TY -的A2 -文卡特斯,c . AU -史,俊杰盟——杜京盟,任Yingwen AU -李,波宇盟——邹,精卫盟——张Anyi PY - 2022 DA - 2022/10/04 TI - Convolution-LSTM-Based机械硬盘故障预测传感器维持——遵循S.M.A.R.T.来指标SP - 7832117六世- 2022 AB -传统的基础设施即服务(IaaS)云平台往往实现高数据可用性通过引入专用存储设备。然而,这种异构体系结构具有较高的维护成本和可能减少虚拟机的性能。在均匀IaaS云平台、服务器平台的统一提供计算资源和存储资源,这有效地解决上述问题,虽然需要引入相应的机制来提高数据可用性。有效的存储资源可用性管理是一个关键的方法来提高数据的可用性。机械硬盘的主要方法是实现数据存储目前在IaaS云平台,及时、准确预测机械硬盘故障和活跃的数据备份和迁移之前机械硬盘失败将有效改善IaaS云平台的数据可用性。在本文中,我们提出一种改进算法,早期预警的机械硬盘故障。我们第一次使用救援特征选择算法进行参数选择。然后,我们使用生成的零和博弈思想对抗网络(GAN)生成更少的类别样本达到一个平衡的示例数据。最后,一种改进的长期短期记忆(LSTM)模型称为Convolution-LSTM (C-LSTM)是用于完成准确检测硬盘故障,实现故障预警。我们评估几个模型使用精度、召回和曲线下面积(AUC)值,和广泛的实验表明,我们的算法优于其他算法机械硬盘的警告。 SN - 1687-725X UR - https://doi.org/10.1155/2022/7832117 DO - 10.1155/2022/7832117 JF - Journal of Sensors PB - Hindawi KW - ER -