| 详细摘要 | 第2-7页 |
| 摘要 | 第7-8页 |
| ABSTRACT | 第8-9页 |
| 第1章 绪论 | 第12-17页 |
| 1.1 研究背景 | 第12-13页 |
| 1.2 课题相关领域发展现状 | 第13-15页 |
| 1.2.1 磁盘健康度评估 | 第13-14页 |
| 1.2.2 SMART数据的时序性 | 第14-15页 |
| 1.3 论文的主要工作 | 第15-16页 |
| 1.4 本文的组织与结构 | 第16-17页 |
| 第2章 相关背景知识 | 第17-27页 |
| 2.1 SMART简介 | 第17-19页 |
| 2.1.1 SMART的工作原理 | 第17-18页 |
| 2.1.2 常见的SMART属性 | 第18-19页 |
| 2.2 神经网络 | 第19-24页 |
| 2.2.1 多层神经网络简介 | 第19-20页 |
| 2.2.2 循环神经网络简介 | 第20-21页 |
| 2.2.3 Long Short-Term Memory(LSTM)神经网络 | 第21-23页 |
| 2.2.4 反向传播 | 第23-24页 |
| 2.3 多种深度学习框架的比较 | 第24-25页 |
| 2.4 磁盘故障预测相关研究 | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第3章 基于欧式距离的磁盘健康度评估 | 第27-38页 |
| 3.1 磁盘健康度问题分析 | 第27-28页 |
| 3.2 磁盘健康度评估的原则 | 第28页 |
| 3.3 磁盘健康度评估策略 | 第28-30页 |
| 3.4 实验结果和分析 | 第30-37页 |
| 3.4.1 实验环境 | 第30-31页 |
| 3.4.2 数据集 | 第31-32页 |
| 3.4.3 实验评价指标 | 第32-33页 |
| 3.4.4 故障判定方法 | 第33-34页 |
| 3.4.5 实验结果 | 第34-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第4章 基于LSTM的故障预测模型 | 第38-53页 |
| 4.1 磁盘故障预测过程简介 | 第38页 |
| 4.2 特征选择 | 第38-40页 |
| 4.2.1 信息熵 | 第38-39页 |
| 4.2.2 信息增益比率 | 第39-40页 |
| 4.3 故障预测模型 | 第40-42页 |
| 4.4 模型训练 | 第42-43页 |
| 4.5 实验结果与分析 | 第43-52页 |
| 4.5.1 实验环境 | 第43页 |
| 4.5.2 数据集与特征选择 | 第43-45页 |
| 4.5.3 实验评价指标与判定方法 | 第45页 |
| 4.5.4 结果分析 | 第45-52页 |
| 4.6 本章小结 | 第52-53页 |
| 第5章 磁盘故障预测原型系统的设计与实现 | 第53-61页 |
| 5.1 原型系统概述 | 第53-54页 |
| 5.2 系统部署与要求 | 第54-55页 |
| 5.3 数据采集模块 | 第55-56页 |
| 5.4 模型训练模块 | 第56-57页 |
| 5.5 故障预测模块 | 第57-60页 |
| 5.6 本章小结 | 第60-61页 |
| 第6章 总结与展望 | 第61-63页 |
| 6.1 工作总结 | 第61页 |
| 6.2 未来工作的展望 | 第61-63页 |
| 致谢 | 第63-65页 |
| 参考文献 | 第65-70页 |
| 附录 | 第70页 |