一种融合注意力机制的CNN-BiGRU磁盘故障预测方法研究

Abstract

磁盘作为重要的存储介质，一旦出现故障很可能会导致存储数据丢失，给个人及企业带来难以估量的损失。现有磁盘故障预测模型存在不能很好地平衡磁盘数据样本、未充分利用磁盘数据的时序特性等问题。以Backblaze云存储公司公布的真实磁盘数据为研究对象，提出了一种融合注意力机制的卷积神经网络（CNN）和双向门控循环单元（BiGRU）网络的磁盘故障预测模型。在数据预处理方面，采用负采样与焦点损失函数来平衡正负样本，利用CNN进行特征提取，并结合BiGRU网络来有效地处理时序数据。通过融合注意力机制，能够让模型快速地捕捉更多关键特征信息，将筛选出的特征与数据输入模型进行训练。通过对比其他故障预测模型，本文提出的模型在精确率等4个评价指标上均有1%~7%的性能提升，为提高磁盘存储的可靠性提供了有力的支撑。

Keywords

• 注意力机制
• 磁盘故障预测
• 双向门控循环单元
• 卷积神经网络
• 焦点损失函数