基于改進(jìn)XGBoost算法的硬盤故障預(yù)測

陳守賢，陳 梅，李 暉

(貴州大學(xué)計算機(jī)科學(xué)與技術(shù)學(xué)院，貴州貴陽550025)

1 引言

硬盤是現(xiàn)代數(shù)據(jù)中心的重要組成部分，在大型存儲系統(tǒng)中能否提供穩(wěn)定可靠的數(shù)據(jù)訪問能力，直接影響到整個存儲系統(tǒng)的可靠性[1]。根據(jù)微軟公司過去對數(shù)據(jù)中心發(fā)生的硬盤故障統(tǒng)計[2]，硬盤發(fā)生的故障占所有故障的78%，內(nèi)存占比3%，RAID卡占比3%，其它故障占比16%，由此可知硬盤故障是影響存儲系統(tǒng)可靠性的主要因素。目前，提高存儲系統(tǒng)可靠性的機(jī)制分為被動容錯和主動容錯[3]。被動容錯是當(dāng)硬盤發(fā)生故障時，通過對數(shù)據(jù)進(jìn)行備份或糾刪碼的方式來保障數(shù)據(jù)的安全性。被動容錯方式存在的缺點(diǎn)，需要備份大量數(shù)據(jù)，增加數(shù)據(jù)中心的運(yùn)營負(fù)擔(dān)以及數(shù)據(jù)在備份時如果用戶請求會存在一定的響應(yīng)延遲。主動容錯方式則是使用硬盤的SMART技術(shù)[4]來預(yù)測硬盤故障。SMART全稱“Self-Monitoring， Analysis and Reporting Technology”，即“自我檢測、分析和報告技術(shù)”，它可以監(jiān)控單個硬盤的內(nèi)部屬性，并為每個指標(biāo)設(shè)定閾值，在任何屬性超過閾值時發(fā)出警報。目前，幾乎所有硬盤制造商都支持SMART技術(shù)。然而，據(jù)估計，在0.1%誤報率(FAR)[5]下，閾值算法只能達(dá)到3%～10%故障檢出率(FDR)。研究表明，基于簡單的SMART屬性值不能夠準(zhǔn)確的預(yù)測硬盤故障。使用機(jī)器學(xué)習(xí)方法基于大量硬盤數(shù)據(jù)，通過對硬盤SMART屬性數(shù)據(jù)進(jìn)行分析，挖掘硬盤內(nèi)部數(shù)據(jù)蘊(yùn)含的規(guī)律，實現(xiàn)硬盤故障預(yù)測，達(dá)到及時處理硬盤故障，提高了存儲系統(tǒng)的可靠性。在構(gòu)造硬盤故障預(yù)測模型過程中，存在硬盤正負(fù)樣本比例不平衡。如何在正負(fù)樣本不平衡情況下識別出更多的故障硬盤，這是需要重點(diǎn)關(guān)注和解決的問題。

為了對硬盤故障預(yù)測，研究人員提出了許多基于SMART屬性的統(tǒng)計方法和機(jī)器學(xué)習(xí)方法。Zhu等[6]基于原始的SMART屬性及其變化率采用神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)模型預(yù)測硬盤故障。Wang等[7]提出了一種基于馬氏距離和廣義似然比檢驗的硬盤故障預(yù)測兩步參數(shù)化方法，得到了FAR為0，F(xiàn)DR為67%。Chaves等[8]利用貝葉斯網(wǎng)絡(luò)方法預(yù)測了超過40000 SATA硬盤的SMART數(shù)據(jù)的故障，結(jié)果表明均值和方差分別比基準(zhǔn)模型增加了28.3%和17.6%。Xu等[9]使用基于回歸樹預(yù)測磁盤故障算法，在BackBlaze數(shù)據(jù)集上實現(xiàn)了30%～40%的FDR，而FAR保持在0.1%。李新鵬等[10]針對不平衡樣本數(shù)據(jù)采取數(shù)據(jù)級方法基于自適應(yīng)加權(quán)Bagging-GBDT算法對磁盤故障進(jìn)行預(yù)測，對少數(shù)類樣本的召回率提高了9.46%。Zhang等[11]提出了一種基于分層擾動的硬盤健康度預(yù)測對抗訓(xùn)練方法，降低了硬盤誤報率，提高了故障檢測率的精度。Shen等[12]采用基于k-means聚類的欠采樣方法來解決硬盤數(shù)據(jù)不平衡問題，使用循環(huán)神經(jīng)網(wǎng)絡(luò)對硬盤進(jìn)行故障預(yù)測，減少了計算開銷，提高了預(yù)測模型的FDR。

總之，為了提高模型預(yù)測精度，針對硬盤正負(fù)樣本數(shù)目不平衡的分類問題，本文提出了一種基于改進(jìn)的XGBoost算法用于硬盤故障預(yù)測。通過對算法損失函數(shù)的改進(jìn)，使得改進(jìn)的函數(shù)能夠適應(yīng)類別不平衡問題，以及通過減少易分類樣本的權(quán)重，使模型在訓(xùn)練時更專注于難分類的樣本，最后使用信息增益比率進(jìn)行特征選擇，提高對硬盤故障預(yù)測的精度。為驗證模型的有效性，本文使用公開的硬盤數(shù)據(jù)集進(jìn)行實驗分析。

2 相關(guān)原理及技術(shù)

2.1 XGBoost算法

XGBoost是基于GBDT算法的改進(jìn)[13]，與GBDT相比，XGBoost在目標(biāo)函數(shù)中增加一個正則項來提升算法的泛化效果，同時使用二階泰勒展開式逼近損失函數(shù)來優(yōu)化目標(biāo)。XGBoost算法的預(yù)測精度受模型的偏差和方差影響，損失函數(shù)代表了模型的偏差，為了使模型的方差較小，在目標(biāo)函數(shù)中加入正則化項，從而防止模型過擬合。所以XGBoost算法的目標(biāo)函數(shù)由損失函數(shù)l和控制模型復(fù)雜度的正則化項Ω組成，即

(1)

為了優(yōu)化目標(biāo)函數(shù)，對式(1)二階泰勒展開得

(2)

其中，gi，hi分別為損失函數(shù)的一階導(dǎo)數(shù)和二階導(dǎo)數(shù)。

定義模型的復(fù)雜度Ω，則展開式為

(3)

其中，T為節(jié)點(diǎn)數(shù)，ωj為葉子節(jié)點(diǎn)j的權(quán)重，γ和λ為正則化系數(shù)。

2.2 特性選擇

在設(shè)計分類模型時，一個最重要的環(huán)節(jié)就是特征選擇，面對許多特征，如何選取有利于模型分類的特征。本文使用基于信息增益比率的方法對硬盤特征進(jìn)行選擇。

2.2.1 信息熵

在介紹信息增益比率之前，首先引入信息熵(Information Entropy)的概念[14]。信息熵是為了度量信息的不確定性程度，熵的值越小，代表信息所含信息量越大。為了選取有利于硬盤故障預(yù)測相關(guān)的特征，使用信息熵來判斷所選特征的信息量。設(shè)X表示硬盤數(shù)據(jù)基于某個目標(biāo)的劃分，則X的信息熵公式為

(4)

其中，pi表示數(shù)據(jù)集中第i個類別標(biāo)簽的頻率，設(shè)硬盤數(shù)據(jù)X按特征A進(jìn)行劃分，若特征A有n個分支，則特征A的信息熵公式為：

(5)

2.2.2 信息增益比率

為了更好的表示信息量，引入信息增益(Information Gain)的概念。對于特征A，其信息增益的計算公式為

gain(A)=H(X)-HA(X)

(6)

如果每條樣本的特征A都不相同時，gain(A)的值就會很高。因此，使用信息增益比率(Information Gain Ratio)來防止這種情況的發(fā)生。對于特征A，分裂信息的公式為

(7)

信息增益比率由信息增益與分裂信息的比值表示，即

(8)

如果特征A的取值有很多，則SplitInfo(X)的值就會變得很大，導(dǎo)致最終的增益比率下降。但是SplitInfo(X)也有可能為0的情況，所以，在分母上添加一個分裂信息的平均值，即

(9)

3 XGBoost算法損失函數(shù)的改進(jìn)

XGBoost是一個高效、靈活的算法，針對不同的問題可以使用不同的損失函數(shù)，并且它提供了自定義損失函數(shù)的接口，只需要在目標(biāo)函數(shù)優(yōu)化過程中，自定義損失函數(shù)滿足二階可導(dǎo)即可。XGBoost算法對于二分類問題通常使用交叉熵?fù)p失函數(shù)。其形式如下

(10)

為了解決硬盤類別不平衡問題，對交叉熵?fù)p失函數(shù)進(jìn)行改進(jìn)。具體做法是給正負(fù)樣本加上權(quán)重，由于負(fù)樣本出現(xiàn)的頻次高，就降低負(fù)樣本的權(quán)重，正樣本數(shù)量少，就相對提高正樣本的權(quán)重。公式如下

(11)

其中，α表示“不平衡參數(shù)”，通過設(shè)定α值來控制硬盤正負(fù)樣本對總的損失的共享權(quán)重，用于平衡訓(xùn)練正負(fù)樣本集。

(12)

其中，β用于區(qū)分訓(xùn)練樣本難易程度，其范圍β∈[0，+∞)，β取值越大則越重視難度。即專注于比較困難的樣本，使用該損失函數(shù)度量難分類和易分類樣本對總的損失的貢獻(xiàn)。當(dāng)α=1，β=0時，該函數(shù)為交叉熵?fù)p失函數(shù)。

通過設(shè)置系數(shù)以適應(yīng)不平衡數(shù)據(jù)集，改良損失函數(shù)使得其更加關(guān)注分類錯誤的樣本。

4 基于改進(jìn)XGBoost算法的硬盤故障預(yù)測

使用硬盤SMART數(shù)據(jù)基于改進(jìn)的XGBoost算法對硬盤進(jìn)行故障預(yù)測，其流程見圖1。

硬盤故障預(yù)測步驟總結(jié)如下：

1) 采集硬盤SMART數(shù)據(jù)和類別標(biāo)簽構(gòu)成原始數(shù)據(jù)集；

2) 對原始數(shù)據(jù)集預(yù)處理并使用信息增益比率方法進(jìn)行特征選擇；

3) 為了避免特征值之間的差異對模型性能的影響，對數(shù)據(jù)進(jìn)行歸一化處理；

4) 將預(yù)處理后的數(shù)據(jù)樣本分為訓(xùn)練集和測試集；

5) 使用訓(xùn)練集構(gòu)建改進(jìn)的XGBoost模型，通過網(wǎng)格交叉驗證方式優(yōu)化參數(shù)α，β，使得最優(yōu)參數(shù)值既能適應(yīng)不平衡樣本，同時使模型更專注于難分類的樣本；

6) 使用測試集對優(yōu)化模型進(jìn)行預(yù)測，結(jié)合硬盤原始類別與預(yù)測結(jié)果得到模型分類準(zhǔn)確率。

圖1 XGBoost硬盤故障預(yù)測流程圖

5 實驗分析

5.1 數(shù)據(jù)集來源

本文使用兩個數(shù)據(jù)集均來自企業(yè)級真實環(huán)境下的公開數(shù)據(jù)集[15]，數(shù)據(jù)集Dataset1是從某企業(yè)數(shù)據(jù)中心采集的SMART數(shù)據(jù)，共有23395塊硬盤數(shù)據(jù)，其中包含正常硬盤22962塊以及故障硬盤433塊。Dataset1中硬盤數(shù)據(jù)的采集頻率為一小時一次，該數(shù)據(jù)集保存硬盤故障前20天的SMART數(shù)據(jù)樣本，正常硬盤將保存連續(xù)7天的SMART數(shù)據(jù)樣本。數(shù)據(jù)集Dataset2來自Blackbalze公司官網(wǎng)公布的ST4000DM000型號的希捷硬盤SMART數(shù)據(jù)。該數(shù)據(jù)集共有35320塊硬盤，其中包含正常硬盤34256塊以及故障硬盤1064塊。Dataset2中硬盤的采集頻率為一天一次，該數(shù)據(jù)集保存正常硬盤和故障硬盤前10天的SMART數(shù)據(jù)。

5.2 數(shù)據(jù)預(yù)處理和特征選擇

Dataset2的SMART數(shù)據(jù)共采集23條特征屬性，其中包含一些SMART數(shù)據(jù)沒有變化的屬性和缺失值較為嚴(yán)重的屬性。本文在數(shù)據(jù)預(yù)處理時將缺失值較嚴(yán)重的屬性和沒有變化的屬性從數(shù)據(jù)集中刪除。對于缺失值不是很嚴(yán)重的SMART屬性使用硬盤的前一時間點(diǎn)的值進(jìn)行填充。由于各SMART特征之間的值對硬盤的故障預(yù)測可能存在冗余，從而影響模型的預(yù)測性能，因此對各SMART特征進(jìn)行相關(guān)性分析，將各特征值之間具有強(qiáng)相關(guān)性的冗余特征進(jìn)行刪除。為了方便與Dataset1數(shù)據(jù)集進(jìn)行比較，使用基于信息增益比率的特征選擇方法篩選出排名靠前的12個特征作為本文硬盤故障預(yù)測的輸入特征。表1展示了這12個特征及信息增益比率。

表1 Datasets2特征選擇

以上特征中，有的特征取值范圍較大，有的特征取值范圍較小，為了避免特征之間的差異對模型性能的影響，對特征值進(jìn)行歸一化處理，即

(13)

其中，x表示采集的原始特征值，xmax表示采集該特征的最大值，xmin表示采集該特征的最小值，xnormal表示歸一化后的特征值。通過特征歸一化之后，12個特征值的范圍被映射到[-1，1]之間。

5.3 價指標(biāo)

為了評估硬盤故障預(yù)測的性能，使用準(zhǔn)確率(Accuarcy)、故障檢測率(FDR)、故障誤報率(FAR)、F1-Score、ROC曲線、AUC值等評價指標(biāo)。該評價指標(biāo)由混淆矩陣計算得出，見表2。

表2 混淆矩陣

1) 準(zhǔn)確率(Accuarcy)：

5) ROC曲線：使用ROC曲線評估故障預(yù)測模型的性能。該曲線的評判標(biāo)準(zhǔn)是曲線越靠近對角線的左上角，模型分類效果越好。AUC值則表示ROC曲線下的面積。

5.4 結(jié)果分析

使用數(shù)據(jù)集Dataset1和Dataset2驗證本文改進(jìn)的XGBoost模型預(yù)測硬盤故障精度。將改進(jìn)XGBoost模型與XGBoost模型、隨機(jī)森林、支持向量機(jī)、樸素貝葉斯針對準(zhǔn)確率、故障檢測率、故障誤報率、F1-Score、ROC曲線、AUC值指標(biāo)進(jìn)行比較。

Dataset1對不同模型的硬盤故障預(yù)測的Accuarcy、FDR、FAR、F1-Score的結(jié)果見表3。ROC曲線和AUC值見圖2。

表3 Dataset1不同模型硬盤預(yù)測性能比較

圖2 Dataset1不同檢測模型的ROC曲線及AUC值對比

數(shù)據(jù)集Dataset2對不同模型的硬盤故障預(yù)測的Accuarcy、FDR、FAR、F1-Score的結(jié)果見表4。ROC曲線和AUC值見圖3。

表4 Dataset2不同模型硬盤預(yù)測性能比較

圖3 Dataset2不同檢測模型的ROC曲線及AUC值對比

由表3和表4知，以隨機(jī)森林和XGBoost算法為代表的集成學(xué)習(xí)算法比單個模型的預(yù)測精度高，XGBoost模型在硬盤故障預(yù)測中比隨機(jī)森林預(yù)測精度高，通過對XGBoost模型損失函數(shù)的改進(jìn)能夠進(jìn)一步的提高模型的預(yù)測精度，使用兩個公開硬盤數(shù)據(jù)集驗證了改進(jìn)的XGBoost模型預(yù)測精度以及魯棒性。圖2、圖3直觀的展示了兩個數(shù)據(jù)集在硬盤故障預(yù)測算法的有效性。

6 結(jié)束語

針對硬盤故障預(yù)測中樣本類別不平衡以及傳統(tǒng)算法對于不平衡樣本易出現(xiàn)故障預(yù)測準(zhǔn)確率較低的問題，本文提出了一種改進(jìn)的XGBoost算法。使得改進(jìn)之后的算法既解決了正負(fù)樣本不平衡問題，同時使模型更專注于少數(shù)類別訓(xùn)練比較困難的樣本，并使用信息增益比率方法對硬盤的SMART數(shù)據(jù)進(jìn)行特征選擇，提高模型的預(yù)測性能。通過兩個公開的真實數(shù)據(jù)集進(jìn)行實驗，驗證了改進(jìn)的XGBoost模型不僅能夠提升硬盤故障預(yù)測的精度，同時具有一定的泛化能力。