Traitement en cours

Veuillez attendre...

Paramétrages

Paramétrages

Goto Application

1. WO2020068471 - PRÉDICTION DE DÉFAILLANCE DE LECTEUR DE DISQUE AVEC DES RÉSEAUX NEURONAUX

Numéro de publication WO/2020/068471
Date de publication 02.04.2020
N° de la demande internationale PCT/US2019/051316
Date du dépôt international 16.09.2019
CIB
G06F 11/00 2006.01
GPHYSIQUE
06CALCUL; COMPTAGE
FTRAITEMENT ÉLECTRIQUE DE DONNÉES NUMÉRIQUES
11Détection d'erreurs; Correction d'erreurs; Contrôle de fonctionnement
G06N 3/02 2006.01
GPHYSIQUE
06CALCUL; COMPTAGE
NSYSTÈMES DE CALCULATEURS BASÉS SUR DES MODÈLES DE CALCUL SPÉCIFIQUES
3Systèmes de calculateurs basés sur des modèles biologiques
02utilisant des modèles de réseaux neuronaux
CPC
G06F 11/008
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
FELECTRIC DIGITAL DATA PROCESSING
11Error detection; Error correction; Monitoring
008Reliability or availability analysis
G06F 11/3034
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
FELECTRIC DIGITAL DATA PROCESSING
11Error detection; Error correction; Monitoring
30Monitoring
3003Monitoring arrangements specially adapted to the computing system or computing system component being monitored
3034where the computing system component is a storage system, e.g. DASD based or network based
G06F 17/18
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
FELECTRIC DIGITAL DATA PROCESSING
17Digital computing or data processing equipment or methods, specially adapted for specific functions
10Complex mathematical operations
18for evaluating statistical data ; , e.g. average values, frequency distributions, probability functions, regression analysis
G06K 9/6256
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
KRECOGNITION OF DATA; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
9Methods or arrangements for reading or recognising printed or written characters or for recognising patterns, e.g. fingerprints
62Methods or arrangements for recognition using electronic means
6217Design or setup of recognition systems and techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
6256Obtaining sets of training patterns; Bootstrap methods, e.g. bagging, boosting
G06N 20/00
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
20Machine learning
G06N 3/0445
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
3Computer systems based on biological models
02using neural network models
04Architectures, e.g. interconnection topology
0445Feedback networks, e.g. hopfield nets, associative networks
Déposants
  • ORACLE INTERNATIONAL CORPORATION [US]/[US]
Inventeurs
  • KOCBERBER, Onur
  • SCHMIDT, Felix
  • RAGHAVAN, Arun
  • AGARWAL, Nipun
  • IDICULA, Sam
  • ZHOU, Guang-Tong
  • KUNAL, Nitin
Mandataires
  • BINGHAM, Marcel K.
  • HICKMAN, Brian D.
  • MILLER, Brian
  • LEDESMA, Daniel D.
  • STONE, Adam C.
  • MEIKLE, Tammy L.
  • PAPANYAN, Khachatur V.
  • PALERMO, Christopher J.
  • BECKER, Edward A.
  • KULCZYCKA, Malgorzata A.
  • MCGUIRE, John
  • GELBLUM, Michael
  • KANZAKI, Kim
  • BAGGALEY, Nicholas
  • CHENG, Charles
  • HUTCHINS, Eric
  • KOCIALSKI, Molly
  • NICHOLES, Chris
  • SUTTON, Eric
  • WEBER, Rick
  • LIU, Agatha
  • ORICH, Christine E.
  • MADRAK, Jeffrey R.
  • KARLIN, Elliot H.
  • JANG, RaeEun
  • YANG, Cato
  • MILLER, Kevin
  • WANG, Tina
  • BAJWA, Sanjeev S.
Données relatives à la priorité
16/144,91227.09.2018US
Langue de publication anglais (EN)
Langue de dépôt anglais (EN)
États désignés
Titre
(EN) DISK DRIVE FAILURE PREDICTION WITH NEURAL NETWORKS
(FR) PRÉDICTION DE DÉFAILLANCE DE LECTEUR DE DISQUE AVEC DES RÉSEAUX NEURONAUX
Abrégé
(EN)
Disk drive failure is predicted using a machine learning model. The framework involves receiving disk drive sensor attributes as training data, preprocessing the training data to select a set of enhanced feature sequences, and using the enhanced feature sequences to train a machine learning model to predict disk drive failures from disk drive sensor monitoring data. Prior to the training phase, the RNN LSTM model is tuned using a set of predefined hyper-parameters. The preprocessing, which is performed during the training and evaluation phase as well as later during the prediction phase, involves using predefined values for a set of parameters to generate the set of enhanced sequences from raw sensor reading. The enhanced feature sequences are generated to maintain a desired healthy/failed disk ratio, and only use samples leading up to a last-valid-time sample to honor a pre-specified heads-up-period alert requirement.
(FR)
Une défaillance de lecteur de disque est prédite à l'aide d'un modèle d'apprentissage automatique. La présente invention implique la réception d'attributs de capteurs de lecteur de disque en tant que données d'apprentissage, le prétraitement des données d'apprentissage pour sélectionner un ensemble de séquences de caractéristiques améliorées, et l'utilisation des séquences de caractéristiques améliorées pour faire l'apprentissage d'un modèle d'apprentissage automatique pour prédire des défaillances de lecteur de disque à partir de données de surveillance de capteurs de lecteur de disque. Avant la phase d'apprentissage, le modèle RNN LSTM est réglé finement à l'aide d'un ensemble d'hyperparamètres prédéfinis. Le prétraitement, qui est réalisé durant la phase d'apprentissage et d'évaluation ainsi que plus tard durant la phase de prédiction, implique l'utilisation de valeurs prédéfinies pour un ensemble de paramètres afin de générer l'ensemble de séquences améliorées à partir de la lecture brute de capteurs. Les séquences de caractéristiques améliorées sont générées pour conserver un taux souhaité de disques en bon état/disques défectueux, et utilisent uniquement des échantillons menant à un échantillon de dernier temps valide pour respecter une exigence d'alerte de période d'avertissement pré-spécifiée.
Également publié en tant que
Dernières données bibliographiques dont dispose le Bureau international