DiskAdapt：基于预训练和微调的硬盘故障预测

《Proceedings of the ACM on Measurement and Analysis of Computing Systems》：DiskAdapt: Hard Disk Failure Prediction Based on Pre-Training and Fine-Tuning

随着信息技术快速发展，数据中心的存储设备物理损坏风险对数据安全构成重大挑战。当前基于单一硬盘型号的故障预测方法存在泛化不足问题。本文提出采用预训练-微调框架的硬盘故障预测模型DiskAdapt，通过AdaptFormer架构提取多元时序特征并实施特征对齐操作，显著提升模型在异构硬盘环境中的预测精度。实验表明该方法在多个公开数据集上性能优于基准模型。

　　

摘要

随着信息技术的快速发展，数据中心对存储设备的依赖程度越来越高。然而，这些设备遭受物理损坏的风险对数据安全构成了重大威胁。因此，故障预测技术对于提高存储系统的可靠性至关重要。目前的研究主要集中在使用机器学习或深度学习来分析硬盘的操作数据。然而，大多数方法都是基于单一硬盘模型进行训练和测试的，这导致故障检测的泛化能力不足。大型数据中心通常使用来自不同制造商和型号的硬盘，并且更换频率较高，这使得现有方法难以完全满足企业的需求。为了解决这些问题，本文提出了一种基于预训练和微调的硬盘故障预测模型，称为DiskAdapt。该模型采用了AdaptFormer架构，并利用预训练-微调框架来提取能够准确反映硬盘运行状态的多变量时间序列特征。通过整合这些多变量特征并进行特征对齐操作，该模型实现了准确的故障预测。在多个公开数据集上进行的广泛实验表明，我们的方法优于其他基线模型。