| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第10-17页 |
| 1.1 论文的研究背景与意义 | 第10-11页 |
| 1.1.1 数据存储可靠性问题 | 第10-11页 |
| 1.1.2 基于机器学习的智能运维 | 第11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.3 论文的主要工作 | 第15页 |
| 1.4 论文的组织结构 | 第15-17页 |
| 2 硬盘故障预测的相关研究 | 第17-28页 |
| 2.1 硬盘S.M.A.R.T.技术 | 第17-20页 |
| 2.1.1 S.M.A.R.T.技术简介 | 第17-19页 |
| 2.1.2 S.M.A.R.T.技术应用现状 | 第19-20页 |
| 2.2 硬盘S.M.A.R.T.数据的采集方法 | 第20-22页 |
| 2.2.1 单硬盘S.M.A.R.T.数据的采集 | 第21页 |
| 2.2.2 磁盘阵列S.M.A.R.T.数据的采集 | 第21-22页 |
| 2.3 硬盘故障预测技术 | 第22-27页 |
| 2.3.1 基于机器学习的硬盘故障预测流程 | 第22-24页 |
| 2.3.2 硬盘故障预测的评价指标 | 第24-27页 |
| 2.4 本章小结 | 第27-28页 |
| 3 随机森林算法的基本理论 | 第28-35页 |
| 3.1 决策树算法 | 第28-31页 |
| 3.2 集成学习 | 第31-33页 |
| 3.3 随机森林算法 | 第33-34页 |
| 3.4 本章小结 | 第34-35页 |
| 4 基于改进随机森林的硬盘故障预测模型 | 第35-48页 |
| 4.1 硬盘S.M.A.R.T.数据的预处理 | 第35-38页 |
| 4.1.1 数据特征选择 | 第35-37页 |
| 4.1.2 数据特征归一化 | 第37-38页 |
| 4.2 改进的随机森林算法 | 第38-47页 |
| 4.2.1 改进随机森林中的数据平衡算法 | 第39-42页 |
| 4.2.2 改进随机森林中的模型优化算法 | 第42-44页 |
| 4.2.3 改进随机森林中的增量学习算法 | 第44-47页 |
| 4.3 本章小结 | 第47-48页 |
| 5 实验及分析 | 第48-56页 |
| 5.1 实验环境 | 第48页 |
| 5.2 数据集的描述 | 第48页 |
| 5.3 实验结果及分析 | 第48-55页 |
| 5.3.1 故障预测模型准确性实验 | 第48-52页 |
| 5.3.2 故障预测模型空间复杂度实验 | 第52-54页 |
| 5.3.3 故障预测模型时间复杂度实验 | 第54-55页 |
| 5.4 本章小结 | 第55-56页 |
| 6 总结与展望 | 第56-58页 |
| 6.1 总结 | 第56页 |
| 6.2 展望 | 第56-58页 |
| 参考文献 | 第58-63页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第63-64页 |
| 致谢 | 第64页 |