CN107480028A - 磁盘可使用的剩余时长的获取方法及装置 - Google Patents

磁盘可使用的剩余时长的获取方法及装置 Download PDF

Info

Publication number
CN107480028A
CN107480028A CN201710601830.3A CN201710601830A CN107480028A CN 107480028 A CN107480028 A CN 107480028A CN 201710601830 A CN201710601830 A CN 201710601830A CN 107480028 A CN107480028 A CN 107480028A
Authority
CN
China
Prior art keywords
prediction
disk
model
residual capacity
forecast model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201710601830.3A
Other languages
English (en)
Other versions
CN107480028B (zh
Inventor
孙卓然
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Neusoft Corp
Original Assignee
Neusoft Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Neusoft Corp filed Critical Neusoft Corp
Priority to CN201710601830.3A priority Critical patent/CN107480028B/zh
Publication of CN107480028A publication Critical patent/CN107480028A/zh
Application granted granted Critical
Publication of CN107480028B publication Critical patent/CN107480028B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3051—Monitoring arrangements for monitoring the configuration of the computing system or of the computing system component, e.g. monitoring the presence of processing resources, peripherals, I/O links, software programs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3409—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3447—Performance evaluation by modeling

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Debugging And Monitoring (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出一种磁盘可使用的剩余天数的预测方法及装置，其中，方法包括：将磁盘的多维预测数据输入到目标预测模型中，预测出磁盘的剩余容量；根据剩余容量调整下一次预测时的预测步长；根据预测步长对目标预测模型进行更新；将多维预测数据重新输入到更新后的目标预测模型中，预测出剩余容量，并返回执行根据剩余容量调整预测步长，以及根据预测步长对目标预测模型进行更新，直到更新后的目标预测模型预测出的剩余容量为零为止；将剩余容量为零时所对应的目标预测模型的预测步长作为磁盘可使用的剩余时长。由于预测过程采用机器学习的方式，而且参考了影响磁盘剩余容量的多维监控数据，从而很好地提高预测的准确性。

Description

磁盘可使用的剩余时长的获取方法及装置
技术领域
本发明涉及计算机领域，尤其涉及一种磁盘可使用的剩余时长的获取方法及装置。
背景技术
目前，可以监控IT设备上的磁盘的剩余容量，然后基于相邻两天的剩余容量，计算出一天内的磁盘使用增长量。因此，可以采集一段时间内磁盘每天的剩余容量，然后计算多个一天内的磁盘使用增长量。在获取到多个磁盘使用增长量之后，可以计算出每天平均的磁盘使用增长量。进而可以基于磁盘当天的剩余容量以及每天平均的磁盘使用增长量，就可以预测出磁盘可使用的剩余天数。
上述剩余天数的预测方法仅基于磁盘的剩余容量这一监控数据进行预测，未考虑其他的参考因素，使得预测结果准确性较低。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的第一个目的在于提出一种磁盘可使用的剩余时长的获取方法，通过机器学习方式构建预测模块，基于预测模型对多维的监控数据进行学习，来预测磁盘可使用的剩余时长，实现提高磁盘可使用的剩余时长准确性的目的，以解决现有技术中仅基于磁盘的剩余容量这一监控数据进行预测剩余时长存在预测准确性较低的问题。
本发明的第二个目的在于提出一种磁盘可使用的剩余时长的获取装置。
本发明的第三个目的在于提出一种计算机设备。
本发明的第四个目的在于提出一种计算机程序产品。
本发明的第五个目的在于提出一种非临时性计算机可读存储介质。
为达上述目的，本发明第一方面实施例提出了一种磁盘可使用的剩余时长的获取方法，包括：
将磁盘的多维预测数据输入到目标预测模型中，预测出所述磁盘的剩余容量；
根据所述剩余容量调整下一次预测时的预测步长；
根据所述预测步长对目标预测模型进行更新；
将所述多维预测数据重新输入到更新后的所述目标预测模型中，预测出所述剩余容量，并返回执行根据所述剩余容量调整所述预测步长，以及根据所述预测步长对所述目标预测模型进行更新，直到更新后的所述目标预测模型预测出的所述剩余容量为零为止；
将所述剩余容量为零时所对应的所述目标预测模型的预测步长作为所述磁盘可使用的剩余时长。
作为本发明第一方面实施例提供的一种可能的实现方式，所述根据所述预测步长对所述目标预测模型进行更新，包括：
根据所述预测步长获取与所述预测步长对应的第一预测模型；
将所述目标预测模型更新为所述第一预测模型。
作为本发明第一方面实施例提供的一种可能的实现方式，所述根据所述预测步长获取与所述预测步长对应的目标预测模型之前，还包括：
采集磁盘的多维历史监控数据作为训练数据；
预先按照不同的预测步长，利用所述训练数据对构建的预测模型进行训练，得到与每个预测步长对应的第一预测模型。
作为本发明第一方面实施例提供的一种可能的实现方式，所述根据所述预测步长对所述目标预测模型进行更新，包括：
将所述磁盘的多维历史监控数据作为训练数据，重新输入到构建的预测模型中，按照所述预测步长对所述预测模型进行训练，得到与所述预测步长对应的第一预测模型；
将所述目标预测模型更新为所述第一预测模型。
作为本发明第一方面实施例提供的一种可能的实现方式，所述根据所述剩余容量调整下一次预测的预测步长，包括：
获取所述剩余容量与所述磁盘的总容量之间的第一比值；
将所述第一比值与预设的第一阈值进行比较；
如果所述第一比值超出所述第一阈值，则按照第一数值确定所述预测步长；
如果所述第一比值未超出所述第一阈值，则按照第二数值确定所述预测步长；其中所述第一数值大于所述第二数值。
作为本发明第一方面实施例提供的一种可能的实现方式，所述方法还包括：
从第一次对构建的所述预测模型进行训练开始，判断每次训练出的所述预测模型的各输入权值是否处于各自的置信区间中；
如果各输入权值均处于各自的置信区间内，则对此次训练出的所述预测模型进行标记；
统计标记过的所述预测模型的个数；
获取标记过的所述预测模型的个数与当前累计的总训练次数之间的第二比值；
如果所述第二比值超过预设的第二阈值，则停止对所述预测模型的训练；
根据所有标记过的所述预测模型的各输入权值，确定所述目标预测模型的各输入权值。
本发明实施例的磁盘可使用的剩余时长的获取方法，通过采集磁盘的多维的监控数据作为训练数据进行预测模型训练，在预测模型建模完成后，再利用多维的预测数据，输入到目标预测模型对磁盘的预测剩余容量进行多步预测，当预测出的剩余容量为零时，根据此时目标预测模型的预测步长确定出磁盘的剩余时长。由于预测过程采用机器学习的方式，而且参考了影响磁盘剩余容量的多维监控数据，从而很好地提高预测的准确性。
为达上述目的，本发明第二方面实施例提出了一种磁盘可使用的剩余时长的获取装置，包括：
预测模块，用于将磁盘的多维预测数据输入到目标预测模型中，以得到所述磁盘的剩余容量；
调整模块，用于根据所述剩余容量调整下一次预测时的预测步长；
模型更新模块，用于根据所述预测步长对所述目标预测模型进行更新；
所述预测模块，用于将所述预测数据重新输入到更新后的所述目标预测模型中，预测出所述剩余容量，并返回所述调整模块根据所述剩余容量调整所述预测步长，以及所述模型更新模块根据所述预测步长对所述目标预测模型进行更新，直到更新后的所述目标预测模型预测出的所述剩余容量为零为止；
确定模块，用于将所述剩余容量为零时所对应的所述目标预测模型的预测步长作为所述磁盘可使用的剩余时长。
作为本发明第二方面实施例提供的一种可能的实现方式，所述模型更新模块，具体用于根据所述预测步长获取与所述预测步长对应的第一预测模型，以及将所述目标预测模型更新为所述第一预测模型。
作为本发明第二方面实施例提供的一种可能的实现方式，所述装置还包括：
训练模块，用于在根据所述预测步长获取与所述预测步长对应的第一预测模型之前，采集磁盘的多维历史监控数据作为训练数据，预先按照不同的预测步长，利用所述训练数据对构建的预测模型进行训练，得到与每个预测步长对应的所述第一预测模型。
作为本发明第二方面实施例提供的一种可能的实现方式，所述模型更新模块，具体用于将所述磁盘的多维历史监控数据作为训练数据，重新输入到构建的预测模型中，按照所述预测步长对所述预测模型进行训练，得到与所述预测步长对应的第一预测模型，将所述目标预测模型更新为所述第一预测模型。
作为本发明第二方面实施例提供的一种可能的实现方式，所述调整模块，具体用于获取所述剩余容量与所述磁盘的总容量之间的第一比值，将所述第一比值与预设的第一阈值进行比较，如果所述第一比值超出所述第一阈值，则按照第一数值确定所述预测步长，以及如果所述第一比值未超出所述第一阈值，则按照第二数值确定所述预测步长。
作为本发明第二方面实施例提供的一种可能的实现方式，所述装置还包括：
判断模块，用于从第一次对构建的所述预测模型进行训练开始，判断每次训练出的所述预测模型的各输入权值是否处于各自的置信区间中；
标记模块，用于如果各输入权值均处于各自的置信区间内，则对此次训练出的所述预测模型进行标记；
统计模块，用于统计标记出的所述预测模型的个数；
获取模块，用于获取标记出的所述预测模型的个数与当前累计的总训练次数之间的第二比值；
停止模块，用于如果所述第二比值超过预设的第二阈值，则停止对所述预测模型的训练；
权重确定模块，用于根据所有标记过的所述预测模型的各输入权值，确定所述目标预测模型的各输入权值。
本发明实施例的磁盘可使用的剩余时长的获取装置，通过采集磁盘的多维的监控数据作为训练数据进行预测模型训练，在预测模型建模完成后，再利用多维的预测数据，输入到目标预测模型对磁盘的预测剩余容量进行多步预测，当预测出的剩余容量为零时，根据此时目标预测模型的预测步长确定出磁盘的剩余时长。由于预测过程采用机器学习的方式，而且参考了影响磁盘剩余容量的多维监控数据，从而很好地提高预测的准确性。
为达上述目的，本发明第三方面实施例提出了一种计算机设备，包括：
处理器和存储器；
其中，所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于实现如本发明第一方面实施例所述的磁盘可使用的剩余时长的获取方法。
为达上述目的，本发明第四方面实施例提出了一种计算机程序产品，当所述计算机程序产品中的指令由处理器执行时，执行如第一方面实施例所述的磁盘可使用的剩余时长的获取方法。
为达上述目的，本发明第五方面实施例提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，当计算机程序被处理器执行时实现如第一方面实施例所述的磁盘可使用的剩余时长的获取方法。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本发明实施例提供的一种磁盘可使用的剩余时长的获取方法的流程示意图；
图2为本发明实施例提供的一种预测模型训练过程的示意图；
图3为本发明实施例提供的一种单隐层前馈网络的结构示意图；
图4为本发明实施例提供的一种磁盘可使用的剩余时长的获取方法的应用示意图；
图5为本发明实施例提供的一种磁盘可使用的剩余时长的获取装置的结构示意图；
图6为本发明实施例提供的另一种磁盘可使用的剩余时长的获取装置的结构示意图；
图7为本发明实施例提供的一种计算机设备的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参考附图描述本发明实施例的磁盘可使用的剩余时长的获取方法及装置。
图1为本发明实施例的磁盘可使用的剩余时长的获取方法的流程示意图。如图1所示，该磁盘可使用的剩余时长的获取包括以下步骤：
S101，将磁盘的多维预测数据输入到目标预测模型中，预测出所述磁盘的剩余容量。
本实施例中，可以根据一个机器学习算法预先构建一个初始预测模型，然后可以采集磁盘的历史监控数据，以历史监控数据作为训练数据，对构建的初始预测模型进行训练，最终形成用于对磁盘进行预测的预测模型。
其中，机器学习算法可以包括：BP神经网络、支持向量机以及单隐层前馈网络等，本实施例中不对机器学习算法进行限制。
其中，历史监控数据可以为预设时间段内的监控数据，例如，该时间段可以为一个月内磁盘的监控数据。作为训练数据的多维历史监控数据可以包括：磁盘写入速率、每秒写入次数、网卡吞吐量、预设时长内磁盘所在设备的平均负载等多维监控数据以及每个监控周期内的磁盘剩余容量。一般情况下，预设时长为可以为15分钟，该监控周期可以为一天。此处需要说明的是，关于对初始预测模型的训练过程，在后续实施例中进行介绍，此处不再赘述。
本实施例中，在获取到最终的预测模型后，就可以利用预测模型对磁盘的剩余容量进行测量。具体地，可以预先采集对磁盘进行预测的预测数据，其中，预测数据中包括磁盘写入速率、每秒写入次数、网卡吞吐量以及预设时长内磁盘所在设备的平均负载等多维监控数据。将预测数据输入到当前的预测模型中，基于当前的预测模型对预测数据进行预测，得到磁盘的剩余容量。
S102，根据剩余容量调整下一次预测的预测步长。
本实施例中，为预测模型的预测步长用于来体现磁盘的剩余时长，即预测步长的数值为剩余时长的数值。在获取到剩余容量后，首先判断剩余容量是否为零，如果剩余容量为零，说明磁盘能够持续到当前的预测模型所对应的剩余时长，即当前的预测模型的预测步长。而如果剩余容量非零，说明当前的预测模型的预测步长并不能时磁盘的剩余容量为零，也就是说，经过当前的预测模型预测出的剩余时长后，磁盘仍然可以继续使用，因此，需要重新对磁盘的剩余容量进行预测，并且需要调整下一次预测的预测步长，即需要往上调整预测步长。例如，当前的预测模型的预测步长为5，即磁盘的剩余时长为5天，当预测出的剩余容量不为零，说明磁盘还可以至少再多支持到1天。因此，需要往上调整下一次预测的预测步长，该下一次的预测步长可以为6，也可以为8。
作为一种示例，可以根据剩余容量的大小，来确定调整预测步长的跨度。在获取到剩余容量后，可以根据剩余容量与磁盘的总容量来确定用于调整预测步长的数值。具体地，可以将剩余容量与总容量作比，得到获取剩余容量与总容量之间的第一比值，然后将第一比值与预设的第一阈值进行比较，如果第一比值超出第一阈值，说明磁盘的剩余容量较大，为了减少预测的次数，可以增大预测步长，提高预测跨度，则可以按照第一数值确定预测步长。而如果第一比值未超出第一阈值，说明磁盘的剩余容量较小，为了保证预测的准确性，需要小幅度预测，则按照第二数值确定预测步长，其中，第一数值大于第二数值。一般情况下，第二数值设置为1。
S103，根据预测步长对目标预测模型进行更新。
作为一种示例，可以预先根据采集的训练数据，针对不同的预测步长训练不同的预测模型，在确定了预测步长后，就可以直接从预先训练出来的多个预测模型中，确定出与该预测步长对应的目标预测模型，然后将当前的预测模型更新为目标预测模型。
作为另一种示例，将采集的训练数据，重新输入到构建的初始预测模型中，然后按照预测步长对初始预测模型进行训练，得到与预测步长对应的目标预测模型，然后将当前的预测模型更新为目标预测模型。
本实施例中，每当预测出的剩余容量非零时，就需要增加一下预测模型的预测步长，以使预测模型所输出的剩余容量为零，进而得到磁盘的剩余时长。
此处需要说明的是，关于预测模型的训练过程，在后续实施例中进行介绍，此处不再赘述。
S104，将多维预测数据重新输入到更新后的目标预测模型中，预测出剩余容量，并返回执行根据剩余容量调整预测步长，以及根据预测步长对目标预测模型进行更新，直到更新后的目标预测模型预测出的剩余容量为零为止。
本实施例中，在将预测模型更新为与预测步长对应的目标预测模型后，可以将多维预测数据重新输入到预测模型中，该预测模型即为更新后的预测模型。基于更新后的预测模型就可以对磁盘的剩余容量进行预测，然后返回S102重新执行后续操作，直到预测模型预测出的剩余容量为零，当预测模型预测出的剩余容量为零时，说明磁盘的剩余时长不会在增加，因此不需要增加预测步长，从而可以停止对预测模型的更新。
S105，将剩余容量为零时所对应的目标预测模型的预测步长作为磁盘可使用的剩余时长。
本实施例提供的磁盘可使用的剩余时长的获取方法，通过采集磁盘的多维的监控数据作为训练数据进行预测模型训练，在预测模型建模完成后，再利用多维的预测数据，输入到目标预测模型对磁盘的预测剩余容量进行多步预测，当预测出的剩余容量为零时，根据此时目标预测模型的预测步长确定出磁盘的剩余时长。由于预测过程采用机器学习的方式，而且参考了影响磁盘剩余容量的多维监控数据，从而很好地提高预测的准确性。
为了更加清楚的说明上述实施例提供的磁盘可使用的剩余时长的获取方法，本实施例中对预测模型的训练过程进行介绍，如图2所示。图2为本发明实施例提供的一种预测模型训练过程的示意图。
该预测模型训练过程包括以下步骤：
S201，从第一次对构建的预测模型进行训练开始，判断每次训练出的预测模型的各输入权值是否处于各自的置信区间中。
本实施例中，可以预先设置预测模型的模型参数，进而形成一个初始预测模型。模型参数可以包括输入权值、输出权值、激活函数、层数、以及每层节点个数等。在确定了初始预测模型后，可以采集预设时间段内的多维历史监控数据作为训练数据，其中，预设时间段内每个采集周期采集到的多维历史监控数据作为一组训练数据，因此，需要利用每组的训练数据在对初始预测模型进行训练。例如，可以采集一个月内每天磁盘的多维历史监控数据作为训练数据。
作为一种示例，可以采用单隐层前馈网络来构建初始预测模型。单隐层前馈网络的结构示意图如图3所示。单隐层前馈网络的表达式为：
其中，N表示训练样本的个数；ui＝[ui1,ui2,…,uip]T∈Rp表示输入向量p表示输入向量的维度；yj＝[yj1,yj2,…,tjq]T∈Rq表示输出向量，q表示输出向量的维度；m是隐层节点数；bj是隐含偏执，g(·)是激活函数；wj＝[wj1,wj2,…,wjp]T为输入权值，p表示输入向量的维度，βj＝[βj1,βj2,…,βjq]T为输出权值，q表示输出权值的维度。
本实施例中，预先为各输入权值设标定各自的置信区间，在训练过程中各输入权值落入各种的置信区间内，可以说明预测模型满足需求。从第一次对预测模型进行训练开始，判断每次训练出的第一预测模型的各输入权值是否处于各自的置信区间内。如果第一预测模型的各输入权值均处于各自的置信区间内，则执行S202，否则，不对第一预测模型进行标记。
S202，对此次训练出的预测模型进行标记。
S203，统计标记过的预测模型的个数。
对第一预测模型进行第二预测模型标记后，可以统计第二预测模型的个数。具体地，可以利用一个计数器进行计数，每当标记一个第二预测模型，计数器就可以进行加1。将计数器的计数值作为第二预测模型的个数。
S204，获取标记过的预测模型的个数与当前累计的总训练次数之间的第二比值。
本实施例中，可以通过另外一个计数器来累计总训练次数，然后将第二预测模型的个数与该总训练次数作比，得到第二预测模型的个数与总训练次数之间的第二比值。
S205，如果第二比值超过预设的第二阈值，则停止对预测模型的训练。
当第二比值超出预设的第二阈值时，可以停止对初始预测模型的训练。本实施例中，第二阈值可以为0.8，当第二比值为0.8时，说明当前已经有超出80％的预测模型的各输入权值落入到置信区间内，从而可以停止对初始预测模型的训练，通过标定置信区间，可以提高训练的速度。
此处需要说明的是，在训练完所有的训练数据后，如果第二比值仍然未超过预设的第二阈值，则需要重新调整置信区间。
S206，根据所有标记过的预测模型的各输入权值，确定用于对磁盘的剩余容量进行预测的预测模型的各输入权值。
进一步地，可以将所有第二预测模型的各输入权值进行加和平均，得到每个输入取值的平均值，可以将各输入权值的平均值作为用于对磁盘的剩余容量进行预测的预测模型的各输入权值。
本实施例中，对每个维度监控数据设定输入权值和相应的置信区间，在训练过程中，所有维度监控数据的输入权值全部超出预设的阈值落入置信区间内，就可以停止训练，可以提高训练速度，并且利用落入置信区间内所有第二预测模型的输入权值平均，得到用于预测的预测模型的输入权值，提高输入权值确定的准确性，从而可以提供预测的准确性。
图4为本发明实施例中提供的另一种磁盘可使用的剩余时长的获取方法的应用示意图。
S401，获取一段时间内的多维监控数据作为训练数据。
其中，一段时间可以为一个月或者几个月。作为训练数据的多维历史监控数据可以包括：磁盘写入速率、每秒写入次数、网卡吞吐量、预设时长内磁盘所在设备的平均负载等多维监控数据以及每个监控周期内的磁盘剩余容量。
S402，为基于单隐层前馈网络构建的预测模型设置置信区间、输入权值和隐含偏执。
可以基于预测需要为预测模型中各输入权值设置置信区间，并且可以随机地设定输入权值和隐含偏执。
S403，利用训练数据对预测模型的训练。
基于设置的输入权值和隐含偏执，构建好初始的预测模型，首次训练时从预测步长为0开始训练，按照S403～S407进行预测步长为1的1步预测模型建立。例如，通过1步预测模型可以完成基于今天数据预测明天磁盘的剩余容量；此时的训练的输入和输出之间相差1天。
S404，将每次训练出的预测模型的各输入权值与各自的置信区间进行比较。
S405，如果此次训练出的预测模型的各输入权值处于各自的置信区间内，则对此次的预测模型进行标记。
S406，根据标记过的预测模型的个数和当前累计的总训练次数，判断是否满足所有输入权值中有80％处于置信区间内。
当判断出满足所有输入权值中有80％处于置信区间内，则停止训练，执行S407，否则执行421。
S407，生成目标预测模型。
具体地，获取标记过的预测模型的各输入权值，对所有标记过的预测模型的各输入权值进行加和平均，得到每个输入权值的平均值，利用每个输入权值的平均值形成所述目标预测模型。
S408，将预测数据输入到目标预测模型中，预测磁盘的剩余容量。
S409，判断剩余容量是否为零。
如果剩余容量为零，则执行S410；而如果剩余容量大于0，说明明天可用，则剩余使用天数+1，也就是此时至少能使用1天，则执行S411。
S410，将目标预测模型的预测步长为磁盘的剩余天数。
S411，根据剩余容量调整预测步长，返回执行S402以更新目标预测模型的模型结构，重新对预测模型进行训练，以得到更新后的目标预测模型。
按照上述流程执行可以得到1步预测模型，由于1步预测模型预测出的剩余容量不为零，则可以根据剩余容量调整预测步长。本实施例中，可以将调整值设定为1，即将预测步长调整为2，训练出2步预测模型。也就是说，利用今天数据，基于2步预测模型可以预测后天的剩余容量，此时每次输入预测模型的训练数据的输入和输出之间相差2天。
作为一种示例，如果剩余容量较大时，可以将调整值增大，例如可以设定为5，可以通过上述流程一次训练出多步预测模型，即从2步预测模型可以直接得到7步预测模型，从而可以节省预测的时间。
S412，判断当次训练是否为最一次训练。
如果当次训练为最后一次训练，则执行S402。如果不是最后一次训练，则执行返回执行S403。
本实施例中，对每个维度监控数据设定输入权值和相应的置信区间，在训练过程中，所有维度监控数据的输入权值全部超出预设的阈值落入置信区间内，就可以停止训练，可以提高训练速度，并且利用落入置信区间内所有第二预测模型的输入权值平均，得到用于预测的预测模型的输入权值，提高输入权值确定的准确性，从而可以提供预测的准确性。
图5为本发明实施例提供的一种磁盘可使用的剩余时长的获取装置的结构示意图。如图5所示，该磁盘可使用的剩余时长的获取装置包括：预测模块11、调整模型12、模型更新模块13和确定模型14。
预测模块11，用于将磁盘的多维预测数据输入到目标预测模型中，以得到所述磁盘的剩余容量；
调整模块12，用于根据所述剩余容量调整下一次预测的预测步长；
模型更新模块13，用于根据所述预测步长对所述目标预测模型进行更新；
预测模块11，用于将所述预测数据重新输入到更新后的所述目标预测模型中，预测出所述剩余容量，并返回所述调整模块根据所述剩余容量调整所述预测步长，以及所述模型更新模块根据所述预测步长对所述目标预测模型进行更新，直到更新后的所述目标预测模型预测出的所述剩余容量为零为止；
确定模块14，用于将所述剩余容量为零时所对应的所述目标预测模型的预测步长作为所述磁盘可使用的剩余时长。
进一步地，模型更新模块13，具体用于根据所述预测步长获取与所述预测步长对应的第一预测模型，以及将所述目标预测模型更新为所述第一预测模型。
进一步地，模型更新模块13，具体用于将所述磁盘的多维历史监控数据作为训练数据，重新输入到构建的预测模型中，按照所述预测步长对所述预测模型进行训练，得到与所述预测步长对应的第一预测模型，将所述目标预测模型更新为所述第一预测模型。
进一步地，调整模块12，具体用于获取所述剩余容量与所述磁盘的总容量之间的第一比值，将所述第一比值与预设的第一阈值进行比较，如果所述第一比值超出所述第一阈值，则按照第一数值确定所述预测步长，以及如果所述第一比值未超出所述第一阈值，则按照第二数值确定所述预测步长。
在图5的基础之上，图6为本发明实施例提供的另一种磁盘可使用的剩余时长的获取装置的结构示意图。该磁盘可使用的剩余时长的获取装置还包括：训练模块15、判断模块16、标记模块17、统计模块18、获取模块19、停止模块20和权重确定模块21。
训练模块15，用于在根据所述预测步长获取与所述预测步长对应的第一预测模型之前，采集磁盘的多维历史监控数据作为训练数据，预先按照不同的预测步长，利用所述训练数据对构建的预测模型进行训练，得到与每个预测步长对应的所述第一预测模型。
判断模块16，用于从第一次对构建的所述预测模型进行训练开始，判断每次训练出的所述预测模型的各输入权值是否处于各自的置信区间中。
标记模块17，用于如果各输入权值均处于各自的置信区间内，则对此次训练出的所述预测模型进行标记。
统计模块18，用于统计标记出的所述预测模型的个数。
获取模块19，用于获取标记出的所述预测模型的个数与当前累计的总训练次数之间的第二比值。
停止模块20，用于如果所述第二比值超过预设的第二阈值，则停止对所述预测模型的训练。
权重确定模块21，用于根据所有标记过的所述预测模型的各输入权值，确定所述目标预测模型的各输入权值。
本实施例中，通过采集磁盘的多维的监控数据作为训练数据进行预测模型训练，在预测模型建模完成后，再利用多维的预测数据，输入到目标预测模型对磁盘的预测剩余容量进行多步预测，当预测出的剩余容量为零时，根据此时目标预测模型的预测步长确定出磁盘的剩余时长。由于预测过程采用机器学习的方式，而且参考了影响磁盘剩余容量的多维监控数据，从而很好地提高预测的准确性。
进一步地，对每个维度监控数据设定输入权值和相应的置信区间，在训练过程中，所有维度监控数据的输入权值全部超出预设的阈值落入置信区间内，就可以停止训练，可以提高训练速度，并且利用落入置信区间内所有第二预测模型的输入权值平均，得到用于预测的预测模型的输入权值，提高输入权值确定的准确性，从而可以提供预测的准确性。
图7示出了适于用来实现本申请实施方式的示例性计算机设备30的框图。图7显示的计算机设备30仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图7所示，计算机设备30以通用计算设备的形式表现。计算机设备30的组件可以包括但不限于：一个或者多个处理器或者处理单元31，***存储器32，连接不同***组件(包括***存储器32和处理单元31)的总线33。
总线33表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，***总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture；以下简称：ISA)总线，微通道体系结构(Micro Channel Architecture；以下简称：MAC)总线，增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation；以下简称：VESA)局域总线以及***组件互连(Peripheral ComponentInterconnection；以下简称：PCI)总线。
计算机设备30典型地包括多种计算机***可读介质。这些介质可以是任何能够被计算机设备30访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
***存储器32可以包括易失性存储器形式的计算机***可读介质，例如随机存取存储器(Random Access Memory；以下简称：RAM)40和/或高速缓存存储器41。计算机设备30可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例，存储***42可以用于读写不可移动的、非易失性磁介质(图7未显示，通常称为“硬盘驱动器”)。尽管图7中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如：光盘只读存储器(Compact Disc Read OnlyMemory；以下简称：CD-ROM)、数字多功能只读光盘(Digital Video Disc Read OnlyMemory；以下简称：DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线33相连。存储器32可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本申请各实施例的功能。
具有一组(至少一个)程序模块51的程序/实用工具50，可以存储在例如存储器32中，这样的程序模块51包括——但不限于——操作***、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块51通常执行本申请所描述的实施例中的功能和/或方法。
计算机设备30也可以与一个或多个外部设备60(例如键盘、指向设备、显示器70等)通信，还可与一个或者多个使得用户能与该计算机设备30交互的设备通信，和/或与使得该计算机设备30能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口34进行。并且，计算机设备30还可以通过网络适配器35与一个或者多个网络(例如局域网(Local Area Network；以下简称：LAN)，广域网(Wide Area Network；以下简称：WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器35通过总线33与计算机设备30的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备30使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
处理单元31通过运行存储在***存储器32中的程序，从而执行各种功能应用以及数据处理，例如实现图1-图2以及图4所示的磁盘可使用的剩余时长的获取方法。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(Read Only Memory；以下简称：ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory；以下简称：EPROM)或闪存、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LocalArea Network；以下简称：LAN)或广域网(Wide Area Network；以下简称：WAN)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用，或结合这些指令执行***、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种磁盘可使用的剩余时长的获取方法，其特征在于，包括：
将磁盘的多维预测数据输入到目标预测模型中，预测出所述磁盘的剩余容量；
根据所述剩余容量调整下一次预测时的预测步长；
根据所述预测步长对目标预测模型进行更新；
将所述多维预测数据重新输入到更新后的所述目标预测模型中，预测出所述剩余容量，并返回执行根据所述剩余容量调整所述预测步长，以及根据所述预测步长对所述目标预测模型进行更新，直到更新后的所述目标预测模型预测出的所述剩余容量为零为止；
将所述剩余容量为零时所对应的所述目标预测模型的预测步长作为所述磁盘可使用的剩余时长。
2.根据权利要求1所述的方法，其特征在于，所述根据所述预测步长对所述目标预测模型进行更新，包括：
根据所述预测步长获取与所述预测步长对应的第一预测模型；
将所述目标预测模型更新为所述第一预测模型。
3.根据权利要求2所述的方法，其特征在于，所述根据所述预测步长获取与所述预测步长对应的目标预测模型之前，还包括：
采集磁盘的多维历史监控数据作为训练数据；
预先按照不同的预测步长，利用所述训练数据对构建的预测模型进行训练，得到与每个预测步长对应的第一预测模型。
4.根据权利要求1所述的方法，其特征在于，所述根据所述预测步长对所述目标预测模型进行更新，包括：
将所述磁盘的多维历史监控数据作为训练数据，重新输入到构建的预测模型中，按照所述预测步长对所述预测模型进行训练，得到与所述预测步长对应的第一预测模型；
将所述目标预测模型更新为所述第一预测模型。
5.根据权利要求1所述的方法，其特征在于，所述根据所述剩余容量调整下一次预测的预测步长，包括：
获取所述剩余容量与所述磁盘的总容量之间的第一比值；
将所述第一比值与预设的第一阈值进行比较；
如果所述第一比值超出所述第一阈值，则按照第一数值确定所述预测步长；
如果所述第一比值未超出所述第一阈值，则按照第二数值确定所述预测步长；其中所述第一数值大于所述第二数值。
6.根据权利要求3或4所述的方法，其特征在于，还包括：
从第一次对构建的所述预测模型进行训练开始，判断每次训练出的所述预测模型的各输入权值是否处于各自的置信区间中；
如果各输入权值均处于各自的置信区间内，则对此次训练出的所述预测模型进行标记；
统计标记过的所述预测模型的个数；
获取标记过的所述预测模型的个数与当前累计的总训练次数之间的第二比值；
如果所述第二比值超过预设的第二阈值，则停止对所述预测模型的训练；
根据所有标记过的所述预测模型的各输入权值，确定所述目标预测模型的各输入权值。
7.一种磁盘可使用的剩余时长的获取装置，其特征在于，包括：
预测模块，用于将磁盘的多维预测数据输入到目标预测模型中，以得到所述磁盘的剩余容量；
调整模块，用于根据所述剩余容量调整下一次预测时的预测步长；
模型更新模块，用于根据所述预测步长对所述目标预测模型进行更新；
所述预测模块，用于将所述预测数据重新输入到更新后的所述目标预测模型中，预测出所述剩余容量，并返回所述调整模块根据所述剩余容量调整所述预测步长，以及所述模型更新模块根据所述预测步长对所述目标预测模型进行更新，直到更新后的所述目标预测模型预测出的所述剩余容量为零为止；
确定模块，用于将所述剩余容量为零时所对应的所述目标预测模型的预测步长作为所述磁盘可使用的剩余时长。
8.一种计算机设备，其特征在于，包括：处理器和存储器；
其中，所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于实现如权利要求1-6中任一所述的磁盘可使用的剩余时长的获取方法。
9.一种计算机程序产品，当所述计算机程序产品中的指令由处理器执行时，执行如权利要求1-6中任一项所述的磁盘可使用的剩余时长的获取方法。
10.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-6中任一项所述的磁盘可使用的剩余时长的获取方法。
CN201710601830.3A 2017-07-21 2017-07-21 磁盘可使用的剩余时长的获取方法及装置 Active CN107480028B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710601830.3A CN107480028B (zh) 2017-07-21 2017-07-21 磁盘可使用的剩余时长的获取方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710601830.3A CN107480028B (zh) 2017-07-21 2017-07-21 磁盘可使用的剩余时长的获取方法及装置

Publications (2)

Publication Number Publication Date
CN107480028A true CN107480028A (zh) 2017-12-15
CN107480028B CN107480028B (zh) 2020-09-18

Family

ID=60595167

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710601830.3A Active CN107480028B (zh) 2017-07-21 2017-07-21 磁盘可使用的剩余时长的获取方法及装置

Country Status (1)

Country Link
CN (1) CN107480028B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108205424A (zh) * 2017-12-29 2018-06-26 北京奇虎科技有限公司 基于磁盘的数据迁移方法、装置及电子设备
CN108681496A (zh) * 2018-05-09 2018-10-19 北京奇艺世纪科技有限公司 磁盘故障的预测方法、装置及电子设备
CN109189323A (zh) * 2018-07-06 2019-01-11 华为技术有限公司 扩容方法及设备
CN109376905A (zh) * 2018-09-20 2019-02-22 广东亿迅科技有限公司 磁盘空间预测方法、装置、计算机设备和存储介质
CN109885469A (zh) * 2019-02-27 2019-06-14 深信服科技股份有限公司 一种扩容方法、预测模型创建方法、装置、设备及介质
CN109976975A (zh) * 2019-03-26 2019-07-05 北京大道云行科技有限公司 一种磁盘容量预测方法、装置、电子设备及存储介质
CN110377228A (zh) * 2019-06-19 2019-10-25 深圳壹账通智能科技有限公司 区块链节点的自动扩容方法、装置、运维终端及存储介质
CN111752903A (zh) * 2020-06-23 2020-10-09 深圳前海微众银行股份有限公司 一种数据存储空间可使用时间的预测方法
CN113687777A (zh) * 2021-07-23 2021-11-23 苏州浪潮智能科技有限公司 一种磁盘可使用时长的预测方法、装置、设备及介质
CN113835626A (zh) * 2021-09-02 2021-12-24 深圳前海微众银行股份有限公司 一种确定磁盘可使用时长的方法及装置
CN114327241A (zh) * 2020-09-29 2022-04-12 伊姆西Ip控股有限责任公司 管理磁盘的方法、电子设备和计算机程序产品
CN114594909A (zh) * 2022-03-02 2022-06-07 北京金山云网络技术有限公司 磁盘处理方法、装置、电子设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030225563A1 (en) * 2002-05-30 2003-12-04 Gonos Dan G. Capacity planning
CN102968573A (zh) * 2012-12-14 2013-03-13 哈尔滨工业大学 基于相关向量回归的在线预测锂离子电池剩余寿命的方法
CN103033761A (zh) * 2012-12-17 2013-04-10 哈尔滨工业大学 动态灰色相关向量机的锂离子电池剩余寿命预测方法
CN103942457A (zh) * 2014-05-09 2014-07-23 浙江师范大学 基于关联向量机回归的水质参数时间序列预测方法
US20140330793A1 (en) * 2011-06-30 2014-11-06 Emc Corporation Capacity forecasting for a deduplicating storage system
CN104899658A (zh) * 2015-06-12 2015-09-09 哈尔滨工业大学 基于时间序列预测模型适用性量化的预测模型选择方法
CN106201849A (zh) * 2016-07-01 2016-12-07 南京航空航天大学 一种有限数据驱动的长寿命部件余寿预测方法
US9646256B2 (en) * 2012-06-29 2017-05-09 EMC IP Holding Company LLC Automated end-to-end sales process of storage appliances of storage systems using predictive modeling

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030225563A1 (en) * 2002-05-30 2003-12-04 Gonos Dan G. Capacity planning
US20140330793A1 (en) * 2011-06-30 2014-11-06 Emc Corporation Capacity forecasting for a deduplicating storage system
US9646256B2 (en) * 2012-06-29 2017-05-09 EMC IP Holding Company LLC Automated end-to-end sales process of storage appliances of storage systems using predictive modeling
CN102968573A (zh) * 2012-12-14 2013-03-13 哈尔滨工业大学 基于相关向量回归的在线预测锂离子电池剩余寿命的方法
CN103033761A (zh) * 2012-12-17 2013-04-10 哈尔滨工业大学 动态灰色相关向量机的锂离子电池剩余寿命预测方法
CN103942457A (zh) * 2014-05-09 2014-07-23 浙江师范大学 基于关联向量机回归的水质参数时间序列预测方法
CN104899658A (zh) * 2015-06-12 2015-09-09 哈尔滨工业大学 基于时间序列预测模型适用性量化的预测模型选择方法
CN106201849A (zh) * 2016-07-01 2016-12-07 南京航空航天大学 一种有限数据驱动的长寿命部件余寿预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
史华洁: "《基于灰色神经网络的设备剩余寿命在线预测》", 《中国优秀硕士学位论文全文数据库》 *
尤明懿: "《基于相似性的剩余寿命预测:鲁棒性与不确定性研究》", 《电子产品可靠性与环境试验》 *

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108205424A (zh) * 2017-12-29 2018-06-26 北京奇虎科技有限公司 基于磁盘的数据迁移方法、装置及电子设备
CN108681496A (zh) * 2018-05-09 2018-10-19 北京奇艺世纪科技有限公司 磁盘故障的预测方法、装置及电子设备
CN109189323A (zh) * 2018-07-06 2019-01-11 华为技术有限公司 扩容方法及设备
CN109376905A (zh) * 2018-09-20 2019-02-22 广东亿迅科技有限公司 磁盘空间预测方法、装置、计算机设备和存储介质
CN109885469B (zh) * 2019-02-27 2022-09-30 深信服科技股份有限公司 一种扩容方法、预测模型创建方法、装置、设备及介质
CN109885469A (zh) * 2019-02-27 2019-06-14 深信服科技股份有限公司 一种扩容方法、预测模型创建方法、装置、设备及介质
CN109976975A (zh) * 2019-03-26 2019-07-05 北京大道云行科技有限公司 一种磁盘容量预测方法、装置、电子设备及存储介质
CN109976975B (zh) * 2019-03-26 2023-07-28 北京大道云行科技有限公司 一种磁盘容量预测方法、装置、电子设备及存储介质
CN110377228A (zh) * 2019-06-19 2019-10-25 深圳壹账通智能科技有限公司 区块链节点的自动扩容方法、装置、运维终端及存储介质
CN111752903A (zh) * 2020-06-23 2020-10-09 深圳前海微众银行股份有限公司 一种数据存储空间可使用时间的预测方法
CN111752903B (zh) * 2020-06-23 2024-06-07 深圳前海微众银行股份有限公司 一种数据存储空间可使用时间的预测方法
CN114327241A (zh) * 2020-09-29 2022-04-12 伊姆西Ip控股有限责任公司 管理磁盘的方法、电子设备和计算机程序产品
CN113687777A (zh) * 2021-07-23 2021-11-23 苏州浪潮智能科技有限公司 一种磁盘可使用时长的预测方法、装置、设备及介质
CN113687777B (zh) * 2021-07-23 2023-08-08 苏州浪潮智能科技有限公司 一种磁盘可使用时长的预测方法、装置、设备及介质
WO2023029680A1 (zh) * 2021-09-02 2023-03-09 深圳前海微众银行股份有限公司 一种确定磁盘可使用时长的方法及装置
CN113835626B (zh) * 2021-09-02 2024-04-05 深圳前海微众银行股份有限公司 一种确定磁盘可使用时长的方法及装置
CN113835626A (zh) * 2021-09-02 2021-12-24 深圳前海微众银行股份有限公司 一种确定磁盘可使用时长的方法及装置
CN114594909A (zh) * 2022-03-02 2022-06-07 北京金山云网络技术有限公司 磁盘处理方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN107480028B (zh) 2020-09-18

Similar Documents

Publication Publication Date Title
CN107480028A (zh) 磁盘可使用的剩余时长的获取方法及装置
CN109543909A (zh) 车辆案件数量的预测方法、装置和计算机设备
CN107133699A (zh) 电影票房趋势预测方法和装置、设备、存储介质
CN110794308B (zh) 列车电池容量预测方法及装置
CN107464023A (zh) 生命周期预测模型的在线学习方法和设备
CN104346926B (zh) 行驶时间预测方法和装置、以及相关终端设备
CN104361415B (zh) 一种展示信息的选取方法及装置
CN111091196A (zh) 客流数据确定方法、装置、计算机设备和存储介质
CN108182490A (zh) 一种大数据环境下的短期负荷预测方法
CN110110372B (zh) 一种用户时序行为自动切分预测方法
CN107357764A (zh) 数据分析方法、电子设备及计算机存储介质
CN107274215A (zh) 航班价格预测方法、装置、设备和存储介质
CN113222403A (zh) 基于大数据的电力调节方法、装置、存储介质及电子设备
CN113033903A (zh) 一种LSTM模型和seq2seq模型的水果价格预测方法、介质及设备
CN113554184A (zh) 一种模型训练方法、装置、电子设备及存储介质
CN113821903A (zh) 温度控制方法和设备、模块化数据中心及存储介质
CN115994611A (zh) 类别预测模型的训练方法、预测方法、设备和存储介质
CN111489568B (zh) 交通信号灯的调控方法、装置及计算机可读存储介质
CN116842811B (zh) 基于数字孪生的车间产线能耗分析方法、装置及存储介质
CN103279549B (zh) 一种目标对象的目标数据的获取方法及装置
CN108090625A (zh) 一种金融行情的预测方法、终端设备及存储介质
CN114912854B (zh) 地铁列车运行调整方法、装置、电子设备及存储介质
CN103763123A (zh) 一种网络健康状态的评估方法和装置
JP2005157836A (ja) 商品販売量予測装置、商品販売量予測方法及びモデル学習方法
CN107169585A (zh) 基于人工智能的影片票房预测方法、装置及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant