Universal Reliability Indicators of Information Storage Devices in Data Centers
DOI:
https://doi.org/10.52575/2687-0932-2024-51-3-722-734Keywords:
big volume data, data storage device, data center, reliability, parameter, indicatorAbstract
Big data is the basis of the digital economy. In this regard, the issue of collected data storage reliability is very relevant. However, when assessing the information storage device reliability, there is a problem of meaning ambiguity put by different manufacturers in the state parameters with the same names. Hence, the purpose of the study is to identify such a set of parameters that would be universal as reliability indicators for any drives brand from any manufacturer. Universal indicators selection of information storage device reliability is based on relative values ratios of SMART parameters presented in the public domain by Backblaze data centers over a long period. The analysis revealed the most suitable HDD parameters in this capacity: 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. For SSD, the 194 Temperature parameter is universal, but with a weakly expressed differentiation. This set of parameters makes it possible to perform a comparative reliability assessment both for individual brands and for manufacturers of information storage devices in general.
Downloads
References
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.
Abstract views: 0
Share
Published
How to Cite
Issue
Section
Copyright (c) 2024 Economics. Information Technologies
This work is licensed under a Creative Commons Attribution 4.0 International License.
