論文の概要: Remaining Useful Life Estimation of Hard Disk Drives using Bidirectional LSTM Networks

• arxiv url: http://arxiv.org/abs/2109.05351v1
• Date: Sat, 11 Sep 2021 19:26:07 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-14 15:30:49.729313
• Title: Remaining Useful Life Estimation of Hard Disk Drives using Bidirectional LSTM Networks
• Title（参考訳）: 双方向LSTMネットワークを用いたハードディスクドライブの寿命推定
• Authors: Austin Coursey, Gopal Nath, Srikanth Prabhu and Saptarshi Sengupta
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Physical and cloud storage services are well-served by functioning and reliable high-volume storage systems. Recent observations point to hard disk reliability as one of the most pressing reliability issues in data centers containing massive volumes of storage devices such as HDDs. In this regard, early detection of impending failure at the disk level aids in reducing system downtime and reduces operational loss making proactive health monitoring a priority for AIOps in such settings. In this work, we introduce methods of extracting meaningful attributes associated with operational failure and of pre-processing the highly imbalanced health statistics data for subsequent prediction tasks using data-driven approaches. We use a Bidirectional LSTM with a multi-day look back period to learn the temporal progression of health indicators and baseline them against vanilla LSTM and Random Forest models to come up with several key metrics that establish the usefulness of and superiority of our model under some tightly defined operational constraints. For example, using a 15 day look back period, our approach can predict the occurrence of disk failure with an accuracy of 96.4% considering test data 60 days before failure. This helps to alert operations maintenance well in-advance about potential mitigation needs. In addition, our model reports a mean absolute error of 0.12 for predicting failure up to 60 days in advance, placing it among the state-of-the-art in recent literature.
• Abstract（参考訳）: 物理およびクラウドストレージサービスは、機能的で信頼性の高い高ボリュームストレージシステムによって保護されている。 最近の観測では、HDDなどの大量のストレージデバイスを含むデータセンターにおいて、ハードディスクの信頼性が最も重要な信頼性問題の一つであることを示している。 この点において、ディスクレベルの差し迫った障害を早期に検出することは、システムダウンタイムの低減と運用上の損失の低減に役立つ。 本研究では,運用障害に関連する有意な属性を抽出し,データ駆動型アプローチによるその後の予測タスクにおいて,高度に不均衡な健康統計データを前処理する手法を提案する。 複数日間の振り返り期間を持つ双方向LSTMを用いて、健康指標の時間的進行を学習し、バニラLSTMと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ことで、厳密に定義された運用制約の下で、我々のモデルの有用性と優越性を確立する重要な指標を考案する。 例えば、15日間の振り返り期間を用いることで、60日前のテストデータを考慮すると、96.4%の精度でディスク障害の発生を予測できる。 これによりオペレーションのメンテナンスに対して,潜在的な緩和ニーズを十分に警告することが可能になります。 また,本モデルでは,60日以内の故障を予測できる平均絶対誤差0.12を報告している。

関連論文リスト

• Recall-driven Precision Refinement: Unveiling Accurate Fall Detection using LSTM [0.0]
  本稿では,高齢者の転倒事故に対するプレッシャー的懸念に対処するために,正確な転倒検知システムを開発することで,革新的なアプローチを提案する。 提案システムは,加速度センサやジャイロセンサなどの最先端技術とディープラーニングモデル,特にLong Short-Term Memory(LSTM)ネットワークを組み合わせる。 本稿では,LSTMモデルのアーキテクチャとパラメータを戦略的に微調整し,システムの性能を最適化するプルーニング手法を提案する。
  論文  参考訳（メタデータ） (2023-09-09T20:17:39Z)
• 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)
• Enterprise Disk Drive Scrubbing Based on Mondrian Conformal Predictors [1.290382979353427]
  ストレージアレイ全体を一度にスクラップすれば システム性能に悪影響を及ぼす データセンターの信頼性と電力効率を向上する選択的ディスクスクレイビング法を提案する。 総ストレージディスクの22.7%をスクレイプすることで、最適化されたエネルギー消費を実現し、データセンターの炭素フットプリントを削減できる。
  論文  参考訳（メタデータ） (2023-06-01T04:11:22Z)
• 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)
• PULL: Reactive Log Anomaly Detection Based On Iterative PU Learning [58.85063149619348]
  本稿では,推定故障時間ウィンドウに基づくリアクティブ異常検出のための反復ログ解析手法PULLを提案する。 我々の評価では、PULLは3つの異なるデータセットで10のベンチマークベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2023-01-25T16:34:43Z)
• ARLIF-IDS -- Attention augmented Real-Time Isolation Forest Intrusion Detection System [0.0]
  Internet of ThingsとSoftware Defined Networkingは、DDoS攻撃の早期検出に軽量戦略を活用する。 低数の機能に基づいて、迅速かつ効果的なセキュリティ識別モデルを持つことが不可欠である。 本研究は,新規なアテンションベース森林侵入検知システムを提案する。
  論文  参考訳（メタデータ） (2022-04-20T18:40:23Z)
• Scale-Equivalent Distillation for Semi-Supervised Object Detection [57.59525453301374]
  近年のSemi-Supervised Object Detection (SS-OD) 法は主に自己学習に基づいており、教師モデルにより、ラベルなしデータを監視信号としてハードな擬似ラベルを生成する。 実験結果から,これらの手法が直面する課題を分析した。 本稿では,大規模オブジェクトサイズの分散とクラス不均衡に頑健な簡易かつ効果的なエンド・ツー・エンド知識蒸留フレームワークであるSED(Scale-Equivalent Distillation)を提案する。
  論文  参考訳（メタデータ） (2022-03-23T07:33:37Z)
• LogLAB: Attention-Based Labeling of Log Data Anomalies via Weak Supervision [63.08516384181491]
  専門家の手作業を必要とせず,ログメッセージの自動ラベル付けのための新しいモデリング手法であるLogLABを提案する。 本手法は,監視システムが提供する推定故障時間ウィンドウを用いて,正確なラベル付きデータセットを振り返りに生成する。 我々の評価によると、LogLABは3つの異なるデータセットで9つのベンチマークアプローチを一貫して上回り、大規模な障害時ウィンドウでも0.98以上のF1スコアを維持している。
  論文  参考訳（メタデータ） (2021-11-02T15:16:08Z)
• Cloud Failure Prediction with Hierarchical Temporary Memory: An Empirical Assessment [64.73243241568555]
  Hierarchical Temporary Memory (HTM) は、新皮質の特徴にインスパイアされた教師なし学習アルゴリズムである。 本稿では,障害予測の文脈でHTMを評価する最初の体系的研究について述べる。
  論文  参考訳（メタデータ） (2021-10-06T07:09:45Z)
• Predicting Parkinson's Disease with Multimodal Irregularly Collected Longitudinal Smartphone Data [75.23250968928578]
  パーキンソン病は神経疾患であり、高齢者に多い。 伝統的に病気を診断する方法は、一連の活動テストの品質に関する個人的主観的臨床評価に依存している。 そこで本研究では,スマートフォンが収集した生の行動データを用いて,パーキンソン病を予測するための時系列に基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-09-25T01:50:15Z)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)

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。