論文の概要: The Life and Death of SSDs and HDDs: Similarities, Differences, and Prediction Models

• arxiv url: http://arxiv.org/abs/2012.12373v1
• Date: Tue, 22 Dec 2020 21:50:32 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-26 07:25:22.332283
• Title: The Life and Death of SSDs and HDDs: Similarities, Differences, and Prediction Models
• Title（参考訳）: SSDとHDDの寿命と死:類似性、相違、予測モデル
• Authors: Riccardo Pinciroli, Lishan Yang, Jacob Alter, Evgenia Smirni
• Abstract要約: 本稿では、データセンターの典型的なストレージを構成するハードディスクドライブ(HDD)とソリッドステートドライブ(SSD)の比較研究を行う。 障害につながる作業負荷条件を特徴づけ、その根本原因が一般的な期待と異なることを示す。 我々は、驚くほど正確であることを示すいくつかの機械学習故障予測モデルを開発した。
• 参考スコア（独自算出の注目度）: 1.6795461001108098
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data center downtime typically centers around IT equipment failure. Storage devices are the most frequently failing components in data centers. We present a comparative study of hard disk drives (HDDs) and solid state drives (SSDs) that constitute the typical storage in data centers. Using a six-year field data of 100,000 HDDs of different models from the same manufacturer from the BackBlaze dataset and a six-year field data of 30,000 SSDs of three models from a Google data center, we characterize the workload conditions that lead to failures and illustrate that their root causes differ from common expectation but remain difficult to discern. For the case of HDDs we observe that young and old drives do not present many differences in their failures. Instead, failures may be distinguished by discriminating drives based on the time spent for head positioning. For SSDs, we observe high levels of infant mortality and characterize the differences between infant and non-infant failures. We develop several machine learning failure prediction models that are shown to be surprisingly accurate, achieving high recall and low false positive rates. These models are used beyond simple prediction as they aid us to untangle the complex interaction of workload characteristics that lead to failures and identify failure root causes from monitored symptoms.
• Abstract（参考訳）: データセンターのダウンタイムは通常、IT機器の故障を中心にしている。 ストレージデバイスは、データセンターで最も頻繁に失敗するコンポーネントです。 本稿では、データセンターの典型的なストレージを構成するハードディスクドライブ(HDD)とソリッドステートドライブ(SSD)の比較研究を行う。 BackBlazeデータセットから同じメーカーから10,000の異なるモデルのHDDの6年間のフィールドデータと,Googleデータセンタから3モデルの3つのモデルの3万のSSDの6年間のフィールドデータを使用して,障害の原因となるワークロード条件を特徴付けるとともに,その根本原因が一般的な期待とは異なっているが,識別が困難であることを示す。 hddの場合、若いドライブと古いドライブは失敗に多くの違いを示さないことが観察される。 代わりに、ヘッドポジショニングに費やされた時間に基づいてドライブを識別することで障害を区別することができる。 SSDでは,乳児死亡率の高さを観察し,乳幼児と非乳幼児の障害の違いを特徴付ける。 いくつかの機械学習故障予測モデルを開発し、精度が驚くほど高く、高いリコール率と低い偽陽性率を実現する。 これらのモデルは単純な予測を超えて、障害につながるワークロード特性の複雑な相互作用を解き放ち、監視された症状から障害の根本原因を特定するのに役立ちます。

関連論文リスト

• Uncertainty Estimation for 3D Object Detection via Evidential Learning [63.61283174146648]
  本稿では,3次元検出器における鳥の視線表示における明らかな学習損失を利用して,3次元物体検出の不確かさを定量化するためのフレームワークを提案する。 本研究では,これらの不確実性評価の有効性と重要性を,分布外シーンの特定,局所化の不十分な物体の発見,および(偽陰性)検出の欠如について示す。
  論文  参考訳（メタデータ） (2024-10-31T13:13:32Z)
• Happy: A Debiased Learning Framework for Continual Generalized Category Discovery [54.54153155039062]
  本稿では,C-GCD(Continuous Generalized Category Discovery)の未探索課題について考察する。 C-GCDは、学習済みのクラスを認識する能力を維持しながら、ラベルのないデータから新しいクラスを漸進的に発見することを目的としている。 本稿では,ハードネスを意識したプロトタイプサンプリングとソフトエントロピー正規化を特徴とする,偏りのある学習フレームワークであるHappyを紹介する。
  論文  参考訳（メタデータ） (2024-10-09T04:18:51Z)
• TFBEST: Dual-Aspect Transformer with Learnable Positional Encoding for Failure Prediction [1.223779595809275]
  ハードドライブの故障を予測するための時間融合バイエンコーダセルフアテンショントランス (TFBEST) を提案する。 これはエンコーダ-デコーダベースのディープラーニング技術であり、健康統計の理解から得られるコンテキストを強化する。 HDDデータを用いた実験により,本手法は最先端のRUL予測法よりも優れていた。
  論文  参考訳（メタデータ） (2023-09-06T01:03:14Z)
• Performance Modeling of Data Storage Systems using Generative Models [0.5352699766206809]
  我々は,機械学習に基づく生成モデルを用いて,記憶システムの複数のモデルを開発した。 実験の結果,IOPSは4～10%,遅延予測は3～16%の誤差を示した。
  論文  参考訳（メタデータ） (2023-07-05T07:30:53Z)
• Large-scale End-of-Life Prediction of Hard Disks in Distributed Datacenters [0.0]
  高度に歪んだ健康統計データを用いて大規模予測分析を行う。 本稿では、健康統計系列の理解から得られたコンテキストが、ディスクが失敗する可能性のある数日の出力シーケンスを予測するのに役立つエンコーダ・デコーダLSTMモデルを提案する。
  論文  参考訳（メタデータ） (2023-03-15T21:55:07Z)
• Rethinking Bias Mitigation: Fairer Architectures Make for Fairer Face Recognition [107.58227666024791]
  顔認識システムは、法執行を含む安全クリティカルなアプリケーションに広くデプロイされている。 彼らは、性別や人種など、様々な社会的デデノグラフィー次元に偏見を示す。 バイアス軽減に関するこれまでの研究は、主にトレーニングデータの事前処理に重点を置いていた。
  論文  参考訳（メタデータ） (2022-10-18T15:46:05Z)
• Remaining Useful Life Estimation of Hard Disk Drives using Bidirectional LSTM Networks [0.0]
  本稿では、運用障害に関連する有意義な属性を抽出し、健康統計データを前処理する方法について紹介する。 健康指標の時間経過を学習し,バニラLSTMおよびランダムフォレストモデルに対してベースライン化するために,複数日間の振り返り期間を持つ双方向LSTMを用いている。 本手法では,60日前のテストデータから,ディスク障害の発生を96.4%の精度で予測できる。
  論文  参考訳（メタデータ） (2021-09-11T19:26:07Z)
• Semantics-Guided Contrastive Network for Zero-Shot Object detection [67.61512036994458]
  ゼロショット物体検出(ZSD)はコンピュータビジョンにおける新しい課題である。 ゼロショット検出の領域にコントラスト学習機構をもたらすフレームワークであるContrastZSDを開発した。 本手法は,ZSDタスクと一般化ZSDタスクの両方において,従来の最先端技術よりも優れていた。
  論文  参考訳（メタデータ） (2021-09-04T03:32:15Z)
• Discriminative-Generative Dual Memory Video Anomaly Detection [81.09977516403411]
  近年,ビデオ異常検出(VAD)には,トレーニングプロセス中に通常のデータに代えて,いくつかの異常を使おうと試みている。 本稿では,いくつかの異常を生かしてデータの不均衡を解決するために,識別生成型デュアルメモリ(dream)異常検出モデルを提案する。
  論文  参考訳（メタデータ） (2021-04-29T15:49:01Z)
• Online detection of failures generated by storage simulator [2.3859858429583665]
  現代のストレージインフラストラクチャの動作をシミュレートするためのGoベースの(golang)パッケージを作成します。 パッケージの柔軟な構造により、多数のコンポーネントを持つ現実世界のストレージシステムのモデルを作成することができます。 シミュレータが生成した時系列分布の故障を検出するため,オンラインモードで動作する変更点検出アルゴリズムを改良した。
  論文  参考訳（メタデータ） (2021-01-18T14:56:53Z)
• Stance Detection Benchmark: How Robust Is Your Stance Detection? [65.91772010586605]
  Stance Detection (StD) は、あるトピックやクレームに対する著者の姿勢を検出することを目的としている。 マルチデータセット学習環境において、さまざまなドメインの10のStDデータセットから学習するStDベンチマークを導入する。 このベンチマーク設定では、5つのデータセットに新しい最先端結果を表示することができます。
  論文  参考訳（メタデータ） (2020-01-06T13:37:51Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。