Универсальные показатели надежности накопителей информации в data-центрах
DOI:
https://doi.org/10.52575/2687-0932-2024-51-3-722-734Ключевые слова:
большой объем данных, накопитель информации, data-центр, надежность, параметр, показательАннотация
Большие данные являются основой цифровой экономики. В связи с этим вопрос надежности хранения собираемых данных весьма актуален. Однако при оценке надежности накопителей информации существует проблема неоднозначности смысла, вкладываемого разными производителями в параметры состояния с одинаковыми наименованиями. Отсюда целью исследования является выявление такого набора параметров, который был бы универсален в качестве показателей надежности для любой марки накопителей любого производителя. Подбор универсальных показателей надежности накопителей информации выполнен на основе соотношений относительных значений SMART-параметров, представленных в открытом доступе data-центрами компании Backblaze за длительный период. В результате анализа выявлены наиболее подходящие в этом качестве параметры HDD: 1 Read error rate, 5 Reallocated sectors count, 7 Seek error rate, 10 Spin retry count, 196 Reallocation event count, 197 Current pending sector count, 198 Uncorrectable sector count. Для SSD универсальным является параметр 194 Temperature, но со слабо выраженной дифференциацией. Этот набор параметров позволяет выполнить сравнительную оценку надежности как по отдельным маркам, так и в целом по производителям накопителей информации.
Скачивания
Библиографические ссылки
Демидова Л.А., Филатов А.В. 2023. Анализ выживаемости дисковых накопителей с помощью метода Каплана-Мейера. Высокопроизводительные вычислительные системы и технологии. 7(1): 18–24. EDN XYBFNY.
Демидова Л.А., Фурсов И.А. 2021. Разработка модели прогнозирования остаточного срока службы накопителей данных с использованием технологии рекуррентных нейронных сетей. Высокопроизводительные вычислительные системы и технологии. 5(1): 43–48. EDN CXSKCF.
Демидова Л.А., Фурсов И.А. 2023. Машина экстремального обучения в задачах предсказания остаточного срока полезной службы дисковых накопителей. Вестник Рязанского государственного радиотехнического университета. № 83: 22–35. DOI 10.21667/1995-4565-2023-83-22-35. EDN TYAOZM.
Насыров И.Н., Насыров И.И., Насыров Р.И. 2023. Критерии ранжирования накопителей информации в data-центрах по надежности. Труды Института системного анализа Российской академии наук. 73(3): 59–68. DOI 10.14357/20790279230307. EDN LZLVJC.
Насыров И.Н., Насыров И.И., Насыров Р.И. 2023. Нелинейный рост данных по надежности накопителей информации в data-центрах. Цифровая экономика. № S5(26): 38–44. DOI 10.34706/DE-2023-05-05. EDN MVMIDE.
Фурсов И.А., Филатов А.В. 2023. Алгоритмические и программные средства определения остаточного времени жизни технических устройств. Электронное информационное пространство для науки, образования, культуры: сб. мат. X межд. науч.-прак. конф. (Орёл, 14 декабря 2023). Орёл: Федеральное государственное бюджетное образовательное учреждение высшего образования «Орловский государственный институт культуры». 121–126. EDN DYTYEF.
Юрков А.А., Петров А.В. 2021. Мониторинг здоровья жестких дисков. Современные технологии в теории и практике программирования: сб. мат. науч.-прак. конф. (Санкт-Петербург, 22 апреля 2021). Санкт-Петербург: Федеральное государственное автономное образовательное учреждение высшего образования «Санкт-Петербургский политехнический университет Петра Великого». 228–229. EDN ORSHGC.
Arifuzzaman M., Bhuiyan M., Gumus M., Arslan E. 2022. Be SMART, Save I/O: A probabilistic approach to avoid uncorrectable errors in storage systems. Proc. IEEE International Conference on Cluster Computing (CLUSTER). P. 256–266. DOI 10.1109/CLUSTER51413.2022.00038.
Cahyadi, Forshaw M. 2021. Hard disk failure prediction on highly imbalanced data using LSTM network. Proc. IEEE International Conference on Big Data (Big Data, 15–18 December 2021, Orlando, FL, USA). P. 3985–3991. DOI: 10.1109/BigData52589.2021.9671555.
Diallo M.S., Mokeddem S.A., Braud A., Frey G., Lachiche N. 2021. Identifying benchmarks for failure prediction in industry 4.0. Informatics. 8(4). P. 68. DOI: 10.3390/informatics8040068.
Ircio J., Lojo A., Lozano J.A., Mori U., Lozano J.A. 2022. A multivariate time series streaming classifier for predicting hard drive failures [Application notes]. IEEE Computational Intelligence Magazine. 17(1). P. 102–114. DOI 10.1109/MCI.2021.3129962.
Ji S., Zuo X., Huang H. 2022. Disk failure prediction via lightGBM model. Proc. SPIE 12331. International Conference on Mechanisms and Robotics (ICMAR 2022). 123313G (10 November 2022). DOI 10.1117/12.2652965.
Nasyrov I.N., Nasyrov I.I., Nasyrov R.I., Khairullin B.A. 2018. Data mining for information storage reliability assessment by relative values. International Journal of Engineering and Technology (UAE). 7(4.7 Sp. Is. 7). P. 204–208. DOI 10.14419/ijet.v7i4.7.20545.
Nasyrov I.N., Nasyrov I.I., Nasyrov R.I., Khairullin B.A. 2019. Study of failure hazard degree in large data centers. Helix. 9(5). P. 5345–5349. DOI 10.29042/2019-5345-5349.
Pinciroli R., Yang L., Alter J., Smirni E. 2022. Machine learning models for SSD and HDD reliability prediction. Annual Reliability and Maintainability Symposium (RAMS). P. 1–7. DOI 10.1109/RAMS51457.2022.9893942.
Zhang M., Ge W., Tang R., Liu P. 2023. Hard Disk Failure Prediction Based on Blending Ensemble Learning. Applied Sciences (Switzerland). 13(5). P. 3288. DOI 10.3390/app13053288. EDN PRNOSV.
Просмотров аннотации: 2
Поделиться
Опубликован
Как цитировать
Выпуск
Раздел
Copyright (c) 2024 Экономика. Информатика
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
