一种存储设备寿命预测方法、装置、设备和存储介质与流程

本技术涉及设备寿命预测，特别是涉及一种存储设备寿命预测方法、装置、设备和存储介质。

背景技术：

1、随着人工智能、大数据的快速发展，以快闪存储器为存储介质的存储设备如固态硬盘设备快速发展。相对于传统机械硬盘设备，虽然闪存介质存储设备具有速度快等优点，但是闪存介质具有闪存寿命限制，闪存介质随着擦除/编程次数的增加，导致闪存的存储单元产生缺陷并最终失效，从而导致数据丢失，这对于用户来说是不可接受的，因此用户在使用过程中通过某种方法预测闪存介质寿命，提前在闪存介质失效之前进行更换变得迫切且必要。

2、传统的闪存介质存储设备在使用过程中的寿命预测方法较为简单：基于一段时间内的磨损度变化计算平均值作为寿命预测，此种方法误差较大，可信度低。

技术实现思路

1、基于此，有必要针对上述背景技术中提到的至少一个技术问题，提供一种存储设备寿命预测方法、装置、设备和存储介质，能够实现对闪存介质存储设备基于多维度进行寿命预测以提高寿命预测准确性。

2、本技术实施例提供的具体技术方案如下：第一方面，提供一种存储设备寿命预测方法，包括：获取样本存储设备运行过程中的样本多维特征参数；针对存储设备不同的特征参数定义不同的相对劣化度计算策略；根据当前多维特征参数中每种特征参数匹配对应的所述相对劣化度计算策略进行计算，得到对应的相对劣化度；根据所述相对劣化度建立存储设备运行状态评估体系；根据所述存储设备运行状态评估体系建立云模型，并部署所述云模型；获取当前存储设备运行过程中的实时多维特征参数；根据所述实时多维特征参数以及所述云模型，输出所述当前存储设备的预测寿命。

3、进一步的，所述相对劣化度计算策略包括越小越优型计算策略、越大越优型计算策略以及极小越优型计算策略中的至少一种。

4、进一步的，所述越小越优型计算策略采用如下公式进行计算：，其中，为第i时刻存储设备当前特征参数实际运行值，为第i时刻存储设备当前特征参数状态良好值，为第i时刻存储设备当前特征参数运行允许最大值，为第i时刻存储设备当前特征参数对应的相对劣化度，a用于描述当前特征参数对于存储设备的权重。

5、进一步的，所述越大越优型计算策略采用如下公式进行计算：，其中，为第i时刻存储设备当前特征参数实际运行值，为第i时刻存储设备当前特征参数状态良好值，为第i时刻存储设备当前特征参数运行允许最小值，为第i时刻存储设备当前特征参数对应的相对劣化度，a用于描述当前特征参数对于存储设备的权重。

6、进一步的，所述极小越优型计算策略采用如下公式进行计算：，其中，为第i时刻存储设备当前特征参数实际运行值，为第i时刻存储设备当前特征参数状态良好值，为第i时刻存储设备当前特征参数运行允许最小值，为第i时刻存储设备当前特征参数运行允许最大值，为第i时刻存储设备当前特征参数对应的相对劣化度，a用于描述当前特征参数对于存储设备的权重。

7、进一步的，所述多维特征参数包括编程次数、擦除次数、工作电流、工作温度、工作湿度以及工作电压中的至少两种。

8、进一步的，所述根据所述相对劣化度建立存储设备运行状态评估体系，包括：

9、定义存储设备运行状态等级区间，所述存储设备运行状态等级区间包括第一状态等级区间、第二状态等级区间、第三状态等级区间以及第四状态等级区间中的至少两种；

10、根据所述相对劣化度匹配对应所述存储设备运行状态等级区间；其中，所述第一状态等级区间用于描述存储设备运行状态为良好状态，所述第二状态等级区间用于描述存储设备运行状态为注意状态，所述第三状态等级区间用于描述存储设备运行状态为异常状态，所述第四状态等级区间用于描述存储设备运行状态为失效状态。

11、进一步的，所述根据所述存储设备运行状态评估体系建立云模型，并部署所述云模型，包括：根据所述相对劣化度以及对应的所述存储设备运行状态等级区间确定云模型的数字特征值；根据确定的所述云模型的数字特征值生成云模型的隶属度函数，建立云模型。

12、进一步的，所述根据确定的所述云模型的数字特征值生成云模型的隶属度函数，建立云模型，包括：生成以熵为期望，超熵平方为标准方法的正态随机数，其中；生成以期望为期望，为标准方法的正态随机数,；通过下式进行计算生成的云滴：<mi>u</mi><mi>x</mi></mfenced><mi>=</mi><mi>exp</mi><mi>[</mi><mfrac><mrow><mi>-</mi><msup><mrow><mi>(</mi><msub><mi>x</mi><mi>i</mi></msub><mi>-</mi><msub><mi>e</mi><mi>x</mi></msub><mi>)</mi></mrow><mn>2</mn></msup></mrow><mrow><mn>2</mn><msubsup><msup><mi>e</mi><mi>'</mi></msup><msub><mi>y</mi><mi>i</mi></msub><mn>2</mn></msubsup></mrow></mfrac><mi>]</mi>；重复生成多个云滴，直至云模型生成完毕；其中，表示生成正态分布随机数的函数。

13、进一步的，所述根据所述实时多维特征参数以及所述云模型，输出所述当前存储设备的预测寿命，包括：根据所述实时多维特征参数计算得到对应实时相对劣化度；根据所述实时相对劣化度以及所述云模型，计算得到当前存储设备的初始化状态概率分布向量。

14、进一步的，通过马尔科夫链根据所述初始化状态概率分布向量计算得到状态转移矩阵；根据所述状态转移矩阵预测第一预设时间后的状态概率分布，并根据所述第一预设时间后的状态概率分布判断是否达到寿命极限，重复计算直至达到寿命极限，输出当前存储设备的预测寿命。

15、进一步的，所述根据所述实时相对劣化度以及所述云模型，计算得到当前存储设备的初始化状态概率分布向量，包括：取相交云滴的隶属度概率平均值作为第i个测量点第j个状态等级的概率值，定义向量，定义编程次数为，擦写次数为，工作电流为，工作温度为，工作湿度为，工作电压为，通过如下公式计算第i个测量点的隶属度向量：；其中，分别对应编程次数、擦写次数、工作电流、工作温度、工作湿度以及工作电压的权重，取：，；计算第二预设时间与第三预设时间之间n个测量点的隶属度向量，并根据公式：进行归一化处理，得到作为所述第二预设时间初始化状态概率分布向量；分别对应编程次数、擦写次数、工作电流、工作温度、工作湿度以及工作电压的初始状态概率。

16、第二方面，提供一种存储设备寿命预测装置，所述装置包括：样本获取模块，用于获取样本存储设备运行过程中的样本多维特征参数；运行状态评估模块，用于针对存储设备不同的特征参数定义不同的相对劣化度计算策略；还用于根据当前多维特征参数中每种特征参数匹配对应的所述相对劣化度计算策略进行计算，得到对应的相对劣化度；还用于根据所述相对劣化度建立存储设备运行状态评估体系；云模型模块，用于根据所述存储设备运行状态评估体系建立云模型，并部署所述云模型；实时参数获取模块，用于获取当前存储设备运行过程中的实时多维特征参数；寿命预测模块，用于根据所述实时多维特征参数以及所述云模型，输出所述当前存储设备的预测寿命。

17、第三方面，提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：获取样本存储设备运行过程中的样本多维特征参数；针对存储设备不同的特征参数定义不同的相对劣化度计算策略；根据当前多维特征参数中每种特征参数匹配对应的所述相对劣化度计算策略进行计算，得到对应的相对劣化度；根据所述相对劣化度建立存储设备运行状态评估体系；根据所述存储设备运行状态评估体系建立云模型，并部署所述云模型；获取当前存储设备运行过程中的实时多维特征参数；根据所述实时多维特征参数以及所述云模型，输出所述当前存储设备的预测寿命。

18、第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：获取样本存储设备运行过程中的样本多维特征参数；针对存储设备不同的特征参数定义不同的相对劣化度计算策略；根据当前多维特征参数中每种特征参数匹配对应的所述相对劣化度计算策略进行计算，得到对应的相对劣化度；根据所述相对劣化度建立存储设备运行状态评估体系；根据所述存储设备运行状态评估体系建立云模型，并部署所述云模型；获取当前存储设备运行过程中的实时多维特征参数；根据所述实时多维特征参数以及所述云模型，输出所述当前存储设备的预测寿命。

19、本技术实施例具有如下有益效果：本技术实施例提供的一种存储设备寿命预测方法、装置、设备和存储介质，能够针对存储设备原有一维线性预测寿命进行改进，综合考虑了存储设备的多维特征参数，丰富了输入参数维度，提高存储设备寿命预测的准确性；针对存储设备寿命影响因素较多，且准备进行建模较为困难，采用云模型进行不确定性信息表达和处理，可以有效对多维影响因素进行处理。