Аннотация. 

Подобраны критерии в виде границ диапазонов ранжирования накопителей информации по надежности на основе их распределения по значениям SMART-параметров, представленных в открытом доступе data-центрами компании Backblaze за длительный период. В результате определены следующие критерии: 0 – для точечного диапазона накопителей с нулевыми значениями показателей надежности; 1 – для еще одного точечного диапазона накопителей, у которых хоть один показатель надежности имеет значение, равное единице; 2-8 – для накопителей, у которых значение хоть одного показателя надежности больше одного, но не превышает восьми, т.е. одну дорожку секторов записи/считывания; >8 – полуоткрытый диапазон накопителей со значениями хотя бы одного показателя надежности, превышающего восемь единиц.

Ключевые слова: 

большие данные, показатель, критерий, накопитель информации, data-центр, надежность, ранжирование.

Стр. 59-68.

DOI: 10.14357/20790279230307

 

 

 

Литература

1. Nasyrov I.N., Nasyrov I.I., Nasyrov R.I., Khairullin B.A. Parameters selection for information storage reliability assessment and prediction by absolute values // Journal of Advanced Research in Dynamical and Control Systems. 2018. Vol. 10, Is. 2 Special Issue. P. 2248-2254. https://kpfu.ru//staff_files/F810852973/Parameters_Selection_for_

Information_Storage_Reliability_Assessment_and_Prediction_by_Abs_Val.pdf.

2. Diallo M.S., Mokeddem S.A., Braud A., Frey G., Lachiche N. Identifying benchmarks for failure prediction in industry 4.0 // Informatics. 2021. 8 (4). P. 68. https://doi.org/10.3390/informatics8040068.

3. Насыров И.Н., Насыров И.И., Насыров Р.И. Большие данные по надежности накопителей информации в data-центрах // Цифровая экономика. 2022. № 2 (18). С. 33-37. https://doi.org/10.34706/DE-2022-02-04.

4. Асташова Н.Д., Бобкова Т.В. «Неэкономические» модели цифровой экономики // Вестник Томского гос. ун-та. 2021. № 470. С. 72-79.

https://doi.org/10.17223/15617793/470/8.

5. Демидова Л.А., Филатов А.В. Разработка модели классификации состояния жестких дисков на основе LSTM-нейронных сетей // Высокопро-изводительные вычислительные системы и технологии. 2021. Т. 5. № 1. С. 37-42. https://www.

elibrary.ru/item.asp?id=46592613.

6. Filatov A., Demidova L. Application of Recurrent Networks to Develop Models for Hard Disk State Classification // Communications in Computer and Information Science. 2022. Vol. 1526. P. 380-390.

https://doi.org/10.1007/978-3-030-94141-3_30.

7. Bezrukov I.A., Salnikov A.I., Yakovlev V.A., Vylegzhanin A.V. An Analysis of the Reliability of a Software Failure-Safe Array in the Organization of Long-Term Storage of Radio Interferometry Data with Ultra-Long Bases // Instruments and Experimental Techniques. 2022. Vol. 65. P. 232- 237. https://doi.org/10.1134/S0020441222020105.

8. Chang Shi, Zhenyu Wu, Xiaomeng Lv, Yang Ji. DGTL-Net: A Deep Generative Transfer Learning Network for Fault Diagnostics on New Hard Disks // Expert Systems with Applications. 2021. Vol. 169. 114379. https://doi.org/10.1016/j.eswa.2020.114379.

9. Pinheiro E., Weber W.D., Barroso L.A. Failure trends in a large disk drive population // Proceedings of the 5th USENIX Conference on File and Storage Technologies (FAST’07). San Jose, California, USA, 13-16 February. 2007. P. 17-28. https://www.

usenix.org/legacy/events/fast07/tech/full_papers/pinheiro/pinheiro.pdf.

10. Насыров Р.И. Критерии и показатели ранжирования накопителей информации по степени надежности // Вестник компьютерных и информационных технологий. 2016. № 10 (148). С. 30-35. https://doi.org/10.14489/vkit.2016.10. Р. 030-035.