[go: up one dir, main page]

CN120256178A - 一种基于物联网的存储硬盘远程诊断系统及方法 - Google Patents

一种基于物联网的存储硬盘远程诊断系统及方法 Download PDF

Info

Publication number
CN120256178A
CN120256178A CN202510306994.8A CN202510306994A CN120256178A CN 120256178 A CN120256178 A CN 120256178A CN 202510306994 A CN202510306994 A CN 202510306994A CN 120256178 A CN120256178 A CN 120256178A
Authority
CN
China
Prior art keywords
hard disk
fault
data
internet
things
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Withdrawn
Application number
CN202510306994.8A
Other languages
English (en)
Inventor
林昭敏
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.)
Shenzhen Sanshang Science And Technology Innovation Co ltd
Original Assignee
Shenzhen Sanshang Science And Technology Innovation Co ltd
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 Shenzhen Sanshang Science And Technology Innovation Co ltd filed Critical Shenzhen Sanshang Science And Technology Innovation Co ltd
Priority to CN202510306994.8A priority Critical patent/CN120256178A/zh
Publication of CN120256178A publication Critical patent/CN120256178A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0706—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment
    • G06F11/0727—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment in a storage system, e.g. in a DASD or network based storage system
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/079—Root cause analysis, i.e. error or fault diagnosis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0793—Remedial or corrective actions
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/092—Reinforcement learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/096—Transfer learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Quality & Reliability (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本发明公开了一种基于物联网的存储硬盘远程诊断系统及方法，涉及物联网与存储设备健康管理技术领域。该系统包括数据融合模块、因果分析模块、风险分析模块及图谱构建模块。数据融合模块通过物联网设备采集SMART参数、IO操作时序数据和环境数据，利用注意力机制动态分配多源数据权重，提取硬盘健康状态特征。因果分析模块结合多尺度时序卷积网络和贝叶斯因果网络，识别周期性异常波动并生成故障根因分析报告。风险分析模块通过联邦增量学习匹配历史案例，计算硬盘故障风险指数并生成预警信号。图谱构建模块根据风险指数优化资源隔离、数据迁移及响应路径，生成可视化运维图谱，提供故障定位、风险链路及修复优先级，提升运维管理效率。

Description

一种基于物联网的存储硬盘远程诊断系统及方法
技术领域
本发明涉及物联网与存储设备健康管理技术领域，具体为一种基于物联网的存储硬盘远程诊断系统及方法。
背景技术
随着信息技术的飞速发展，物联网（IoT）已成为现代社会中重要的组成部分，特别是在智能家居、工业自动化、医疗健康等领域的广泛应用。硬盘作为计算机及各类电子设备的核心存储组件，其可靠性和稳定性直接影响到系统的整体性能。然而，随着数据存储量的急剧增加，硬盘故障带来的问题也愈发严重，尤其是在大规模存储系统中，传统的硬盘故障检测和诊断方法已无法满足日益增长的需求。为此，基于物联网的远程诊断系统应运而生，它通过实时监控硬盘的运行状态，利用物联网技术将故障信息传递至云端，进而实现远程诊断和维护。该系统不仅可以提升硬盘故障诊断的效率，还能有效减少人工巡检和现场维修的成本，为数据中心和大规模存储系统的高效运行提供技术保障。
目前，传统的硬盘诊断方法主要依赖于人工巡检、定期维护及简单的硬盘健康检测工具。人工巡检不仅效率低，而且容易受到人为因素的影响，错过潜在的硬盘故障信号。定期维护则往往是在硬盘发生故障之前的一段时间内，无法对故障进行实时预警和早期识别。此外，一些硬盘健康检测工具虽然能监测硬盘的温度、读写速度等参数，但由于缺乏智能分析和远程诊断功能，其作用相对有限，无法全面、准确地评估硬盘的健康状况。尤其是在大规模存储环境中，传统方法无法满足对数百甚至数千块硬盘同时监控和诊断的需求，故障发生时往往只能依赖人工现场检测，导致恢复时间长、成本高。因此，亟需一种基于物联网的智能诊断系统，以实现硬盘故障的实时监控、早期预警和远程诊断。
发明内容
针对现有技术的不足，本发明提供了一种基于物联网的存储硬盘远程诊断系统及方法，解决了上述背景技术的问题。
为实现以上目的，本发明通过以下技术方案予以实现：一种基于物联网的存储硬盘远程诊断系统，包括以下模块：数据融合模块、因果分析模块、风险分析模块、图谱构建模块；所述数据融合模块用于通过物联网设备实时采集存储硬盘的SMART参数、IO操作时序数据及环境温湿度数据，通过注意力机制动态分配多源数据权重，提取硬盘健康状态特征向量，用于表征硬盘物理损耗与逻辑异常的耦合关系；所述因果分析模块用于根据硬盘健康状态特征向量，通过多尺度时序卷积网络提取SMART参数与IO延迟的长期依赖模式，识别周期性异常波动，同时构建贝叶斯因果网络量化环境温湿度对固件错误率的贡献度，生成故障根因分析报告；所述风险分析模块用于基于故障根因分析报告，通过联邦增量学习框架匹配历史故障案例库，计算硬盘故障风险指数，用于预测剩余寿命并生成分级预警信号；所述图谱构建模块用于根据故障风险指数，协调存储阵列的资源隔离与数据迁移策略，同时基于强化学习优化响应路径，生成可视化运维图谱，用于展示故障定位、风险链路及修复优先级。
进一步地，通过物联网设备实时采集存储硬盘的SMART参数、IO操作时序数据及环境温湿度数据的具体过程如下：通过硬盘控制器接口读取SMART参数，包括重映射扇区数、读写错误率及介质磨损指标；通过操作系统内核模块捕获IO操作时序数据，记录读写延迟、队列深度及完成状态；通过机柜温湿度传感器采集环境数据，对存储硬盘的SMART参数、IO操作时序数据及环境温湿度数据归一化，转换为标准格式并封装加密后上传至云端。
进一步地，通过注意力机制动态分配多源数据权重，提取硬盘健康状态特征向量的具体过程如下：将采集的SMART参数映射为查询向量，用于表征硬盘内部状态；将IO操作时序数据映射为键向量，反映硬盘性能波动特征；将环境温湿度数据映射为值向量，用于表征外部环境影响；通过动态权重分配机制，计算注意力权重，加权融合生成硬盘健康状态特征向量，用于综合表征硬盘物理损耗与逻辑异常的耦合关系。
进一步地，通过多尺度时序卷积网络提取SMART参数与IO延迟的长期依赖模式，识别周期性异常波动的具体过程如下：设计膨胀率的卷积核，分别捕捉小时级、半日级、日级周期模式，识别长期依赖关系；输入硬盘健康状态特征向量，执行多尺度时序卷积计算，通过残差连接融合各尺度特征，输出时序依赖特征，检测周期性异常。
进一步地，构建贝叶斯因果网络量化环境温湿度对固件错误率的贡献度，生成故障根因分析报告的具体过程如下：将环境温湿度数据作为外生变量，固件错误事件作为目标节点；根据时序依赖特征，结合环境温湿度数据与固件错误事件的联合分布，构建贝叶斯因果网络；量化环境温湿度对固件错误率的贡献度权重，生成故障根因分析报告，明确标注主次诱因及贡献度占比。
进一步地，基于故障根因分析报告，通过联邦增量学习框架匹配历史故障案例库的具体过程如下：将故障根因分析报告作为输入，匹配历史案例库中相似故障模式；通过联邦学习框架动态调整云端预训练故障预测模型参数，强化高贡献度诱因的样本权重，结合硬盘健康状态特征向量，优化故障预测模型对新型硬盘协议的泛化能力。
进一步地，计算硬盘故障风险指数的具体过程如下：输入健康状态特征向量至故障预测模型，输出故障概率；结合根因贡献度权重，动态加权计算硬盘故障风险指数；按预设阈值划分风险等级，触发分级预警信号。
进一步地，生成可视化运维图谱的具体过程如下：定义图谱节点为硬盘设备、环境因素、故障类型，边为因果关系及风险传播链路；根据强化学习优化响应策略，标注最短修复路径，动态渲染图谱，实时展示故障定位、风险链路及修复优先级。
一种基于物联网的存储硬盘远程诊断方法，包括以下步骤：S1.通过物联网设备实时采集存储硬盘的SMART参数、IO操作时序数据及环境温湿度数据，通过注意力机制动态分配多源数据权重，提取硬盘健康状态特征向量，用于表征硬盘物理损耗与逻辑异常的耦合关系；S2.根据硬盘健康状态特征向量，通过多尺度时序卷积网络提取SMART参数与IO延迟的长期依赖模式，识别周期性异常波动，同时构建贝叶斯因果网络量化环境温湿度对固件错误率的贡献度，生成故障根因分析报告；S3.基于故障根因分析报告，通过联邦增量学习框架匹配历史故障案例库，计算硬盘故障风险指数，用于预测剩余寿命并生成分级预警信号；S4.根据故障风险指数，协调存储阵列的资源隔离与数据迁移策略，同时基于强化学习优化响应路径，生成可视化运维图谱，用于展示故障定位、风险链路及修复优先级。
本发明具有以下有益效果：
（1）一种基于物联网的存储硬盘远程诊断系统，通过多模态数据融合与动态权重分配技术，实现SMART参数、IO时序数据及环境温湿度的自适应融合，突破传统单维度监测的局限性，显著提升异常检测的全面性与准确性。结合多尺度时序分析与贝叶斯因果推理，精准识别硬盘周期性故障模式及环境诱因的贡献权重，从被动响应升级为预测性维护，有效降低突发故障风险，优化运维效率。
（2）一种基于物联网的存储硬盘远程诊断方法，基于动态迁移学习框架实现跨协议硬盘的冷启动适配，解决新型设备与历史数据特征不匹配的问题，同时保障数据隐私与模型泛化能力。通过强化学习驱动的智能决策与可视化运维图谱，实时优化故障响应路径，降低人工干预成本，确保复杂存储环境中业务连续性与数据安全性。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
图1为本发明一种基于物联网的存储硬盘远程诊断系统流程图。
图2为本发明一种基于物联网的存储硬盘远程诊断方法流程图。
具体实施方式
本申请实施例通过一种基于物联网的存储硬盘远程诊断系统及方法，通过多模态数据融合、贝叶斯因果网络与联邦增量学习，解决了存储硬盘远程诊断中多源数据割裂、故障根因模糊、跨协议适配性差及响应效率低的问题，实现了从数据感知到智能决策的闭环运维体系。
本申请实施例中的方案，总体思路如下：
通过物联网设备实时采集存储硬盘的SMART参数、IO操作时序数据及环境温湿度数据，通过注意力机制动态分配多源数据权重，提取硬盘健康状态特征向量，用于表征硬盘物理损耗与逻辑异常的耦合关系。
根据硬盘健康状态特征向量，通过多尺度时序卷积网络提取SMART参数与IO延迟的长期依赖模式，识别周期性异常波动，同时构建贝叶斯因果网络量化环境温湿度对固件错误率的贡献度，生成故障根因分析报告。
基于故障根因分析报告，通过联邦增量学习框架匹配历史故障案例库，计算硬盘故障风险指数，用于预测剩余寿命并生成分级预警信号。
根据故障风险指数，协调存储阵列的资源隔离与数据迁移策略，同时基于强化学习优化响应路径，生成可视化运维图谱，用于展示故障定位、风险链路及修复优先级。
请参阅图1，图2，本发明实施例提供一种技术方案：一种基于物联网的存储硬盘远程诊断系统，包括以下模块：数据融合模块、因果分析模块、风险分析模块、图谱构建模块；所述数据融合模块用于通过物联网设备实时采集存储硬盘的SMART参数、IO操作时序数据及环境温湿度数据，通过注意力机制动态分配多源数据权重，提取硬盘健康状态特征向量，用于表征硬盘物理损耗与逻辑异常的耦合关系；所述因果分析模块用于根据硬盘健康状态特征向量，通过多尺度时序卷积网络提取SMART参数与IO延迟的长期依赖模式，识别周期性异常波动，同时构建贝叶斯因果网络量化环境温湿度对固件错误率的贡献度，生成故障根因分析报告；所述风险分析模块用于基于故障根因分析报告，通过联邦增量学习框架匹配历史故障案例库，计算硬盘故障风险指数，用于预测剩余寿命并生成分级预警信号；所述图谱构建模块用于根据故障风险指数，协调存储阵列的资源隔离与数据迁移策略，同时基于强化学习优化响应路径，生成可视化运维图谱，用于展示故障定位、风险链路及修复优先级。
本实施方案中，数据融合模块，该模块的主要功能是通过物联网设备实时采集硬盘的SMART参数（硬盘的健康状态、温度、坏道等信息）、IO操作时序数据（读写延迟、响应时间等性能数据）以及环境温湿度数据（环境对硬盘性能的影响）。采集的多种数据会通过注意力机制进行处理，自动根据不同数据源的重要性分配权重。这一过程生成一个硬盘健康状态特征向量，能够同时反映硬盘的物理损耗与逻辑异常，从而提供对硬盘整体状态的全面评估。因果分析模块，在这一模块中，系统将通过分析硬盘健康状态特征向量，利用多尺度时序卷积网络（MS-TCN）提取SMART参数与IO延迟之间的长期依赖模式，识别硬盘在不同时间段的周期性异常波动。此外，该模块还构建了贝叶斯因果网络（BCN），它能够量化环境温湿度对硬盘故障（如固件错误率）的具体影响。通过这些分析，模块能够生成一份故障根因分析报告，为后续的故障诊断和预防提供依据。风险分析模块，基于故障根因分析报告，系统将使用联邦增量学习框架，从历史故障案例库中匹配相似的故障案例，动态调整预训练模型的参数。这一模块的核心作用是计算硬盘的故障风险指数，即基于历史数据和当前健康状态预测硬盘的剩余使用寿命。基于此指数，系统会生成分级的预警信号，确保及时发现潜在故障，避免硬盘崩溃或数据丢失。图谱构建模块，当故障风险指数被计算出来后，安全决策模块会根据预警信号采取相应的资源隔离和数据迁移策略，确保存储阵列中的数据不会因为单个硬盘故障而受到影响。同时，基于强化学习，该模块会优化故障响应路径，并生成一个可视化运维图谱。这个图谱清晰地展示了故障定位、风险链路和修复的优先级，帮助运维人员做出快速而有效的决策，以降低维护成本和缩短修复时间。
具体地，通过物联网设备实时采集存储硬盘的SMART参数、IO操作时序数据及环境温湿度数据的具体过程如下：通过硬盘控制器接口读取SMART参数，包括重映射扇区数、读写错误率及介质磨损指标；通过操作系统内核模块捕获IO操作时序数据，记录读写延迟、队列深度及完成状态；通过机柜温湿度传感器采集环境数据，对存储硬盘的SMART参数、IO操作时序数据及环境温湿度数据归一化，转换为标准格式并封装加密后上传至云端。
本实施方案中，SMART参数，重映射扇区数：当硬盘检测到某个扇区（存储区块）损坏时，硬盘会将数据重定向到一个备用扇区。重映射扇区数表示硬盘已发生故障并进行了替换的扇区数量。这个参数能反映硬盘的物理损坏程度。读写错误率：表示硬盘在读写过程中发生的错误次数。较高的错误率通常表明硬盘出现故障，可能影响存储的数据可靠性。介质磨损指标：对于固态硬盘（SSD），此指标表示存储介质的磨损程度。硬盘在长时间的读写操作后，存储单元的耐用性会下降，这个参数用于监控SSD的磨损状态。读写延迟：硬盘在执行数据读取或写入操作时，从请求发起到数据完成的时间差。较高的延迟通常表明硬盘的性能下降，可能由于硬盘负载过高或硬件问题。队列深度：指示系统当前有多少IO操作待处理。队列深度过高可能表示硬盘或系统负载过重，可能导致延迟增大。完成状态：记录每个IO操作是否成功完成。如果IO操作未成功，可能意味着硬盘存在潜在故障。环境温湿度数据：温度：硬盘的运行温度直接影响其性能和寿命。过高的温度可能导致硬盘元件损坏或加速磨损，甚至导致硬盘完全失效。湿度：过高或过低的湿度可能导致硬盘内部电路生锈或产生静电，影响硬盘的稳定性和数据的可靠性。
具体地，通过注意力机制动态分配多源数据权重，提取硬盘健康状态特征向量的具体过程如下：将采集的SMART参数映射为查询向量，用于表征硬盘内部状态；将IO操作时序数据映射为键向量，反映硬盘性能波动特征；将环境温湿度数据映射为值向量，用于表征外部环境影响；通过动态权重分配机制，计算注意力权重，加权融合生成硬盘健康状态特征向量，用于综合表征硬盘物理损耗与逻辑异常的耦合关系。
本实施方案中，将SMART参数映射为查询向量，查询向量(QueryVector):SMART参数用于表征硬盘的内部状态，映射为查询向量(Q)。查询向量的作用是根据硬盘的内部状态(如健康指标、错误率等)来计算各个数据源对硬盘健康的贡献度。公式表示为:；其中，f表示映射函数，通过算法将SMART参数转换为适合计算的向量。将IO操作时序数据映射为键向量，键向量(KeyVector):IO操作时序数据用于反映硬盘的性能波动特征，如延迟、队列深度等，映射为键向量(K)。键向量反映硬盘在特定操作下的性能表现。公式表示为:；其中，f表示将IO操作时序数据映射为特征向量的函数。将环境温湿度数据映射为值向量；值向量(ValueVector):环境温湿度数据用于表征外部环境对硬盘性能的影响，映射为值向量(V)。值向量反映了温湿度对硬盘故障的可能性以及硬盘健康的外部影响因素。公式表示为:；其中，f表示将环境温湿度数据映射为值向量的函数。通过动态权重分配机制计算注意力权重，注意力权重（AttentionWeight）：根据注意力机制，硬盘内部状态、性能波动和环境温度影响对健康状态的贡献会根据重要性动态调整权重。权重计算公式如下：；其中：:第i个查询向量。:第i个键向量。:第i个数据源的注意权重。表示向量点乘操作。该公式使用查询向量和键向量的内积来计算每个数据源（如SMART参数、IO时序数据、环境温度数据）对硬盘健康状态的影响，计算得到的注意力权重会根据每个数据源的重要性进行归一化。加权融合生成硬盘健康状态特征向量；最后，使用计算出的注意权重对值向量进行加权融合，生成最终的硬盘健康状态特征向量（H）。融合公式如下：；其中：:第i个数据源的注意权重（如SMART参数、IO操作、环境温度数据）。:第i个值向量。H:最终的硬盘健康状态特征向量。
具体地，通过多尺度时序卷积网络提取SMART参数与IO延迟的长期依赖模式，识别周期性异常波动的具体过程如下：设计膨胀率的卷积核，分别捕捉小时级、半日级、日级周期模式，识别长期依赖关系；输入硬盘健康状态特征向量，执行多尺度时序卷积计算，通过残差连接融合各尺度特征，输出时序依赖特征，检测周期性异常。
本实施方案中，设计膨胀率的卷积核，分别捕捉小时级、半日级、日级周期模式：膨胀卷积（DilatedConvolution）：膨胀卷积是一种扩展卷积核接收感受野的技术，可以帮助网络捕获较长时间跨度的特征，且无需增加计算量。通过调整膨胀率（dilationrate），可以在卷积操作中跳过部分输入数据，从而捕捉更长的时序依赖。公式表示为：；其中：:输入的时序数据（SMART参数或I/O延迟数据）在时间步t的值。:卷积核在时间步t对应的权重，第k层卷积的卷积核。:膨胀卷积输出结果。:时序数据长度。通过调整膨胀率，卷积核可以在捕捉小时级、半日级和日级周期模式时，保持适当的时间跨度。例如：小时级周期捕捉每小时的数据波动；半日级周期捕捉半日内的趋势变化；日级周期捕捉全天数据的变化模式。输入硬盘健康状态特征向量，执行多尺度时序卷积计算：多尺度卷积：多尺度卷积网络通过使用不同膨胀率的卷积核，在多个尺度上同时捕捉硬盘健康状态的时序特征。将硬盘健康状态特征向量量作为输入，通过多个卷积层（每个卷积层有不同的膨胀率）来处理。公式表示为：；其中：：输入的硬盘健康状态特征向量量（之前计算的硬盘健康状态特征向量）。：卷积核权重（k表示卷积层的标号）。：膨胀率，控制感受野的大小。通过残差连接融合各尺度特征残差连接（ResidualConnection）：通过残差连接，将不同尺度的卷积结果直接融合，以避免梯度消失问题并加快收敛。残差连接使得网络能够直接传递不同层次的的特征，从而增强网络的表达能力。公式表示为：；其中：：第k层卷积输出结果。：前一层卷积输出结果。通过残差连接，融合各个尺度的特征，输出一个具有多尺度依赖特征的表示。输出时序依赖特征，检测周期性异常：时序依赖特征：通过多尺度卷积层提取到的特征，综合考虑了SMART参数和IO延迟的长期依赖模式。最终，经过融合和残差连接的多尺度特征，输出时序依赖特征（D）。公式表示为：；其中：D：最终的时序依赖特征。：第k层经过残差连接的输出特征。周期性异常检测：通过输出的时序依赖特征，网络能够识别SMART参数和IO延迟中潜在的周期性异常波动，特别是检测到定期出现的模式和偏离正常模式的波动。结合时序分析工具或阈值判断方法，可以自动标记出周期性异常的时刻。
具体地，构建贝叶斯因果网络量化环境温湿度对固件错误率的贡献度，生成故障根因分析报告的具体过程如下：将环境温湿度数据作为外生变量，固件错误事件作为目标节点；根据时序依赖特征，结合环境温湿度数据与固件错误事件的联合分布，构建贝叶斯因果网络；量化环境温湿度对固件错误率的贡献度权重，生成故障根因分析报告，明确标注主次诱因及贡献度占比。
本实施方案中，将环境温湿度数据作为外生变量，固件错误事件作为目标节点：环境温湿度数据：在此过程中，环境温湿度数据被视为外生变量（即不受网络中其他变量影响的数据）。环境温湿度会影响硬盘的运行状态和固件的错误率。固件错误事件：固件错误事件是目标节点，表示硬盘固件故障或错误的发生。固件错误率受多种因素影响，环境温湿度是其之一。构建贝叶斯因果网络，贝叶斯因果网络是一种图模型，其中节点表示变量，边表示变量之间的因果关系。每条边上的条件概率分布表示给定父节点时，子节点的概率分布。环境温湿度与固件错误率的因果关系：我们通过联合分布建模环境温湿度数据(E)与固件错误事件(F)之间的关系。公式表示为：其中：:给定环境温湿度数据E时，固件错误事件F的条件概率。:固件错误事件F给定时环境温湿度数据E的条件概率，反映温湿度与错误事件之间的相关性。:固件错误事件发生的先验概率。:环境温湿度数据的先验分布。通过构建贝叶斯因果网络，我们可以利用环境温湿度数据和固件错误事件的联合分布来推断和量化环境因素对固件错误的影响。量化环境温湿度对固件错误率的贡献度权重：贝叶斯因果网络可以用于量化环境温湿度对固件错误率的贡献度。这可以通过计算环境温湿度对固件错误事件的先验概率分布来实现，反映出环境因素对固件错误的影响程度。为了量化影响程度，我们可以计算信息增益或互信息，这将帮助我们评估环境温湿度对固件错误率的贡献。互信息（I(E,F)）公式如下：；其中：：表示环境温湿度数据和固件错误事件之间的互信息，衡量了它们之间的信息共享程度。：环境温湿度数据e和固件错误事件f的联合概率分布。和：分别是环境温湿度数据和固件错误事件的边缘概率。通过计算互信息，我们可以量化环境温湿度对固件错误事件的贡献，并根据其贡献权重进行报告生成。生成故障根因分析报告：基于上述计算结果，我们可以生成故障根因分析报告。该报告将列出所有可能的诱因及其贡献度，明确标注主次诱因及其相应的贡献占比。报告内容包括如下内容：各因素对固件错误率的影响权重（通过计算互信息或条件概率来进行量化）。环境温度的影响占比，并与其他潜在因素（如硬盘使用时间、IO操作等）进行对比。诱因的主次排序，明确哪些因素对固件错误率的贡献最大。通过贝叶斯因果网络生成的报告，能够清晰地指出环境温湿度在故障发生中的作用，并为后续的维护和优化提供决策支持。
具体地，基于故障根因分析报告，通过联邦增量学习框架匹配历史故障案例库的具体过程如下：将故障根因分析报告作为输入，匹配历史案例库中相似故障模式；通过联邦学习框架动态调整云端预训练故障预测模型参数，强化高贡献度诱因的样本权重，结合硬盘健康状态特征向量，优化故障预测模型对新型硬盘协议的泛化能力。
本实施方案中，将故障根因分析报告作为输入，匹配历史案例库中相似故障模式：故障根因分析报告：在之前的步骤中，故障根因分析报告已通过贝叶斯因果网络生成，报告包含了硬盘故障的主要诱因和相关的环境变量。该报告为模型提供了一个准确的故障模式描述。历史案例库：历史案例库是一个包含大量以往故障案例及其相关参数（如硬盘SMART参数、环境数据、IO操作数据等）的数据库。每个案例包含了故障发生时的状态和相应的硬盘特征。匹配相似故障模式：通过计算故障根因分析报告与历史案例库中各故障案例的相似度，系统能够识别出与当前故障情境最相似的历史案例。这一过程通常利用向量空间模型或其他相似度度量方法（例如余弦相似度、欧几里得距离等）。通过联邦学习框架动态调整云端预训练故障预测模型参数：联邦学习框架：联邦学习是一种分布式机器学习方法，它使得多个设备（例如不同硬盘或监控设备）可以在本地进行训练，并将更新后的模型参数上传到云端进行集成，而不需要直接传输本地数据。通过这一框架，可以在保证数据隐私的前提下，协同训练出一个通用的模型。动态调整预训练故障预测模型参数：模型通常在云端以预训练的形式存在，并不断通过上传的本地设备数据进行优化。根据历史案例库匹配到的相似故障模式，联邦学习框架会调整云端故障预测模型的参数，以增强模型对当前故障类型的预测能力。调整过程：各设备（或节点）将其本地计算得到的更新（例如梯度、权重更新）上传到云端。云端接收并整合这些参数更新，然后对模型进行全局更新。通过多次迭代，云端能够优化故障预测模型，使其能够适应更多的故障模式。强化高贡献度诱因的样本权重：在故障根因分析报告中，通过贝叶斯因果网络已经确定了哪些因素对硬盘故障的贡献最大。例如，某些环境变量（如温湿度）可能在某些故障情境中起着主导作用。强化高贡献度诱因的样本权重：为了增强模型对高贡献度因素的敏感性，可以通过提高这些因素的权重来优化模型的训练过程。这意味着，在模型训练时，高贡献度的因素将对最终结果产生更大的影响，使得故障预测更加准确。计算样本权重：可以根据根因分析报告中的贡献度对各样本进行加权，通常使用基于贡献度的权重调整策略，将高贡献度的因素在训练过程中给与更高的优先级。结合硬盘健康状态特征向量，优化故障预测模型对新型硬盘协议的泛化能力：硬盘健康状态特征向量：硬盘健康状态特征向量包含了硬盘的健康状态信息（如SMART参数、IO操作、环境数据等），它是故障预测模型的输入数据。通过将这些特征向量与历史案例相结合，模型能够更加准确地识别硬盘的潜在故障风险。优化泛化能力：随着硬盘技术的不断发展，出现了新的硬盘协议和类型。为了保证故障预测模型能适应新型硬盘协议，需要增强模型的泛化能力，即使得模型能够有效预测不同类型硬盘的故障情况。通过联邦增量学习优化泛化能力：模型通过结合来自多个设备（即不同硬盘协议和设备类型）的数据来进行训练。每次设备的本地训练和参数更新都会让模型更加通用，进而增强其对新硬盘协议的适应能力。
具体地，计算硬盘故障风险指数的具体过程如下：输入健康状态特征向量至故障预测模型，输出故障概率；结合根因贡献度权重，动态加权计算硬盘故障风险指数；按预设阈值划分风险等级，触发分级预警信号。
本实施方案中，输入健康状态特征向量至故障预测模型，输出故障概率：硬盘健康状态特征向量：该向量包含了硬盘的多维度健康数据，如SMART参数、IO操作时序数据、环境温湿度数据等。它被用作故障预测模型的输入。故障预测模型：使用一个训练好的机器学习或深度学习模型，通常是回归模型或分类模型，该模型已经学习到从健康状态特征向量中推断硬盘故障的能力。输出故障概率：模型通过输入健康状态特征向量，预测硬盘发生故障的概率，即故障发生的可能性。硬盘故障风险指数的公式表示：；参数解释：:硬盘故障风险指数。N:影响因素的数量（例如，SMART参数、IO延迟、环境温度等）。:第个影响因素的根因贡献度权重，表示各个因素对风险指数的影响程度。:激活函数，通常为Sigmoid，用于非线性转化，确保输出在0和1之间，模拟故障概率的激烈波动。公式为：；M:第个因素内的子特征数量，考虑了细化的特征如不同时间尺度、不同属性等。:第个因素下第个子特征的权重系数，用于量化每个子特征对故障概率的贡献。:第个因素下第个子特征的故障概率或预测值。:全局调整因子，用于整体调整健康状态特征对故障风险的影响。:硬盘健康状态特征函数，基于输入的健康状态特征向量和预设参数，是深度神经网络用于从硬盘的状态中提取更高层次的风险特征函数。系统通过分析历史数据和硬盘故障模式，确定多个故障风险指数的阈值。根据风险指数值，系统会将硬盘的故障风险划分为不同的等级，低风险、中风险和高风险。分级预警信号：根据计算出的风险指数，系统将触发相应的预警信号。例如，如果风险指数高于某一阈值，则触发高风险警报，提醒管理员需要优先进行维护。
具体地，生成可视化运维图谱的具体过程如下：定义图谱节点为硬盘设备、环境因素、故障类型，边为因果关系及风险传播链路；根据强化学习优化响应策略，标注最短修复路径，动态渲染图谱，实时展示故障定位、风险链路及修复优先级。
本实施方案中，定义图谱节点：硬盘设备：图谱的核心节点之一，表示每个硬盘设备的状态信息，包含其健康状态、故障预测结果、相关的SMART参数、IO操作数据等。环境因素：包括硬盘运行环境的参数（如温湿度、振动等），这些环境因素与硬盘故障或性能下降之间可能存在因果关系。故障类型：表示硬盘可能出现的各种故障类型，如硬盘物理损坏、固件错误、数据丢失等。定义图谱边：因果关系：图谱中的边代表不同节点之间的因果关系。例如，环境因素可能会影响硬盘设备的健康状态，硬盘设备的故障类型可能会影响其他设备的运行状态。通过这些边，可以分析硬盘故障的潜在诱因。风险传播链路：图谱的边还代表着风险如何从一个节点传播到另一个节点。例如，硬盘故障可能引发连锁反应，影响其他设备或系统，风险传播链路可帮助识别潜在的故障传播路径。强化学习优化响应策略：强化学习（RL）被用于优化应对故障的响应策略。通过强化学习模型，可以动态地调整操作策略，基于实时监控数据和历史故障案例，优化系统的维护和修复行为。奖励函数：系统根据修复效率、故障影响的减少、修复时间等指标来评价响应策略的优劣，强化学习通过不断探索和利用反馈，选择最优的故障响应措施。标注最短修复路径：通过图谱中的节点和边，系统可以计算出从当前故障状态到修复完成的最短路径。这条路径通常会考虑各个修复步骤之间的因果关系和优先级。修复路径的标注：每个修复步骤按其优先级和重要性被标记，并且可能结合故障的严重性、对系统的影响等因素，优化修复顺序。动态渲染图谱：图谱的渲染过程根据实时的数据流和系统状态动态更新。例如，在硬盘设备发生故障时，图谱会实时显示其健康状态、修复路径及影响范围。动态渲染：利用数据可视化技术（如图形界面、交互式图谱等），使得运维人员能够直观地查看故障信息和系统运行状况。实时展示故障定位、风险链路及修复优先级：图谱通过可视化形式展示故障的具体位置和影响范围，帮助运维人员快速定位问题。同时，风险链路的展示能够直观地呈现故障的传播路径，提醒运维人员关注潜在的风险扩散。修复优先级的标注会基于实时数据，动态调整，确保最紧急的故障能够优先得到修复。
一种基于物联网的存储硬盘远程诊断方法，包括以下步骤：S1.通过物联网设备实时采集存储硬盘的SMART参数、IO操作时序数据及环境温湿度数据，通过注意力机制动态分配多源数据权重，提取硬盘健康状态特征向量，用于表征硬盘物理损耗与逻辑异常的耦合关系；S2.根据硬盘健康状态特征向量，通过多尺度时序卷积网络提取SMART参数与IO延迟的长期依赖模式，识别周期性异常波动，同时构建贝叶斯因果网络量化环境温湿度对固件错误率的贡献度，生成故障根因分析报告；S3.基于故障根因分析报告，通过联邦增量学习框架匹配历史故障案例库，计算硬盘故障风险指数，用于预测剩余寿命并生成分级预警信号；S4.根据故障风险指数，协调存储阵列的资源隔离与数据迁移策略，同时基于强化学习优化响应路径，生成可视化运维图谱，用于展示故障定位、风险链路及修复优先级。
本实施方案中，S1:通过物联网设备实时采集硬盘的关键数据（如SMART参数、IO操作数据、环境温湿度数据），并通过注意力机制动态调整不同数据源的权重，生成硬盘健康状态特征向量。该特征向量综合反映硬盘的物理损耗与逻辑异常。S2:利用多尺度时序卷积网络分析硬盘健康状态特征向量，从而提取SMART参数和IO延迟的长期依赖模式，识别周期性异常波动。同时，构建贝叶斯因果网络，分析环境因素（如温湿度）对固件错误率的影响，生成故障根因分析报告。S3:基于故障根因分析报告，使用联邦增量学习框架匹配历史故障案例库，计算硬盘故障风险指数，预测硬盘的剩余寿命，并生成分级预警信号。S4:根据计算的故障风险指数，调整存储阵列的资源隔离和数据迁移策略，并通过强化学习优化响应路径。最后，生成可视化运维图谱，展示故障定位、风险传播路径和修复优先级，帮助运维人员快速响应故障。
综上，本申请至少具有以下效果：
一种基于物联网的存储硬盘远程诊断系统及方法，通过物联网设备实时采集硬盘的SMART参数、IO操作时序数据及环境温湿度数据，并结合注意力机制和多尺度卷积网络，能够精准提取硬盘的健康状态特征，识别硬盘物理损耗与逻辑异常的耦合关系。利用多尺度时序卷积网络提取SMART参数与IO延迟的长期依赖模式，可以识别周期性异常波动，为故障预警和维护提供有力依据。通过贝叶斯因果网络分析环境温湿度对固件错误率的影响，量化环境因素在硬盘故障中的作用，生成故障根因分析报告，为故障预防提供指导。通过联邦增量学习框架匹配历史故障案例库，计算硬盘故障风险指数，实现故障预测、剩余寿命估算以及分级预警，提高故障预测的准确性与响应效率。基于故障风险指数，智能协调存储阵列资源隔离与数据迁移策略，同时通过强化学习优化故障响应路径，生成可视化运维图谱，帮助运维人员迅速定位故障并优化修复优先级。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的系统、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (9)

1.一种基于物联网的存储硬盘远程诊断系统，其特征在于，包括以下模块：数据融合模块、因果分析模块、风险分析模块、图谱构建模块；
所述数据融合模块用于通过物联网设备实时采集存储硬盘的SMART参数、IO操作时序数据及环境温湿度数据，通过注意力机制动态分配多源数据权重，提取硬盘健康状态特征向量，用于表征硬盘物理损耗与逻辑异常的耦合关系；
所述因果分析模块用于根据硬盘健康状态特征向量，通过多尺度时序卷积网络提取SMART参数与IO延迟的长期依赖模式，识别周期性异常波动，同时构建贝叶斯因果网络量化环境温湿度对固件错误率的贡献度，生成故障根因分析报告；
所述风险分析模块用于基于故障根因分析报告，通过联邦增量学习框架匹配历史故障案例库，计算硬盘故障风险指数，用于预测剩余寿命并生成分级预警信号；
所述图谱构建模块用于根据故障风险指数，协调存储阵列的资源隔离与数据迁移策略，同时基于强化学习优化响应路径，生成可视化运维图谱，用于展示故障定位、风险链路及修复优先级。
2.根据权利要求1所述的一种基于物联网的存储硬盘远程诊断系统，其特征在于：通过物联网设备实时采集存储硬盘的SMART参数、IO操作时序数据及环境温湿度数据的具体过程如下：
通过硬盘控制器接口读取SMART参数，包括重映射扇区数、读写错误率及介质磨损指标；
通过操作系统内核模块捕获IO操作时序数据，记录读写延迟、队列深度及完成状态；
通过机柜温湿度传感器采集环境数据，对存储硬盘的SMART参数、IO操作时序数据及环境温湿度数据归一化，转换为标准格式并封装加密后上传至云端。
3.根据权利要求2所述的一种基于物联网的存储硬盘远程诊断系统，其特征在于：通过注意力机制动态分配多源数据权重，提取硬盘健康状态特征向量的具体过程如下：
将采集的SMART参数映射为查询向量，用于表征硬盘内部状态；
将IO操作时序数据映射为键向量，反映硬盘性能波动特征；
将环境温湿度数据映射为值向量，用于表征外部环境影响；
通过动态权重分配机制，计算注意力权重，加权融合生成硬盘健康状态特征向量，用于综合表征硬盘物理损耗与逻辑异常的耦合关系。
4.根据权利要求3所述的一种基于物联网的存储硬盘远程诊断系统，其特征在于：通过多尺度时序卷积网络提取SMART参数与IO延迟的长期依赖模式，识别周期性异常波动的具体过程如下：
设计膨胀率的卷积核，分别捕捉小时级、半日级、日级周期模式，识别长期依赖关系；
输入硬盘健康状态特征向量，执行多尺度时序卷积计算，通过残差连接融合各尺度特征，输出时序依赖特征，检测周期性异常。
5.根据权利要求4所述的一种基于物联网的存储硬盘远程诊断系统，其特征在于：构建贝叶斯因果网络量化环境温湿度对固件错误率的贡献度，生成故障根因分析报告的具体过程如下：
将环境温湿度数据作为外生变量，固件错误事件作为目标节点；
根据时序依赖特征，结合环境温湿度数据与固件错误事件的联合分布，构建贝叶斯因果网络；
量化环境温湿度对固件错误率的贡献度权重，生成故障根因分析报告，明确标注主次诱因及贡献度占比。
6.根据权利要求5所述的一种基于物联网的存储硬盘远程诊断系统，其特征在于：基于故障根因分析报告，通过联邦增量学习框架匹配历史故障案例库的具体过程如下：
将故障根因分析报告作为输入，匹配历史案例库中相似故障模式；
通过联邦学习框架动态调整云端预训练故障预测模型参数，强化高贡献度诱因的样本权重，结合硬盘健康状态特征向量，优化故障预测模型对新型硬盘协议的泛化能力。
7.根据权利要求6所述的一种基于物联网的存储硬盘远程诊断系统，其特征在于：计算硬盘故障风险指数的具体过程如下：
输入健康状态特征向量至故障预测模型，输出故障概率；
结合根因贡献度权重，动态加权计算硬盘故障风险指数；
按预设阈值划分风险等级，触发分级预警信号。
8.根据权利要求7所述的一种基于物联网的存储硬盘远程诊断系统，其特征在于：生成可视化运维图谱的具体过程如下：
定义图谱节点为硬盘设备、环境因素、故障类型，边为因果关系及风险传播链路；
根据强化学习优化响应策略，标注最短修复路径，动态渲染图谱，实时展示故障定位、风险链路及修复优先级。
9.一种基于物联网的存储硬盘远程诊断方法，应用于权利要求1-8中任一项所述的一种基于物联网的存储硬盘远程诊断系统，其特征在于，包括以下步骤：
S1.通过物联网设备实时采集存储硬盘的SMART参数、IO操作时序数据及环境温湿度数据，通过注意力机制动态分配多源数据权重，提取硬盘健康状态特征向量，用于表征硬盘物理损耗与逻辑异常的耦合关系；
S2.根据硬盘健康状态特征向量，通过多尺度时序卷积网络提取SMART参数与IO延迟的长期依赖模式，识别周期性异常波动，同时构建贝叶斯因果网络量化环境温湿度对固件错误率的贡献度，生成故障根因分析报告；
S3.基于故障根因分析报告，通过联邦增量学习框架匹配历史故障案例库，计算硬盘故障风险指数，用于预测剩余寿命并生成分级预警信号；
S4.根据故障风险指数，协调存储阵列的资源隔离与数据迁移策略，同时基于强化学习优化响应路径，生成可视化运维图谱，用于展示故障定位、风险链路及修复优先级。
CN202510306994.8A 2025-03-15 2025-03-15 一种基于物联网的存储硬盘远程诊断系统及方法 Withdrawn CN120256178A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202510306994.8A CN120256178A (zh) 2025-03-15 2025-03-15 一种基于物联网的存储硬盘远程诊断系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202510306994.8A CN120256178A (zh) 2025-03-15 2025-03-15 一种基于物联网的存储硬盘远程诊断系统及方法

Publications (1)

Publication Number Publication Date
CN120256178A true CN120256178A (zh) 2025-07-04

Family

ID=96197826

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202510306994.8A Withdrawn CN120256178A (zh) 2025-03-15 2025-03-15 一种基于物联网的存储硬盘远程诊断系统及方法

Country Status (1)

Country Link
CN (1) CN120256178A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN120469846A (zh) * 2025-07-14 2025-08-12 苏州元脑智能科技有限公司 硬盘故障检测方法及电子设备
CN120523641A (zh) * 2025-07-24 2025-08-22 武汉市德发电子信息有限责任公司 基于深度学习的统信uos系统故障快速修复方法
CN120849203A (zh) * 2025-09-22 2025-10-28 苏州元脑智能科技有限公司 硬盘故障预测方法、电子设备及存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN120469846A (zh) * 2025-07-14 2025-08-12 苏州元脑智能科技有限公司 硬盘故障检测方法及电子设备
CN120523641A (zh) * 2025-07-24 2025-08-22 武汉市德发电子信息有限责任公司 基于深度学习的统信uos系统故障快速修复方法
CN120849203A (zh) * 2025-09-22 2025-10-28 苏州元脑智能科技有限公司 硬盘故障预测方法、电子设备及存储介质
CN120849203B (zh) * 2025-09-22 2026-01-30 苏州元脑智能科技有限公司 硬盘故障预测方法、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN119532944B (zh) 一种基于物联网技术空调系统智慧运维方法及系统
CN118915566A (zh) 一种基于物联网的暖通设备异常在线监控系统
CN120256178A (zh) 一种基于物联网的存储硬盘远程诊断系统及方法
CN118898205B (zh) 一种基于数字孪生的设备故障检测方法及系统
CN116611013A (zh) 针对工业时序数据的异常检测以及根因分析方法及系统
CN117909784A (zh) 一种基于人工智能的设备故障检测分析方法及装置
CN119577659B (zh) 一种运维模式分析模型生成方法、系统、介质及程序产品
CN117689373A (zh) 一种柔性直流牵引供电系统能量路由器维护决策支持方法
CN118521159A (zh) 基于深度学习的用电信息采集终端质量检测方法及系统
CN119917910A (zh) 一种基于多模态的智慧园区设备健康状态智能评估方法、电子设备及介质
CN118396595A (zh) 一种车辆的维护方法、装置、电子设备和存储介质
CN119249365B (zh) 智能化多传感器融合的分板机故障预测与诊断方法及系统
CN119322991A (zh) 基于智能控制平台的数据交互方法
CN118041762A (zh) 工业控制系统的通信网络故障预测方法及装置
CN118535957A (zh) 基于人工智能和自主计算的设备故障检测分析方法及装置
CN119416113A (zh) 一种基于大数据的能源设备健康监测方法及系统
CN120126712A (zh) 一种基于大数据的医疗器械库存预测与优化方法及系统
CN119377038A (zh) 应用监控方法、装置、设备、存储介质以及产品
CN119539774A (zh) 一种基于物联网的建筑运维管理系统
CN120687341B (zh) 服务器寿命预测方法、装置、电子设备及存储介质
CN120724289B (zh) 多级地热井群系统的故障识别及维护方法及系统、设备
CN118625028B (zh) 电网设备启动的运行状态自动校核方法和装置
KR102831507B1 (ko) 함정 추진체계 건전성 진단용 머신러닝 기능 개발 시스템 및 방법
US20250383933A1 (en) Method for automatically deploying artificial intelligence models
Aydinoğlu A decision support system software for intelligent manufacturing

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

Application publication date: 20250704

WW01 Invention patent application withdrawn after publication