CN111142796A - 一种ssd寿命预测方法、装置、设备及可读存储介质 - Google Patents
一种ssd寿命预测方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN111142796A CN111142796A CN201911328688.5A CN201911328688A CN111142796A CN 111142796 A CN111142796 A CN 111142796A CN 201911328688 A CN201911328688 A CN 201911328688A CN 111142796 A CN111142796 A CN 111142796A
- Authority
- CN
- China
- Prior art keywords
- ssd
- prediction
- life
- time sequence
- cycle value
- 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.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
- G06F3/0601—Interfaces specially adapted for storage systems
- G06F3/0602—Interfaces specially adapted for storage systems specifically adapted to achieve a particular effect
- G06F3/0614—Improving the reliability of storage systems
- G06F3/0616—Improving the reliability of storage systems in relation to life time, e.g. increasing Mean Time Between Failures [MTBF]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
- G06F3/0601—Interfaces specially adapted for storage systems
- G06F3/0668—Interfaces specially adapted for storage systems adopting a particular infrastructure
- G06F3/0671—In-line storage system
- G06F3/0673—Single storage device
- G06F3/0679—Non-volatile semiconductor memory device, e.g. flash memory, one time programmable memory [OTP]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种SSD寿命预测方法,包括:以预定时长为周期记录SSD的P/E Cycle值,生成时间序列;所述时间序列包括与每个时间戳对应的P/E Cycle值;判断当前时间序列是否满足预测条件;若满足,则将当前时间序列输入Prophet模型,通过所述Prophet模型预测SSD的剩余寿命。可见,本申请通过Prophet模型及时间序列对SSD寿命进行预测,与现有的公式计算方式相比,能够捕捉用户写入量的趋势项、周期项、节假日效应等,大幅提高SSD寿命预测的准确性。本发明还公开了一种SSD寿命预测装置、设备及计算机可读存储介质,同样能实现上述技术效果。
Description
技术领域
本发明涉及固态硬盘寿命预测技术领域,更具体地说,涉及一种SSD寿命预测方法、装置、设备及计算机可读存储介质。
背景技术
固态驱动器(Solid State Disk或Solid State Drive,SSD)俗称固态硬盘,是用固态电子存储芯片阵列而制成的硬盘。SSD的闪存芯片有寿命限制,其寿命即它的P/ECycle(Program/Erase Cycle,编程和擦写循环)次数。例如,若SSD的闪存芯片所允许的P/ECycle次数为10000次。当用户负载带来的SSD P/E Cycle次数超过10000次后,SSD的寿命超出厂商的质保期限,SSD的可靠性和性能不再得到保证。
传统的SSD寿命预测技术非常简单,所得到的SSD寿命预测结果不精确。例如:目前在计算SSD寿命时,都是基于一段时间内的磨损度变化(smart_233表示的整数百分比值)求平均值。具体原理为:
剩余寿命=(Δ时间/Δ磨损变化)×(1-磨损度)
但是,现有技术存在如下问题:1、计算方法虽然简单,但只有在用户负载不变的情况下计算才比较准确,然而,用户负载正常情况下无时无刻不在发生改变,从而导致计算结果不准确。2、使用磨损度作为参数,磨损度为0-100%的整数磨损百分比,几十天才会发生1%的变化,因此计算得到的剩余寿命误差比较大。
发明内容
本发明的目的在于提供一种SSD寿命预测方法、装置、设备及计算机可读存储介质,以准确预测SSD寿命。
为实现上述目的,本发明提供一种SSD寿命预测方法,包括:
以预定时长为周期记录SSD的P/E Cycle值,生成时间序列;所述时间序列包括与每个时间戳对应的P/E Cycle值;
判断当前时间序列是否满足预测条件;
若满足,则将当前时间序列输入Prophet模型,通过所述Prophet模型预测SSD的剩余寿命。
其中,所述以预定时长为周期记录SSD的P/E Cycle值,生成时间序列,包括:
记录每天SSD的P/E Cycle值,其中,每天SSD的P/E Cycle值的时间戳为当日的日期;
根据每个时间戳,以及与每个时间戳对应的P/E Cycle值生成时间序列。
其中,所述通过所述Prophet模型预测SSD的剩余寿命,包括:
通过所述Prophet模型预测SSD达到额定最大P/E Cycle值的寿命终止日期;
根据所述寿命终止日期与当前日期的差值,确定SSD的剩余寿命。
其中,所述判断当前时间序列是否满足预测条件包括:
判断本次预测是否为初次预测;
若是初次预测,则判断当前时间序列的时间戳数量是否达到第一预定数量;若达到所述第一预定数量,则判定满足预测条件;
若不是初测预测,则判断当前时间序列中,未输入Prophet模型的时间戳数量是否达到第二预定数量;若达到所述第二预定数量,则判定满足预测条件;所述第一预定数量大于所述第二预定数量。
其中,所述Prophet模型的趋势项的变点个数,通过总时间序列的总时间戳数量及所述第二预定数量确定。
为实现上述目的,本发明进一步提供一种SSD寿命预测装置,包括:
记录模块,用于以预定时长为周期记录SSD的P/E Cycle值,生成时间序列;所述时间序列包括与每个时间戳对应的P/E Cycle值;
判断模块,用于判断当前时间序列是否满足预测条件;
预测模块,用于在当前时间序列满足预测条件时,将当前时间序列输入Prophet模型,通过所述Prophet模型预测SSD的剩余寿命。
其中,所述记录模块包括:
记录单元,用于记录每天SSD的P/E Cycle值,其中,每天SSD的P/E Cycle值的时间戳为当日的日期;
生成单元,用于根据每个时间戳,以及与每个时间戳对应的P/E Cycle值生成时间序列。
其中,所述预测模块包括:
预测单元,用于通过所述Prophet模型预测SSD达到额定最大P/E Cycle值的寿命终止日期;
确定单元,用于根据所述寿命终止日期与当前日期的差值,确定SSD的剩余寿命。
为实现上述目的,本发明进一步提供一种SSD寿命预测设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现上述的SSD寿命预测方法的步骤。
为实现上述目的,本发明进一步提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述的SSD寿命预测方法的步骤。
通过以上方案可知,本发明实施例提供的一种SSD寿命预测方法,包括:以预定时长为周期记录SSD的P/E Cycle值,生成时间序列;所述时间序列包括与每个时间戳对应的P/E Cycle值;判断当前时间序列是否满足预测条件;若满足,则将当前时间序列输入Prophet模型,通过所述Prophet模型预测SSD的剩余寿命。可见,本申请通过Prophet模型及时间序列对SSD寿命进行预测,与现有的公式计算方式相比,能够捕捉用户写入量的趋势项、周期项、节假日效应等,大幅提高SSD寿命预测的准确性;并且,通过P/E Cycle值预测SSD的寿命,考虑到了用户负载的变化,从而为用户提供定制化的SSD寿命预测结果。本发明还公开了一种SSD寿命预测装置、设备及计算机可读存储介质,同样能实现上述技术效果。
附图说明
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一些实施例,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,还可以根据这些附图获得其他的附图。
图1为本发明实施例公开的一种SSD寿命预测方法流程示意图;
图2为本发明实施例公开的一种基于变点自动调整Prophet模型和P/E Cycle的SSD寿命预测方法的流程图;
图3为本发明实施例公开的一种SSD寿命预测装置结构示意图;
图4为本发明实施例公开的一种SSD寿命预测设备结构示意图。
具体实施方式
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作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。
本发明实施例公开了一种SSD寿命预测方法、装置、设备及计算机可读存储介质,以准确预测SSD寿命。
参见图1,本发明实施例提供的一种SSD寿命预测方法,包括:
S101、以预定时长为周期记录SSD的P/E Cycle值,生成时间序列;所述时间序列包括与每个时间戳对应的P/E Cycle值;
其中,所述以预定时长为周期记录SSD的P/E Cycle值,生成时间序列,包括:记录每天SSD的P/E Cycle值,其中,每天SSD的P/E Cycle值的时间戳为当日的日期;根据每个时间戳,以及与每个时间戳对应的P/E Cycle值生成时间序列。
需要说明的是,本申请中的P/E Cycle值为从SSD获取的,该芯片内部对该P/ECycle值的计算为:SSD所有Block P/E Cycle次数的平均值。磨损度与P/E Cycle的次数的关系为:磨损度=SSD已产生PE Cycle/额定最大PE Cycle次数,并对计算结果取整。磨损度表示的百分比为整数百分比,其相比于原始P/E Cycle值,精确度差很多。所以本申请通过SSD内部参数P/E Cycle预测寿命,使预测结果更加精准。并且,由于随着用户不同时间上负载的不同,该P/E Cycle值会呈现不同的变化规律。因此本申请通过P/E Cycle值预测SSD的寿命,考虑到了用户负载的变化,从而为用户提供定制化的SSD寿命预测结果,能够提升用户体验,提高存储的竞争力。
可以理解的是,本申请中的预定周期可以为每天定时获取一次、每两天获取一次等等,在此并不具体限定。在本实施例中,以每天获取SSD的P/E Cycle值为例进行说明。若每天获取一次SSD的P/E Cycle值,则当天的日期即为当天的P/E Cycle值的时间戳,通过这种方式,每天定时获取P/E Cycle值,并将获取的P/E Cycle值及时间戳保存到单独的文件中,并生成对应的时间序列,该时间序列包括:每个时间戳,以及与每个时间戳对应的P/ECycle值,例如:时间戳:2019-11-12,P/E Cycle值:7;时间戳:2019-11-13,P/E Cycle值:8。
S102、判断当前时间序列是否满足预测条件;若满足,则执行S103;若不满足,则执行S101;
其中,所述判断当前时间序列是否满足预测条件包括:
判断本次预测是否为初次预测;
若是初次预测,则判断当前时间序列的时间戳数量是否达到第一预定数量;若达到所述第一预定数量,则判定满足预测条件;
若不是初测预测,则判断当前时间序列中,未输入Prophet模型的时间戳数量是否达到第二预定数量;若达到所述第二预定数量,则判定满足预测条件;所述第一预定数量大于所述第二预定数量。
需要说明的是,S101中记录SSD的P/E Cycle值,是每隔预定时长便执行的。而通过所述Prophet模型预测SSD的剩余寿命时,并不需要频繁预测,因此在本申请中,可设定预测条件,如果满足预测条件,才将当前时间序列输入Prophet模型,通过Prophet模型预测SSD的剩余寿命;如果不满足预定条件,则继续执行S101,继续以预定时长为周期记录SSD的P/ECycle值。
该预测条件可以根据具体情况进行设定,例如:该预测条件可以为接收到预测指令时判定为满足条件,即:如果接收到预测SSD的剩余寿命的预测指令时,则判定满足预测条件,否则,不满足预测条件。
如果预测剩余寿命的操作是自动执行的,则该预测条件以时间序列的时间戳数量进行设定,例如:如果本次预测为初次预测,这时可以判断当前时间序列的时间戳数量是否达到第一预定数量,若该第一预定数量为90,则说明收集了90天的P/E Cycle值后,便可将这90天的P/E Cycle值输入Prophet模型进行预测;如果不能达到90个,则需要继续记录;如果本次预测不是初次预测,这时可以判断当前时间序列中,未输入Prophet模型的时间戳数量是否达到第二预定数量,该第二预定数量可根据当前时间序列的时间戳数量进行变化,在本申请中,可设定第二预定数量为15,也即:对前90天的P/E Cycle值输入Prophet模型得到预测结果后,如果又获取了新的15天的P/E Cycle值,则重新将时间序列输入Prophet模型进行预测。
需要说明的是,该第一预定数量和第二预定数量可以根据实际情况进行设定。但是,由于输入数据越多,越能找到数据间的规律,预测结果更准确,因此本申请为了保证初次预测结果的准确定,可设定第一预定数量大于第二预定数量。
S103、将当前时间序列输入Prophet模型,通过所述Prophet模型预测SSD的剩余寿命。
其中,所述通过所述Prophet模型预测SSD的剩余寿命,包括:通过Prophet模型预测SSD达到额定最大P/E Cycle值的寿命终止日期;根据寿命终止日期与当前日期的差值,确定SSD的剩余寿命。
需要说明的是,本发明采用的Prophet模型为当前较先进的时间序列预测算法,其本质上是时间序列的分解。Prophet模型的作用就是捕捉时间序列变化的趋势性、周期性、特殊日期的变化等规律,并假设用户在未来依然会延续这些规律,基于历史数据的规律变化对未来进行预测。该模型的输入为时间序列的时间戳和P/E Cycle值,给定需要预测的时间序列的长度,Prophet将输出未来的时间序列预测。因此,本方案使用Prophet模型预测用户P/E Cycle的未来变化,用户P/E Cycle达到额定最大P/E Cycle时,此时SSD的剩余寿命即为预测寿命终止日期与当前日期的差值。
可以理解的是,Prophet模型把SSD主机写入量时间序列y(t)分成4个部分,分别是趋势项g(t),周期项s(t),节假日项h(t),误差项εt。它们按如下公式组合:y(t)=g(t)+s(t)+h(t)+εt。趋势项g(t)表示主机写入量整体变化趋势。Prophet定义了两种趋势项变化模型,一种是基于逻辑回归函数(logistic function)的饱和增长模型,另一个是基于分段线性函数(piecewise linear function)的分段线性模型。在进行SSD寿命预测时,根据用户负载变化选择合适的趋势项模型和参数。周期项s(t)用于表达主机写入的周期性变化,周期为每周或者每年。周期项的实现使用了傅立叶级数来模拟。在训练SSD寿命预测模型可以调整周期项的傅里叶级数,还可以调整周期项为加法周期项或者乘法周期项。节假日项h(t)用于表达非规律性的节假日效应,节假日日期和节假日项的强度可依据用户主机写入量的变化调节。误差项εt用来反映未在模型中体现的异常变动。
因此在本申请中,通过Prophet模型预测SSD的剩余寿命之前,需要设置该Prophet模型的相关参数,具体包括如下过程:
1、依据采集数据的P/E Cycle变化特征选择趋势项使用分段线性函数还是逻辑回归函数。当P/E Cycle呈现饱和增长趋势时,选择使用逻辑回归函数,否则使用分段线性函数。默认情况下,选择分段线性函数比较合适。设定趋势项的变点参数,包括:变点个数、变点的分布区间以及变点的影响强度。
其中,变点的作用为:在变点处调整单个线性函数和逻辑回归函数的参数,重新捕捉趋势变化。
变点分布区间的作用为:在历史区间的前百分之多少设置断点;
影响强度表示趋势项对预测结果的影响强度。
需要说明的是,本申请Prophet模型的趋势项的变点个数,通过总时间序列的总时间戳数量及第二预定数量确定。该总时间序列为已经记录的时间序列与预测的时间序列的总和,若第二预定数量为15,则在本申请中,该变点个数=总时间序列长度除以15的值向下取整,例如:总时间序列的长度(总时间戳数量)为10000,则变点数量为:10000/15=666。
2、设定周期项参数。包括周期长度(周/年)、周期项强度以及乘法周期项还是加法周期项。
其中,周期长度和周期项强度取决于时间序列,通过绘制曲线图观测,当有明显的周期规律时,周期项的强度高。例如每周4使用SSD磨损都会有大幅度上升,那么周期长度为7天。周期强度表示周期项对预测结果的影响强度,加法周期项和乘法周期项为周期项和趋势项的组合方式。
3、设定节假日项参数。包括节假日日期、节假日项的强度。
其中,节假日项参数即为节假日日期、节假日项的强度,节假日日期是指训练数据集在该天有明显变化,强度表示表示节假日项对预测结果的影响程度。
需要说明的是,本方案在原有Prophet模型的基础上提出改进,原有prophet模型的趋势项设置的断点为固定值,默认情况下断点为25个,所表达的含义是:无论训练数据集多大,都将训练集划分为相同的25段,每段为独立的线性模型,线性模型参数也需单独训练。对于不同时长的训练数据集设置相同数量的分段函数显然不合理。本提案根据训练集时间序列的大小,每隔15天建立分段函数来拟合趋势项变化。
综上可以看出,本发明使用改进的时间序列Prophet模型,依据SSD所提供的P/ECycle值随时间的变化序列来估算SSD寿命。通过prophet模型学习用户P/E Cycle的趋势性、周期性及节假日效应,预测用户P/E Cycle达到额定最大P/E Cycle的时间节点。在原有prophet模型的基础上,本提案提出依据训练集时间序列的大小,自动更改趋势项变点的个数,实现prophet模型的自动优化。
参见图2,为本申请提供的一种基于变点自动调整Prophet模型和P/E Cycle的SSD寿命预测方法的流程图,该具体实施过程如下:
1、获取SSD的额定最大P/E Cycle次数。
2、每日定时记录SSD P/E Cycle的值,将该值与当日时间戳保存到单独的文件中。
3、当时间序列累计记录量达到90天后,将采集的数据代入prophet模型进行训练。
4、依据采集数据的P/E Cycle变化特征选择趋势项使用分段线性函数还是逻辑回归函数。当P/E Cycle呈现饱和增长趋势时,选择使用逻辑回归函数,否则使用分段线性函数。设定趋势项的变点参数,包括:变点个数、变点的分布区间以及变点的影响强度。设置变点个数=时间序列长度除以15的值向下取整。
5、设定周期项参数。包括周期长度(周/年)、周期项强度以及乘法周期项还是加法周期项。
6、设定节假日项参数。包括节假日日期、节假日项的强度。
7、模型训练,输出预测结果。
8、得到用户P/E Cycle达到额定最大P/E Cycle的时间节点,即为当前SSD寿命。
9、继续采集SSD P/E Cycle的值。
10、采集的时间序列数据量每累计增加15天,自动增加1个变点个数,重新训练模型得到最新的预测结果。
综上可见,本申请通过Prophet模型及时间序列对SSD寿命进行预测,与现有的公式计算方式相比,能够捕捉用户写入量的趋势项、周期项、节假日效应等,大幅提高SSD寿命预测的准确性;并且,通过P/E Cycle值预测SSD的寿命,考虑到了用户负载的变化,从而为用户提供定制化的SSD寿命预测结果。
下面对本发明实施例提供的预测装置进行介绍,下文描述的预测装置与上文描述的预测方法可以相互参照。
参见图3,本发明实施例提供的一种SSD寿命预测装置,包括:
记录模块100,用于以预定时长为周期记录SSD的P/E Cycle值,生成时间序列;所述时间序列包括与每个时间戳对应的P/E Cycle值;
判断模块200,用于判断当前时间序列是否满足预测条件;
预测模块300,用于在当前时间序列满足预测条件时,将当前时间序列输入Prophet模型,通过所述Prophet模型预测SSD的剩余寿命。
其中,所述记录模块包括:
记录单元,用于记录每天SSD的P/E Cycle值,其中,每天SSD的P/E Cycle值的时间戳为当日的日期;
生成单元,用于根据每个时间戳,以及与每个时间戳对应的P/E Cycle值生成时间序列。
其中,所述预测模块包括:
预测单元,用于通过所述Prophet模型预测SSD达到额定最大P/E Cycle值的寿命终止日期;
确定单元,用于根据所述寿命终止日期与当前日期的差值,确定SSD的剩余寿命。
其中,所述判断模块包括:
第一判断单元,用于判断本次预测是否为初次预测;若是初次预测,则触发第二判断单元;若不是初测预测,则触发第三判断单元;
所述第二判断单元,用于判断当前时间序列的时间戳数量是否达到第一预定数量;若达到所述第一预定数量,则判定满足预测条件;
所述第三判断单元,用于判断当前时间序列中,未输入Prophet模型的时间戳数量是否达到第二预定数量;若达到所述第二预定数量,则判定满足预测条件;所述第一预定数量大于所述第二预定数量。
参见图4,为本发明公开的一种SSD寿命预测设备结构示意图;该设备可以包括:
存储器11,用于存储计算机程序;
处理器12,用于执行所述计算机程序时实现如上述任意方法实施例所述的SSD寿命预测方法的步骤。
在本实施例中,设备可以是PC(Personal Computer,个人电脑),也可以是智能手机、平板电脑、掌上电脑、便携计算机等终端设备。
该设备可以包括存储器11、处理器12和总线13。
其中,存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器11在一些实施例中可以是设备的内部存储单元,例如该设备的硬盘。存储器11在另一些实施例中也可以是设备的外部存储设备,例如设备上配备的插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器11还可以既包括设备的内部存储单元也包括外部存储设备。存储器11不仅可以用于存储安装于设备的应用软件及各类数据,例如执行预测方法的程序代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片,用于运行存储器11中存储的程序代码或处理数据,例如执行预测方法的程序代码等。
该总线13可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示,图4中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
进一步地,设备还可以包括网络接口14,网络接口14可选的可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该设备与其他电子设备之间建立通信连接。
可选地,该设备还可以包括用户接口,用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard),可选的用户接口还可以包括标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在设备中处理的信息以及用于显示可视化的用户界面。
图4仅示出了具有组件11-14的设备,本领域技术人员可以理解的是,图4示出的结构并不构成对设备的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
为本发明还公开一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上述任意方法实施例所述的SSD寿命预测方法的步骤。
其中,该存储介质可以包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是,本发明实现了SSD的寿命预测,SSD的寿命预测具有较高的客户价值及企业价值。作为HDD(Hard Disk Drive,机械硬盘)的高性能替代方案,基于闪存的固态硬盘(SSD)自问世以来就得到广泛追捧。并且伴随着闪存技艺的改进和价格的下降,SSD迎来更广阔的市场和发展前景。但与此同时,闪存密度的增加也使得SSD可靠性降低。SSD的性能和出错率与SSD的寿命直接相关,越接近寿命尽头(End-of-Life),SSD的性能越差,出错率越高。为了保证数据的准确性与安全性,需要对SSD在其寿命终结前进行替换。SSD寿命预测所带来的的客户价值有:
1.直观了解SSD的剩余使用情况。寿命预测实现了SSD可靠性的时间量化表达。用户所见的SSD剩余寿命实际上是针对该用户的定制化计算结果。2.保障数据的安全性。用户可以结合SSD剩余寿命值和SSD上数据的价值,决策何时替换SSD或者进行数据备份,从而为数据的安全性提供保证。3.实现经济利益的最大化。SSD的价格昂贵,SSD寿命预测可以帮助用户最小化冗余配置,降低采购成本,又能避免备件不足和SSD突发故障带来的一系列经济损失,从而实现利益最大化。
SSD寿命预测所带来的企业价值有:1.提升用户体验,提高浪潮存储竞争力。本提案可以根据用户的负载,为用户提供定制化的SSD寿命预测结果,能够提升用户体验,提高浪潮存储的竞争力。2.首次提出使用AI建模的方法预测SSD寿命,保障预测的准确性,也将成为浪潮存储的一大亮点。
其次,本发明采用人工智能模型Prophet预测SSD寿命,和现有的公式计算方法相比,能够捕捉用户写入量的趋势项、周期项、节假日效应等,大幅提高SSD寿命预测的准确性。
本发明结合浪潮自研SSD内部参数P/E Cycle,提供更加精准的预测。
另外,本发明在原有prophet模型的基础上提出改进。通过自动调节变点数量,每15天建立单独的分段线性模型,对分段线性模型的参数单独进行训练。这种自动调整变点数量的方法,使模型更好的拟合不同大小的训练数据集,从而更好的捕捉趋势变化特征,提高预测的准确度,同时节省人力成本。
本说明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他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种SSD寿命预测方法,其特征在于,包括:
以预定时长为周期记录SSD的P/E Cycle值,生成时间序列;所述时间序列包括与每个时间戳对应的P/E Cycle值;
判断当前时间序列是否满足预测条件;
若满足,则将当前时间序列输入Prophet模型,通过所述Prophet模型预测SSD的剩余寿命。
2.根据权利要求1所述的SSD寿命预测方法,其特征在于,所述以预定时长为周期记录SSD的P/E Cycle值,生成时间序列,包括:
记录每天SSD的P/E Cycle值,其中,每天SSD的P/E Cycle值的时间戳为当日的日期;
根据每个时间戳,以及与每个时间戳对应的P/E Cycle值生成时间序列。
3.根据权利要求2所述的SSD寿命预测方法,其特征在于,所述通过所述Prophet模型预测SSD的剩余寿命,包括:
通过所述Prophet模型预测SSD达到额定最大P/E Cycle值的寿命终止日期;
根据所述寿命终止日期与当前日期的差值,确定SSD的剩余寿命。
4.根据权利要求1至3任意一项所述的SSD寿命预测方法,其特征在于,所述判断当前时间序列是否满足预测条件包括:
判断本次预测是否为初次预测;
若是初次预测,则判断当前时间序列的时间戳数量是否达到第一预定数量;若达到所述第一预定数量,则判定满足预测条件;
若不是初测预测,则判断当前时间序列中,未输入Prophet模型的时间戳数量是否达到第二预定数量;若达到所述第二预定数量,则判定满足预测条件;所述第一预定数量大于所述第二预定数量。
5.根据权利要求4所述的SSD寿命预测方法,其特征在于,
所述Prophet模型的趋势项的变点个数,通过总时间序列的总时间戳数量及所述第二预定数量确定。
6.一种SSD寿命预测装置,其特征在于,包括:
记录模块,用于以预定时长为周期记录SSD的P/E Cycle值,生成时间序列;所述时间序列包括与每个时间戳对应的P/E Cycle值;
判断模块,用于判断当前时间序列是否满足预测条件;
预测模块,用于在当前时间序列满足预测条件时,将当前时间序列输入Prophet模型,通过所述Prophet模型预测SSD的剩余寿命。
7.根据权利要求6所述的SSD寿命预测装置,其特征在于,所述记录模块包括:
记录单元,用于记录每天SSD的P/E Cycle值,其中,每天SSD的P/E Cycle值的时间戳为当日的日期;
生成单元,用于根据每个时间戳,以及与每个时间戳对应的P/E Cycle值生成时间序列。
8.根据权利要求7所述的SSD寿命预测装置,其特征在于,所述预测模块包括:
预测单元,用于通过所述Prophet模型预测SSD达到额定最大P/E Cycle值的寿命终止日期;
确定单元,用于根据所述寿命终止日期与当前日期的差值,确定SSD的剩余寿命。
9.一种SSD寿命预测设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至5任一项所述的SSD寿命预测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的SSD寿命预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911328688.5A CN111142796A (zh) | 2019-12-20 | 2019-12-20 | 一种ssd寿命预测方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911328688.5A CN111142796A (zh) | 2019-12-20 | 2019-12-20 | 一种ssd寿命预测方法、装置、设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111142796A true CN111142796A (zh) | 2020-05-12 |
Family
ID=70519149
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911328688.5A Withdrawn CN111142796A (zh) | 2019-12-20 | 2019-12-20 | 一种ssd寿命预测方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111142796A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112000288A (zh) * | 2020-08-20 | 2020-11-27 | 苏州浪潮智能科技有限公司 | Ssd剩余使用时间预测方法、装置、设备、介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104115109A (zh) * | 2012-02-08 | 2014-10-22 | 株式会社日立制作所 | 具有多个非易失性半导体存储单元的存储装置及其用于在具有较高残留寿命长度的存储单元中放置热数据而在具有较低残留寿命长度的存储单元中放置冷数据的控制方法 |
CN107515731A (zh) * | 2017-07-31 | 2017-12-26 | 华中科技大学 | 一种基于固态盘的进化存储***及其工作方法 |
CN107710140A (zh) * | 2015-11-27 | 2018-02-16 | 株式会社日立制作所 | 存储*** |
CN109558287A (zh) * | 2018-12-13 | 2019-04-02 | 腾讯科技(深圳)有限公司 | 一种固态硬盘寿命预测方法、装置和*** |
CN109634527A (zh) * | 2018-12-12 | 2019-04-16 | 华中科技大学 | 一种ssd内实现的闪存寿命预测方法 |
CN109657831A (zh) * | 2017-10-11 | 2019-04-19 | 顺丰科技有限公司 | 一种业务量预测方法、装置、设备、存储介质 |
CN110245093A (zh) * | 2018-03-08 | 2019-09-17 | 东芝存储器株式会社 | 固态存储驱动器阵列中的工作负荷自适应超额配置 |
CN110413430A (zh) * | 2019-07-19 | 2019-11-05 | 苏州浪潮智能科技有限公司 | 一种固态硬盘的寿命预测方法、装置及设备 |
-
2019
- 2019-12-20 CN CN201911328688.5A patent/CN111142796A/zh not_active Withdrawn
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104115109A (zh) * | 2012-02-08 | 2014-10-22 | 株式会社日立制作所 | 具有多个非易失性半导体存储单元的存储装置及其用于在具有较高残留寿命长度的存储单元中放置热数据而在具有较低残留寿命长度的存储单元中放置冷数据的控制方法 |
CN107710140A (zh) * | 2015-11-27 | 2018-02-16 | 株式会社日立制作所 | 存储*** |
CN107515731A (zh) * | 2017-07-31 | 2017-12-26 | 华中科技大学 | 一种基于固态盘的进化存储***及其工作方法 |
CN109657831A (zh) * | 2017-10-11 | 2019-04-19 | 顺丰科技有限公司 | 一种业务量预测方法、装置、设备、存储介质 |
CN110245093A (zh) * | 2018-03-08 | 2019-09-17 | 东芝存储器株式会社 | 固态存储驱动器阵列中的工作负荷自适应超额配置 |
CN109634527A (zh) * | 2018-12-12 | 2019-04-16 | 华中科技大学 | 一种ssd内实现的闪存寿命预测方法 |
CN109558287A (zh) * | 2018-12-13 | 2019-04-02 | 腾讯科技(深圳)有限公司 | 一种固态硬盘寿命预测方法、装置和*** |
CN110413430A (zh) * | 2019-07-19 | 2019-11-05 | 苏州浪潮智能科技有限公司 | 一种固态硬盘的寿命预测方法、装置及设备 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112000288A (zh) * | 2020-08-20 | 2020-11-27 | 苏州浪潮智能科技有限公司 | Ssd剩余使用时间预测方法、装置、设备、介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111090398B (zh) | 固态硬盘的垃圾回收方法、装置、设备及可读存储介质 | |
CN111078439A (zh) | 一种固态硬盘寿命预测方法和装置 | |
CN109558287B (zh) | 一种固态硬盘寿命预测方法、装置和*** | |
CN110990174A (zh) | 一种基于Prophet模型预测SSD可用时间的方法、设备及介质 | |
CN105302478B (zh) | 一种数据存储方法及电子设备 | |
JP5814335B2 (ja) | 書込みの削減、及び不揮発性メモリの残り寿命の推定と表示 | |
CN111176575A (zh) | 基于Prophet模型的SSD寿命预测方法、***、终端及存储介质 | |
US9176804B2 (en) | Memory dump optimization in a system | |
CN111324303B (zh) | Ssd垃圾回收方法、装置、计算机设备及存储介质 | |
CN112000497A (zh) | 固态硬盘的寿命预测方法、装置及计算机可读存储介质 | |
CN102929783A (zh) | 一种数据存储的方法、装置和*** | |
CN111475115A (zh) | 一种ssd闪存寿命预测的方法、装置、设备及可读介质 | |
CN109524048A (zh) | 一种ssd盘的寿命预警方法及相关装置 | |
CN112416255A (zh) | 一种用户写入速度控制方法、装置、设备和介质 | |
CN111142796A (zh) | 一种ssd寿命预测方法、装置、设备及可读存储介质 | |
CN111310350A (zh) | 一种基于Prophet模型的SSD寿命预测方法及*** | |
CN114368149A (zh) | 打印喷嘴的使用时长检测方法、装置、打印机和存储介质 | |
CN106909488A (zh) | 一种cpu温度控制方法及终端 | |
CN112599182A (zh) | 一种非易失性存储寿命预测方法、装置、设备及介质 | |
US20150127306A1 (en) | Apparatus and method for creating a power consumption model and non-transitory computer readable storage medium thereof | |
CN107480165A (zh) | 一种页面排位的方法及设备 | |
CN114327288B (zh) | Ssd剩余用户使用时间的预测方法、装置、计算机设备及存储介质 | |
CN111400151B (zh) | 一种硬盘剩余寿命的监测方法、监测装置及监测设备 | |
JP6927553B2 (ja) | 情報処理装置、制御方法、及びプログラム | |
CN113743532B (zh) | 异常检测方法、装置、设备及计算机存储介质 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200512 |