍”磁盤或者系統故障，當故障發生時，系統仍然能夠提供數據訪問服務，屬于被動容錯。在此基礎上，出現了磁盤的主動容錯技術。SMART（Self－Monitoring，A－nalysis and Reporting Technology）是典型的主動容錯技術。該技術監控磁盤運行過程中的多項參數，包括磁盤的尋道錯、奇偶校驗錯等信息。基于SMART的主動容錯主要是采用閾值方法。廠商首先設定磁盤SMART屬性閾值，當實際監測到的SMART屬性值超過閾值則報警，提示磁盤即將故障，這種方法簡單易行，但是預警準確率較低。目前對于磁盤的運行狀態，研究結果表明，使用單一的或是簡單的SMART屬性值還不能準確地預測磁盤故障［4］。目前磁盤廠商采用的故障預測閾值判定方法，磁盤故障誤報率為0.1%，而能夠預測的磁盤故障僅有3%～10%［5］。

機器學習方法［6］基于大量數據，通過對數據的分析，從中發現蘊含的規律，實現“學習”的目的，從而提高系統本身的能力。在磁盤SMART數據的基礎上，采用機器學習方法，實現對磁盤故障的預測，達到及時對故障磁盤進行處理，并增強存儲系統可靠性的目的。

本文采用四種典型的機器學習方法：反向傳播神經網絡 BPNN（Back Propagation Neural Network）、決策樹（Decision Tree）、支持向量機SVM（Supported Vector Machine）和貝葉斯方法（Na?ve Bayes）實現對磁盤故障的預測。上述方法的實現源自 LibEDM［7］。本文所使用的數據集包含23 395個磁盤SMART信息［8］。通過對訓練集和測試集的構建，上述四種機器學習方法可以獲得較高的故障預測準確度，這些結果比現有的磁盤故障預測方法要好。

2 相關工作

SMART技術源自IBM在1992年開發的預測故障分析技術 PFA（Predictive Failure Analysis）。該技術周期性測量磁盤的屬性，并且在超過預定義的閾值后，向用戶發送一個報警信息。工業界接受了PFA技術，并且在1994年形成了SMART標準，用于IDE／ATA和SCSI磁盤的可靠性預測。SMART的發展經歷了三個階段：（1）初始的SMART通過監控在線活動，提供對故障的預測；（2）后續版本通過增加自動的離線掃描來監控額外的操作，從而提供故障預測；（3）最后的SMART版本不僅監控磁盤的活動，而且增加了故障預防機制，嘗試檢測并修復扇區錯誤。SMART III通過空閑階段“離線數據收集”測試所有的扇區，并確認磁盤的健康狀況。作為行業標準，SMART規定了磁盤制造廠商應遵循的相關準則，目前幾乎所有磁盤廠商均支持SMART技術。SMART信息保留在磁盤的系統保留區（Service Area）內，這個區域一般位于磁盤最前面幾十個物理磁道，由廠商寫入相關內部管理程序。基于SMART的閾值報警功能，簡單易行，但是預警準確率較低。

在上述閾值方法的基礎上，研究人員提出了多種基于統計方法和機器學習方法的磁盤故障主動預測技術。Hughes G F［9］在2002年提出了兩個改進的SMART算法，采用統計假設測試方法，根據秩和檢驗（Rank Sum Test）對磁盤故障進行預測，提高故障預警的準確性，并降低誤報率FAR（False Alarm Rate）。該算法在3 744個驅動器上進行實驗，在0.2%誤報率條件下，預測準確度提高3～4倍。Wang Yu等［10］在2013年提出基于MD（Mahalanobis Distance）磁盤檢測方法。所選擇的關鍵參數包括故障模式、機制和效果分析，以及最小冗余最大相關方法。該方法使用SMART數據集來評估所提方法的性能。實驗結果表明，在FAR為0%的條件下，可以檢測67%的磁盤故障，可以提供20個小時的數據備份時間。更進一步，Wang Yu［11］在2014年提出了對磁盤故障進行預測的兩步統計方法。該方法主要包括兩個步驟：異常檢測和故障預測。使用MD將觀測到的變量變成一維索引，使用Box－cox變換變成高斯變量。通過定義一個確切的閾值，檢測出異常的disk。其次，采用一個基于滑動窗口的通用似然比來跟蹤磁盤的異常變化情況。當在一個時間段內，如果異常出現足夠多，則意味著磁盤將要出現故障。通過對模擬數據和實際數據的實驗結果表明，在FAR為0%的條件下，該方法可以獲得68%的故障檢測率FDR（Failure Detection Rate）。MD將多變量數據轉化為單變量數據，從而極大增強了計算效率。通過對關鍵特性子集使用基于規則的故障檢測算法，增強了預測的準確性。Hamerly G等［12］使用兩種貝葉斯方法來預測磁盤的故障：樸素貝葉斯子模型的混合和樸素貝葉斯分類器。前者使用期望最大化EM（Expectation－maximization）算法對數據進行訓練。后者的優勢在于簡單，易于實現。通過針對1 936個磁盤SMART數據的實驗表明，這兩個方法比傳統的基于閾值的SMART算法具有更高的準確性。Tan Y［13］和 Zhao Y［14］分別提出樹擴張樸素貝葉斯方法 TAN（Tree Augmented Na?ve Bayesian）和隱式馬爾可夫模型 HMM（Hidden Markov Model）來進一步提高磁盤故障預測的FDR。其中，文獻［13］的結果表明，當FAR為3%時，其FDR可以達到80%；但是當FAR為0%時，其FDR只能達到20%～30%。文獻［14］的結果表明，當FAR為0%時，HMM方法的FDR為52%，但是當FAR增加時，并不能獲得比TAN方法更好的FDR 值。Murray J F［15，16］比較了不同的機器學習方法，這些方法使用磁盤驅動器內部屬性來預測磁盤的故障。在充滿噪音和非參數化分布的數據中，檢測小概率事件。基于多實例學習框架和貝葉斯分類器，文獻［15］提出一個新的算法mi－NB（multiple－instance Na?ve Bayes），具有較低的誤報率和較好的性能。文獻［16］將 mi－NB和SVM方法，unsupervised clustering和非參數化統計方法（rank－sum 和reverse arrangement）進行了比較。SVM、rank－sum和mi－NB算法比現有的基于閾值的方法性能要好，具有較低的誤報率。在國內方面，Zhu Bing－peng等［17］基于 SMART 信息，采用BP（Back Propagation）神經網絡模型和改進的支持向量機模型來預測磁盤故障。通過基于23 395個實際磁盤SMART數據的實驗表明，BP神經網絡模型在保持較低FAR的前提下，可以獲得95%的FDR。華中科技大學劉景寧等［18］對RAID可靠性進行了研究，提出了一種采用SMART的RAID高可靠性方法。國防科學技術大學張超［19］提出了基于SMART信息的T2US（Time，Temperature，Utilization and S.M.A.R.T）算法預測磁盤故障，準確率達到52%，并在此基礎上，構建了多級RAID結構，在一定程度上提高了RAID的可靠性和性能。國防科學技術大學胡維［20］提出基于智能預警和自修復的高可靠磁盤陣列，在磁盤故障預測中使用決策樹算法和提升算法相結合的策略構建分類器，明顯提高故障預測性能。

基于機器學習的磁盤故障預測方法都采用了磁盤的SMART屬性。所有的機器學習方法都具有相類似的流程。首先，SMART數據被組織成包括特征值和一個分類標簽的矢量。特征值是一個包括若干SMART屬性的特征矢量，分類標簽用于表征該磁盤是否是故障磁盤。特征矢量包括多個在不同的時間點采集的SMART屬性。這些數據會被預先處理，以刪除那些會導致過度擬合的屬性。根據現有的訓練數據集，故障預測方法根據特定的合適度測量進行迭代學習。不同的預測方法會采用不同的SMART屬性，以及不同的學習策略。在故障預測過程中，除了FAR以及FDR外，用戶還關心故障預測成功后，預留的數據處理時間窗口長度。一般來說，預測某磁盤即將出現故障，需要對該磁盤進行處理，包括數據遷移、磁盤替換等操作。這些操作應該在磁盤出現故障前完成。因此，如何在保證預測準確率的同時，提高預留時間窗口也是故障預測方法必須考慮的問題。

和現有的故障預測方法相比較，本文所使用的故障預測方法的不同之處在于：（1）上述相關工作中，對磁盤故障的預測主要使用一個方法，而本文使用了LibEDM內的多個機器學習方法，實現對磁盤故障的預測，并對不同方法的預測效果以及相關指標進行了對比。（2）和其他相關工作相比較，本文使用了23395個磁盤的實際SMART數據，整個數據量較大。

3 典型機器學習方法

機器學習方法通過對數據的處理，使得系統具有學習能力，從而發現蘊含的規律，提高系統能力。本文中使用了四種典型的機器學習方法，下面分別給出介紹。

3.1 反向傳播神經網絡BPNN

神經網絡是典型的機器學習方法，在模式分類、數據挖掘等領域獲得卓有成效的應用。神經網絡構建網絡拓撲結構，通過確定學習規則、模擬人體神經元的工作過程。整個網絡包括輸入層、輸出層和若干隱單元。不同的層次之間具有不同的網絡權值，神經網絡的學習問題就是網絡權值的調整問題。網絡權值確定后，對于給定的輸入，通過整個網絡的處理，得到最終的輸出結果。反向傳播神經網絡使用誤差反向傳播學習算法，其網絡結構包括三個不同的層面：感知層（輸入層）、聯想層（隱含層）和響應層（輸出層）構成。其中，隱含層可以具有多個，為了獲得較好的學習效果，其層內節點數通常不少于輸入層和輸出層的節點數。

在本文中，磁盤的SMART信息作為神經網絡的輸入，經過隱含層的處理后，由輸出層給出最終結果，判斷磁盤是否會出現故障。

3.2 決策樹

決策樹方法主要用于從一組已知的樣本中歸納出分類知識，并且分類知識用決策樹的方式表示出來。在決策樹內部，每個節點對一個或者多個屬性進行測試比較，并且根據比較結果來確定節點的分支。當執行完畢后，比較過程到達決策樹的葉節點，該葉節點表示了此樣本所屬的類別，從而完成整個決策過程。決策樹的使用相對簡單，要求訓練樣本可以用屬性向量表示即可。決策樹方法執行的最終結果是給出一個樣本的類別判斷。通過對整個樣本集執行本方法，實現對樣本集的一個劃分。

在本文中，磁盤的SMART信息作為一個屬性向量輸入到決策樹中，并且由決策樹在葉節點給出最終判斷，該屬性向量所對應的磁盤是否出現故障。

3.3 支持向量機

支持向量機是機器學習和數據挖掘領域的標準工具之一，集成了包括最大間隔超平面等多項技術，具有良好的性能。特征空間和核函數是支持向量機方法的重要概念。其中，核函數可以將非線性樣本數據映射到高維空間，并且不增加參數個數，從而增加學習器的計算能力。通過這種映射，可以優化樣本數據的表示，簡化學習任務。經過核函數映射后的樣本數據，構成了特征空間。通過使用核函數映射到特征空間后，原有的復雜的屬性數據更便于處理，利于區分。

3.4 簡單貝葉斯

貝葉斯方法通過對待考察變量的概率的觀察，以及已經觀測到的數據，基于相應理論進行推理，得到最優的決策。貝葉斯方法的基礎是事件的概率，以及不同事件概率之間的關系，通過直接操作概率實現機器學習，同時為衡量多個假設的置信度提供了定量的方法。

簡單貝葉斯方法是一種實用性很高的分類器，其基本原理在于，在使用貝葉斯公式時，采用如下原則確定多個屬性的聯合概率：假定目標屬性之間相互獨立，多個屬性值的聯合概率等于每個單獨屬性的概率乘積。通過這種簡化，大大減少屬性聯合概率的計算量，不需要明確搜索假設空間。

4 實驗結果

本文選用源于實際應用環境的23 395個磁盤的SMART數據，使用LibEDM中提供的四個機器學習算法實現，構建實驗平臺，對磁盤的故障狀態進行預測。

4.1 實驗環境

4.1.1 實驗數據

本文所使用的SMART數據集源自實際運行的數據中心。整個數據集共包括23 395塊磁盤，所有磁盤具有相同的型號。每個磁盤每隔1個小時進行一次取樣。根據磁盤的運行情況，所有磁盤被劃分為兩類：故障和正常。在整個數據集中，故障磁盤共有433塊，正常磁盤為22 962塊。正常磁盤共包括了一個星期的數據。對于故障磁盤，采樣數據的時間更長，最長為故障發生前20天。

根據SMART標準，每次獲取的磁盤SMART信息中包含多項屬性。但是，部分屬性對于故障預測而言，是不具有實際意義的。因此，整個數據集記錄了共10個SMART屬性，如表1所示。

Table 1 SMART attributes表1 SMART屬性

為了便于機器學習方法使用，數據集對每個屬性值進行了歸一化處理，將每個屬性的取值設定在［－1，1］。在文獻［16］中，除了使用上述10個值以外，還使用了兩個屬性的初始值、以及七個屬性的變化率作為數據集的屬性，并作為故障預測的輸入。本文只選擇上述10個屬性，實際測試結果表明，即便在屬性數量較少的條件下，通過合理配置數據訓練集合，使用機器學習方法也能夠獲得更好的故障預測效果。

為了驗證機器學習方法的正確性，將整個數據集劃分為訓練集和測試集。其中，訓練集包含70%的正常磁盤和故障磁盤的SMART數據，測試集包括30%的正常磁盤和故障磁盤的SMART數據。測試數據集的構建采用如下方式：對于每個正常磁盤，隨機選取SMART采樣記錄中的一條；對于故障磁盤，選擇磁盤在出現故障前不同的時間窗口內的SMART采樣記錄。為了便于對比，和文獻［16］一樣，我們選擇了四個不同的時間窗口，分別為12h、24h、48h和96h。之所以每個正常磁盤只選擇一條SMART記錄，原因在于需要保持訓練集中不同采樣類別之間的平衡。在整個數據集中，故障磁盤只有433塊，在整個磁盤集合中的比例只有1.8%。盡管在訓練集中，每個故障磁盤包括了整個時間窗口內的SMART數據，以12 h的窗口為例，故障磁盤的記錄數量為3 636條。但是，對于正常磁盤而言，即便是只采用一條SMART記錄，整個記錄數量也有16 073條。這樣，在整個訓練集中，故障記錄只占到18.4%。如果每個正常磁盤的記錄選擇多條，則故障記錄在整個訓練集中的比例會更低，將影響訓練效果。后面的實驗結果也將驗證這一選擇的正確性。

4.1.2 機器學習算法庫

本文所使用的機器學習實現方法源自LibEDM。LibEDM是一個開源的機器學習算法庫，由國防科技大學蔣艷凰等開發。它不僅包括多種經典機器學習方法，還包括集成學習、強化學習等方法的實現，以及多種數據統計工具。在算法實現的基礎上，LibEDM提供了統一的訪問接口，使得使用機器學習方法更加方便。

4.1.3 實驗方法

基于LibEDM中的四個機器學習方法實現，以及磁盤SMART數據集，完成對磁盤故障的預測。LibEDM提供了每個算法的核心API，包括數據集的訓練、數據集的測試等。具體實驗方法如下：（1）首先，對原始SMART數據進行處理，構建符合要求的數據集；（2）通過API完成對數據集的初始化；（3）調用數據集訓練API，完成對機器學習方法的訓練；（4）調用測試API，完成對故障預測；（5）對預測效果進行統計分析，判斷預測的正確性，并統計預測率、誤報率、預測提前時間等各項指標。

4.2 實驗結果

本節給出四個機器學習方法的故障預測結果，并對預測結果進行討論。

4.2.1 實驗結果說明

實驗結果重點關注以下幾個指標：

預測率Rp：實際故障磁盤中，被預測為出現故障的磁盤數量占所有故障磁盤的比。

誤報率Rf：實際正常磁盤中，被預測為出現故障的磁盤數量占所有正常磁盤的比。

準確率Ra：預測狀態正確的磁盤數量和全部磁盤數量的比。

提前時間Ta：對于故障磁盤而言，正確預測磁盤故障狀態時間和磁盤實際故障時間之間的時間長度。

執行時間Te：指機器學習方法完成一項故障預測所需要的時間。

假定整個測試集中共有N個磁盤，其中正常磁盤No個，故障磁盤Nf個，滿足No＋Nf＝N。在預測過程中，共有M個磁盤被預測為故障，其中實際故障磁盤數為Mf，實際正常磁盤數為Mo，滿足Mo＋Mf＝M。在預測過程中，共有L個磁盤被預測為正常，其中實際故障磁盤數為Lf，實際正常磁盤數為Lo。則有以下關系成立：

對于實際存儲系統而言，磁盤故障預測的主要目的在于在磁盤故障出現之前，提前對相關的磁盤進行處理，執行包括數據備份、數據遷移在內的各項措施，避免產生數據丟失。在上述指標中，提前時間Ta刻畫了機器學習方法所產生的故障預測提前量，這個值越大，意味著留給用戶采取措施的時間越長，完成數據可靠性操作的概率也就越大。

執行時間Te是機器學習方法完成一項故障預測的時間，刻畫了該方法的執行效率，時間越短，效率越高。盡管在實際系統中，留給故障預測的時間可能會比較長，在上面的數據集中，每隔一個小時采樣一次，意味著故障預測可以在這一個小時之內完成。但是，當系統規模很龐大時，大量的預測任務會給機器學習方法帶來較大的壓力。提高執行效率，依然具有其內在的現實意義。

4.2.2 預測率結果比較

預測率刻畫了機器學習方法發現磁盤故障的能力。圖1給出了四種方法在預測率的結果比較。其中，橫坐標為時間窗口的大小，分別為12h、24h、48h、96h。時間窗口越大，意味著輸入數據集中故障磁盤SMART數據越多。BPNN方法、決策樹和貝葉斯方法在不同的時間窗口條件下，預測率保持相對穩定。其中，BPNN方法的預測率穩定在93%左右，貝葉斯方法的預測率穩定在96%左右，而決策樹方法穩定在98%。對于支持向量機方法，隨著時間窗口的增大，預測率由67%增加到97.3%。支持向量機方法的預測率對時間窗口大小變化所引發的輸入數據集的變化比較敏感，當時間窗口增加大于24h后，預測率的結果趨于穩定。

Figure 1 Prediction rate comparison圖1 預測率結果比較

4.2.3 誤報率結果比較

誤報率刻畫了機器學習方法出現錯誤預測結果的可能性。圖2給出了四種方法的誤報率結果比較。誤報率越低，證明方法的有效性越好。在四種方法中，支持向量機的效果最好，誤報率最低值僅有0.05%，最高值也只有0.1%。決策樹方法和簡單貝葉斯方法的誤報率比較穩定，分別穩定在0.3%和0.8%。相比而言，BPNN方法的誤報率變化浮動較大，最低值為0.1%，最高值可以到1%。

4.2.4 準確率結果比較

準確率刻畫了機器學習方法獲得正確預測結果的能力，其值越高，則意味著方法的預測效果越好。圖3給出了四種方法的準確率結果比較。從圖3中可以看出，四種方法都保持了較高的預測準確率。除了簡單貝葉斯方法，另外三種方法大都保持了99%以上的預測準確率。決策樹方法的準確率較為穩定。當時間窗口大于24h后，支持向量機方法的預測準確率也穩定在99%以上。相比較而言，貝葉斯方法隨著時間窗口的增加，預測準確率有所下降。BPNN方法在時間窗口大小為48h，最高準確率為99.5%；當時間窗口大小為96h，出現了最低準確率為97.4%。這些數據表明，上述四種預測方法具有較高的正確預測能力。

Figure 2 Comparison of false alarm rates圖2 誤報率結果比較

Figure 3 Comparison of accurate rates圖3 準確率結果比較

4.2.5 提前時間比較

提前時間定義了機器學習方法在實際故障出現前，完成故障預測的時間提前量。這個值越大，表明用戶有更充足的時間完成數據備份操作，數據的可靠性、可用性也就越高。圖4給出了四種方法的提前時間比較。從圖4中看出，除了BPNN方法外，其他三種方法都保持了相對穩定的提前時間。其中，支持向量機和貝葉斯方法的提前時間穩定在300h左右，決策樹方法的提前時間穩定在290h。隨著時間窗口的增加，BPNN方法的提前時間由270h逐步提升到300h。

Figure 4 Comparison of the time ahead of schedule圖4 提前時間比較

4.2.6 其他結果

除了上述四個指標，我們還對比了四種方法在對測試集進行預測時所需要的時間。圖5給出了歸一化處理后的時間對比結果。在四種方法中，決策樹的預測時間最短，BPNN和簡單貝葉斯的預測時間稍長，分別是決策樹方法的2.8倍和1.3倍。支持向量機的預測時間最長，是決策樹方法的715倍。從時間絕對值看，四種方法的執行時間都是可以接受的。

Figure 5 Comparison of prediction time圖5 預測所需時間對比

在前文中，我們給出了訓練集的構造方法，并說明，每個正常磁盤選擇一條SMART信息，可以改善故障磁盤的SMART信息在整個訓練集中的比例，從而改善預測效果。圖6a和圖6b分別給出了兩種不同條件下、四種不同方法的預測率和準確率對比，它們的時間窗口大小均為12h。其中，Train－1表示在構造訓練集數據時，每個正常磁盤選取一條SMART信息；Train－2表示構造訓練集數據時，每個正常磁盤選取四條SMART信息。

Figure 6 Prediction comparison under different constructions of training sets圖6 不同訓練集構造方法下的預測結果對比

從圖6a可以看出，在兩種條件下，決策樹和簡單貝葉斯方法的預測率沒有出現大的變化，但是BPNN和支持向量機方法在選擇Train－1時，預測率有明顯改善，分別提高了15%和17%。從圖6b可以看出，在兩種條件下，預測的準確率并沒有出現大的變化。

5 結束語

數據是信息系統的核心組成部分。作為保存數據的主要部件，提高磁盤的可靠性對信息系統具有重要意義。SMART數據描述了磁盤的多種屬性，是磁盤管理的標準接口。基于SMART數據，采用機器學習方法對磁盤故障進行預測，可以有效預測可能出現的磁盤故障，有利于提高磁盤的可用性，并增強存儲系統的可靠性。本文基于LibEDM，采用四種典型的機器學習方法，利用SMART數據，實現對磁盤的故障預測，并使用源自于實際系統的磁盤SMART信息進行故障預測驗證。實驗結果表明，使用機器學習方法可以有效預測磁盤故障。同時，對不同方法的實驗結果進行了對比與分析。

［1］ Schroeder B，Gibson G A.Disk failures in the real world：What does an MTTF of 1，000，000hours mean to you？［C］∥Proc of the 5th USENIX Conference on File and Storage Technologies，2007：286－299.

［2］ Gobioff H，Ghemawat S T S.The Google file system［C］∥Proc of the 19th ACM Symposium on Operating Systems Principles（SOSP’03），2003：29－43.

［3］ Van Renesse R，Schneider F B.Chain replication for supporting high throughout and availability［C］∥Proc of OSDI’04，2004：91－104.

［4］ Pinheiro E，Weber W－D，Andr L，et al.Failure trends in a large disk drive population ［C］∥Proc of the 5th USENIX Conference on File and Storage Technologies，2007：1.

［5］ Murray J F，Hughes G F，Kreutz－Delgado K.Machine learning methods for predicting failures in hard drives：A multipleinstance application ［J］.Journal of Machine Learning Research，2005，6（1）：783－816.

［6］ Jiang Yan－huang，Zhao Qiang－li.Machine learning techniques［M］.Beijing：Publishing House of Electronics Industry，2009.（in Chinese）

［7］ LibEDM［EB／OL］. ［2015－03－13］.https：／／github.com／Qiangli－Zhao／LibEDM.

［8］ http：／／pan.baidu.com／share／link？shareid＝189977＆uk＝4278294944.

［9］ Hughes G F，Murray J F，Kreutz－Delgado K，et al.Improved disk drive failure warnings［J］.IEEE Transactions on Reliability，2002，51（3）：350－357.

［10］ Wang Yu，Miao Qiang，Ma E W M，et al.Online anomaly detection for hard disk drives based on mahalanobis distance［J］.IEEE Transactions on Reliability，2013，62（1）：136－145.

［11］ Wang Yu，Ma E W M，Tommy W S Chow，et al.A two－step parametric method for failure prediction in hard disk drives［J］.IEEE Transactions on Industrial Informatics，2014，10（1）：419－430.

［12］ Hamerly G，Elkan C.Bayesian approaches to failure prediction for disk drives［C］∥Proc of the 18th International Conference on Machine Learning（ICML），2001：202－209.

［13］ Tan Y，Gu X.On predictability of system anomalies in real world［C］∥Proc of the 18th Annual IEEE／ACM International Symposium on Modeling，Analysis Simulation of Computer and Telecommunication System，2010：1.

［14］ Zhao Y，Liu X，Gan S，et al.Predicting disk failure with HMM－and HSMM－based approaches［C］∥Proc of the 10th International Conference on Data Mining，2010：390－404.

［15］ Murray J F，Hughes G F，Kreutz－Delgado K.Machine learning methods for predicting failures in hard drives：A multiple instance application［J］.Journal of Machine Learning Research，2005，6（1）：783－816.

［16］ Murray J F，Hughes G F，Kreutz－Delgado K.Hard drive failure prediction using non－parametric statistical methods［C］∥Proc of the ICANN／ICONIP，2003：1.

［17］ Zhu Bing－peng，Wang Gang，Liu Xiao－guang，et al.Proactive drive failure prediction for large scale storage systems［C］∥Proc of IEEE Conference on Massive Data Storage Systems and Technologies，2013：1－5.

［18］ Liu Jing－ning，Rao Guo－lin，Feng Dan.A S.M.A.R.T－based method for keeping RAID data’s high dependability［J］.Computer Engineering ＆ Science，2007，29（5）：21－23.（in Chinese）

［19］ Zhang Chao.Research of self－healing technique on high performance disk array［D］.Changsha：Natioanl University of Defense Technology，2008.（in Chinese）

［20］ Hu Wei.Research of high reliable disk array technology based on intelligent failure prediction and self－healing［D］.Changsha：Natioanl University of Defense Technology，2010.（in Chinese）

附中文參考文獻：

［6］ 蔣艷凰，趙強利.機器學習方法［M］.北京：電子工業出版社，2009.

［18］ 劉景寧，饒國林，馮丹.一種基于S.M.A.R.T的保障RAID數據高可靠性的方法［J］.計算機工程與科學，2007，29（5）：21－23.

［19］ 張超.高性能磁盤陣列自修復技術研究［D］.長沙：國防科學技術大學，2008.

［20］ 胡維.基于智能預警和自修復的高可靠磁盤陣列關鍵技術研究［D］.長沙：國防科學技術大學，2010.