故障预测方法、装置、设备及存储介质与流程

1.本技术涉及计算机技术领域，尤其涉及一种故障预测方法、装置、设备及存储介质。


背景技术：

2.目前，在所有的服务器部件故障中，硬盘故障占比在70％以上，如果能实现硬盘故障预测，将大大降低数据运维的压力，可以从容开展数据迁移，从而降低运营成本。
3.相关技术中，通常采用的硬盘故障预测方法主要是对周期性采集的硬盘的自我监测、分析和报告技术(smart，self-monitoring analysis and reporting technology)数据进行清洗后，直接应用聚类、随机森林或逻辑回归等方法进行故障分析，但由于未考虑smart数据自身特征，因此存在预测准确性低及通用性不强的问题。


技术实现要素：

4.为解决相关技术中存在的技术问题，本技术实施例提供一种故障预测方法、装置、设备及存储介质。
5.本技术实施例的技术方案是这样实现的：
6.本技术实施例提供了一种故障预测方法，所述方法包括：
7.确定待检测的硬盘的至少一个smart属性值中发生突变的smart属性值对应的突变点位置；
8.确定发生突变的所述smart属性值对应的突变点位置的中值；
9.基于发生突变的所述smart属性值对应的突变点位置的中值，构建至少一种类型的特征值；所述至少一种类型的特征值用于表征发生突变的smart属性值的突变程度；
10.基于构建的所述至少一种类型的特征值，结合第一模型，确定所述待检测的硬盘的故障预测结果；所述第一模型是将至少一种类型的特征值中包括的各特征值作为训练样本数据，对所述训练样本数据进行训练得到的。
11.上述方案中，所述确定待检测的硬盘的至少一个smart属性值中发生突变的smart属性值对应的突变点位置，包括：
12.基于历史样本数据确定历史出现故障的硬盘，以及历史出现故障的硬盘的各smart属性值；
13.基于所述历史出现故障的硬盘的各smart属性值，对待检测的硬盘的至少一个smart属性值中发生突变的smart属性值对应的突变点进行检测，以确定发生突变的所述smart属性值对应的突变点；
14.基于历史出现故障的硬盘的smart属性值时间序列的长度、历史出现故障的硬盘的数量，以及历史出现故障的硬盘的smart属性值的数量，确定发生突变的所述smart属性值对应的突变点位置。
15.上述方案中，所述基于发生突变的所述smart属性值对应的突变点位置的中值，构
建至少一种类型的特征值时，所述方法包括：
16.基于发生突变的所述smart属性值对应的突变点位置的中值的最小公倍数，确定瑞克(ricker)子波的主频率；
17.基于所述ricker子波的主频率，确定对应的ricker子波；
18.基于发生突变的各smart属性值时间序列与所述ricker子波的卷积结果，确定发生突变的各smart属性值时间序列的ricker子波峰值数量。
19.上述方案中，所述基于发生突变的所述smart属性值对应的突变点位置的中值，构建至少一种类型的特征值时，所述方法包括：
20.基于发生突变的所述smart属性值对应的突变点位置的中值的最小公倍数，对发生突变的smart属性值时间序列进行分组，得到至少两个数据分组；每个数据分组的长度小于等于所述最小公倍数；
21.针对各数据分组，确定相应数据分组中各数据的平方；对确定的所述各数据的平方进行求和，得到相应数据分组的平方和；
22.基于相应数据分组的平方和与所有数据分组的平方和，确定相应数据分组的平方和占比。
23.上述方案中，所述基于发生突变的所述smart属性值对应的突变点位置的中值，构建至少一种类型的特征值时，所述方法包括：
24.基于发生突变的所述smart属性值对应的突变点位置的中值的最小公倍数，与发生突变的smart属性值时间序列的长度的比值，对第一区间进行等比例分组，得到至少两个子区间；
25.按照各子区间从发生突变的smart属性值时间序列中截取数据，得到对应各子区间的发生突变的smart属性值时间子序列；
26.对所述发生突变的smart属性值时间子序列中的数据进行均值处理，得到对应的数据分组的均值；
27.对所述数据分组的均值进行方差处理，得到对应的数据分组的方差。
28.上述方案中，所述基于发生突变的所述smart属性值对应的突变点位置的中值，构建至少一种类型的特征值时，所述方法包括：
29.确定发生突变的smart属性值时间序列的长度，与发生突变的所述smart属性值对应的突变点位置的中值的最小公倍数的整除结果；
30.基于所述整除结果，对第二区间进行等比例划分，得到至少两个等分结果；
31.基于所述至少两个等分结果及发生突变的smart属性值时间序列，确定数据方差波动标志。
32.上述方案中，所述基于发生突变的所述smart属性值对应的突变点位置的中值，构建至少一种类型的特征值时，所述方法包括：
33.确定发生突变的smart属性值时间序列的长度，与发生突变的所述smart属性值对应的突变点位置的中值的最小公倍数的整除结果；
34.基于所述整除结果，对第三区间进行等比例划分，得到至少两个等分结果；
35.基于所述至少两个等分结果及发生突变的smart属性值时间序列，确定数据对称性标志。
36.上述方案中，所述基于发生突变的所述smart属性值对应的突变点位置的中值，构建至少一种类型的特征值时，所述方法包括：
37.基于最小二乘估计策略，对发生突变的smart属性值时间序列进行线性回归处理，得到对应的线性回归结果；
38.基于所述线性回归结果，确定数据整体线性趋势特征。
39.上述方案中，所述方法还包括：
40.确定发生突变的smart属性值时间序列的长度；
41.对确定的所述发生突变的smart属性值时间序列的长度进行优化处理，得到发生突变的smart属性值时间序列的长度最优值。
42.上述方案中，所述对确定的所述发生突变的smart属性值时间序列的长度进行优化处理，得到发生突变的smart属性值时间序列的长度最优值，包括：
43.对确定的所述发生突变的smart属性值时间序列的长度进行插值处理，确定所述待检测的硬盘的故障预测结果的分数值；
44.将所述待检测的硬盘的故障预测结果的分数值的最大值所对应的smart属性值时间序列长度，确定为所述发生突变的smart属性值时间序列的长度最优值。
45.上述方案中，所述方法还包括：将所述至少一种类型的特征值进行归一化处理，得到归一化后的至少一种类型的特征值；
46.所述基于构建的所述至少一种类型的特征值，结合第一模型，确定所述待检测的硬盘的故障预测结果，包括：
47.将所述归一化后的至少一种类型的特征值作为输入数据，输入至所述第一模型，得到所述第一模型输出的所述待检测的硬盘的故障预测结果；其中，所述第一模型为用于分类的模型。
48.本技术实施例还提供了一种故障预测装置，所述装置包括：
49.第一确定单元，用于确定待检测的硬盘的至少一个smart属性值中发生突变的smart属性值对应的突变点位置；
50.第二确定单元，用于确定发生突变的所述smart属性值对应的突变点位置的中值；
51.构建单元，用于基于发生突变的所述smart属性值对应的突变点位置的中值，构建至少一种类型的特征值；所述至少一种类型的特征值用于表征发生突变的smart属性值的突变程度；
52.第三确定单元，用于基于构建的所述至少一种类型的特征值，结合第一模型，确定所述待检测的硬盘的故障预测结果；所述第一模型是将至少一种类型的特征值中包括的各特征值作为训练样本数据，对所述训练样本数据进行训练得到的。
53.本技术实施例还提供了一种故障预测设备，所述设备包括：
54.处理器，用于确定待检测的硬盘的至少一个smart属性值中发生突变的smart属性值对应的突变点位置；
55.确定发生突变的所述smart属性值对应的突变点位置的中值；
56.基于发生突变的所述smart属性值对应的突变点位置的中值，构建至少一种类型的特征值；所述至少一种类型的特征值用于表征发生突变的smart属性值的突变程度；
57.基于构建的所述至少一种类型的特征值，结合第一模型，确定所述待检测的硬盘
的故障预测结果；所述第一模型是将至少一种类型的特征值中包括的各特征值作为训练样本数据，对所述训练样本数据进行训练得到的。
58.本技术实施例还提供了另一种故障预测设备，所述设备包括：处理器和用于存储能够在所述处理器上运行的计算机程序的存储器；
59.其中，所述处理器用于运行所述计算机程序时，执行本技术实施例提供的故障预测方法的步骤。
60.本技术实施例还提供了一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本技术实施例提供的故障预测方法的步骤。
61.本技术实施例提供的故障预测方法、装置、设备及存储介质，确定待检测的硬盘的至少一个smart属性值中发生突变的smart属性值对应的突变点位置；确定发生突变的所述smart属性值对应的突变点位置的中值；基于发生突变的所述smart属性值对应的突变点位置的中值，构建至少一种类型的特征值；所述至少一种类型的特征值用于表征发生突变的smart属性值的突变程度；基于构建的所述至少一种类型的特征值，结合第一模型，确定所述待检测的硬盘的故障预测结果；所述第一模型是将至少一种类型的特征值中包括的各特征值作为训练样本数据，对所述训练样本数据进行训练得到的。采用本技术实施例的方案，通过充分考虑smart属性值的突变点的特性，重新构建至少一种类型的特征值，进而基于构建的至少一种类型的特征值，结合第一模型，对待检测的硬盘的故障进行预测，得到待检测的硬盘的故障预测结果，如此，更能准确反映故障盘的特征，从而能够有效提高硬盘故障预测的准确性及通用性。
附图说明
62.图1为本技术实施例提供的一种故障预测方法的流程示意图；
63.图2为本技术实施例提供的另一种故障预测方法的流程示意图；
64.图3为本技术实施例提供的一种故障预测装置的组成结构示意图；
65.图4为本技术实施例提供的故障预测设备的硬件组成结构示意图。
具体实施方式
66.为了使本技术实施例的目的、技术方案和优点更加清楚，下面将结合附图对本技术作进一步地详细描述，所描述的实施例不应视为对本技术的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本技术保护的范围。
67.在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且本技术实施例所记载的技术方案之间，可以在不冲突的情况下相互结合。
68.下面结合附图及实施例对本技术方案再作进一步详细的描述。
69.本技术实施例提供了一种故障预测方法，该方法应用于服务器，图1为本技术实施例提供的一种故障预测方法的流程示意图，如图1所示，该故障预测方法包括：
70.步骤101，确定待检测的硬盘的至少一个smart属性值中发生突变的smart属性值对应的突变点位置。
71.步骤102，确定发生突变的所述smart属性值对应的突变点位置的中值。
72.实际应用中，硬盘的smart规定了硬盘制造厂商应遵循的标准，是目前硬盘中普遍采用的数据安全技术，在硬盘处于工作状态的情况下，服务器的监测系统对硬盘的电机、电路、磁盘、磁头的状态进行分析，有利于对硬盘故障进行预测，并实现相对安全的数据保护。
73.实际应用中，对于不同品牌和型号的硬盘而言，硬盘的smart属性值的数量和含义会有所差异，并不是完全一致的，但通常情况下如下表1所示的smart属性值，在各品牌和型号的硬盘中是必须包括的。
[0074][0075]
表1
[0076]
这里，待检测的硬盘的smart属性值包括smart属性值的原始值和smart属性值的归一化值，但是在实际应用中，由于不同硬盘设备商对不同smart属性值的归一化方法并不统一，因此，为了简化本技术实施例的故障预测方法的实现过程，本技术实施例中采用smart属性值的原始值进行分析。
[0077]
需要说明的是，本技术实施例对待检测的硬盘的品牌和型号并不限定，也就是说，本技术实施例可以适用于多种品牌和型号的硬盘故障预测。
[0078]
实际应用中，服务器可以先基于历史出现故障的硬盘的各smart属性值，通过突变点检测方法，对待检测的硬盘的至少一个smart属性值中发生突变的smart属性值对应的突变点进行检测，然后再确定发生突变的smart属性值对应的突变点的位置。
[0079]
基于此，在一些实施例中，所述确定待检测的硬盘的至少一个smart属性值中发生突变的smart属性值对应的突变点位置，可通过如下方式实现：
[0080]
基于历史样本数据确定历史出现故障的硬盘，以及历史出现故障的硬盘的各smart属性值；
[0081]
基于所述历史出现故障的硬盘的各smart属性值，对待检测的硬盘的至少一个
smart属性值中发生突变的smart属性值对应的突变点进行检测，以确定发生突变的所述smart属性值对应的突变点；
[0082]
基于历史出现故障的硬盘的smart属性值时间序列的长度、历史出现故障的硬盘的数量，以及历史出现故障的硬盘的smart属性值的数量，确定发生突变的所述smart属性值对应的突变点位置。
[0083]
实际应用中，通过对历史出现故障的硬盘的smart属性值进行分析，发现硬盘在出现故障之前的某段时间内，部分smart属性值存在突然上升或下降的情况，表示该硬盘的性能有明显改变，是硬盘出现故障的前兆。另外，对于状态良好的硬盘而言，对其同样进行smart属性值突变情况的分析，发现也会有部分smart属性值存在突变的情况，但与故障硬盘的突变程度不同。基于此，本技术实施例对smart属性值的突变点进行分析，提取至少一种类型的特征值，然后再对硬盘的故障进行分类预测。
[0084]
这里，将历史出现故障的硬盘的各smart属性值与待检测的硬盘的至少一个smart属性值进行匹配，将匹配程度高的smart属性值的突变点确定为发生突变的smart属性值对应的突变点。
[0085]
实际应用中，将硬盘的smart属性值分为训练集数据和测试集数据，对于训练集数据，通过对smart属性值时间序列中按照位置顺序逐个增加时间序列的元素作为子序列，然后对每个子序列进行排序后确定所有子序列的加权求和结果，最后基于所有子序列的加权求和结果确定发生突变的smart属性值对应的突变点位置。具体代码实现过程如下所示：
[0086][0087]
这里，可以先确定发生突变的smart属性值对应的突变点的有效值(pvalue)，例如，可通过如下公式确定pvalue：pvalue＝exp(-6*y^2/(l^3 l^2))；然后将确定的有效值pvalue与设定阈值进行比较，进而根据比较结果判定确定出的突变点是否有效。例如假设设定阈值为0.05，如果pvalue小于0.05，则判定确定出的突变点为有效突变点；如果pvalue大于0.05，则判定确定出的突变点为无效突变点。
[0088]
需要说明的是，针对每个历史出现故障的硬盘的各smart属性值重复上述过程，则可以得到训练集中所有历史出现故障的硬盘的所有smart属性值出现突变点的位置。接下
来，将所有发生突变的所述smart属性值对应的突变点位置组成的数组取中值，即yj＝median(y
ij
)，如果当前的smart属性值没有出现突变点，则删除该未出现突变点的smart属性值，不进入后续的构建特征值的处理过程。
[0089]
步骤103，基于发生突变的所述smart属性值对应的突变点位置的中值，构建至少一种类型的特征值。
[0090]
在本技术实施例中，发生突变的smart属性值对应的突变点位置的中值可作为重要参数用于构建至少一种类型的特征值，该至少一种类型的特征值可以包括但不限于：ricker子波峰值数量、数据分组的平方和占比、数据分组的均值和方差、数据方差波动标志、数据对称性标志、数据整体线性趋势特征等。这里，所述至少一种类型的特征值用于表征发生突变的smart属性值的突变程度。
[0091]
实际应用中，由于故障硬盘和状态良好的硬盘的smart属性值都有可能存在突变的情况，为实现待检测的硬盘的故障预测，本技术实施例采用重新构建特征值的方法，进一步区分发生突变的smart属性值的突变程度。
[0092]
这里，可以根据突变点突变的程度和持续时间，来确定是故障硬盘的smart属性值发生的突变，还是状态良好的硬盘的smart属性值发生的突变。
[0093]
需要说明的是，为了保证smart属性值突变分析的有效性，在实际应用中，用于构造特征值的smart属性值时间序列的长度需满足以下条件：用于构造特征值的smart属性值时间序列的长度，必须大于发生突变的smart属性值对应的突变点位置的中值。
[0094]
在一些实施例中，基于发生突变的所述smart属性值对应的突变点位置的中值，构建至少一种类型的特征值时，所述方法包括：
[0095]
基于发生突变的所述smart属性值对应的突变点位置的中值的最小公倍数，确定ricker子波的主频率；
[0096]
基于所述ricker子波的主频率，确定对应的ricker子波；
[0097]
基于发生突变的各smart属性值时间序列与所述ricker子波的卷积结果，确定发生突变的各smart属性值时间序列的ricker子波峰值数量。
[0098]
这里，借鉴地震波分析中常用的ricker子波，构建发生突变的各smart属性值时间序列的ricker子波峰值数量作为一种类型的特征值，这样可以更好地分析smart属性值突变之后的影响程度。
[0099]
具体来说，将发生突变的smart属性值对应的突变点位置的中值取最小公倍数，假设最小公倍数为y，ricker子波的主频率为f0，则基于最小公倍数确定ricker子波的主频率，可通过如下公式得到：f0＝1/(n*y)，其中，n为正整数，n*y《＝l，l表示发生突变的smart属性值时间序列的总长度；接下来，基于ricker子波的主频率，确定对应的ricker子波，ricker子波的表达式为：r(t)＝[1-2(πf0t)2]exp(-(πf0t)2)，其中，r(t)表示ricker子波的波形，t表示时间；接下来，将发生突变的各smart属性值时间序列与所述ricker子波进行卷积运算，得到相应的卷积结果，然后针对卷积结果分析ricker子波峰值数量。在确定ricker子波峰值数量的过程中，如果经过检验确定为ricker子波的峰值(最大值)，则ricker子波峰值的数量加1，这样可对发生突变的各smart属性值时间序列都可以得到对应的ricker子波峰值数量，作为发生突变的各smart属性值时间序列的特征值，正整数n每取一个值，得到的ricker子波峰值数量就作为一个特征值，共有n个特征值。
[0100]
在一些实施例中，所述基于发生突变的所述smart属性值对应的突变点位置的中值，构建至少一种类型的特征值时，所述方法包括：
[0101]
基于发生突变的所述smart属性值对应的突变点位置的中值的最小公倍数，对发生突变的smart属性值时间序列进行分组，得到至少两个数据分组；每个数据分组的长度小于等于所述最小公倍数；
[0102]
针对各数据分组，确定相应数据分组中各数据的平方；对确定的所述各数据的平方进行求和，得到相应数据分组的平方和；
[0103]
基于相应数据分组的平方和与所有数据分组的平方和，确定相应数据分组的平方和占比。
[0104]
具体来说，将发生突变的smart属性值对应的突变点位置的中值取最小公倍数，假设最小公倍数为y，对发生突变的smart属性值时间序列进行分组，得到至少两个数据分组，每个数据分组的长度小于等于y，即数据分组的数量为发生突变的smart属性值时间序列的总长度整除y，余数不为0时，余数对应的数据构成一个数据分组。假设分成了n个数据分组，针对各数据分组，分别计算相应数据分组中各数据的平方，对各数据的平方进行求和，得到相应数据分组的平方和，然后再计算每个数据分组的平方和与所有数据分组的平方和的比值。例如，将发生突变的smart属性值时间序列分成了n个数据分组，则构成n个特征值，即第1个数据分组的平方和与所有数据分组的平方和的比值为第1个特征值，以此类推，第n个数据分组的平方和与所有数据分组的平方和的比值为第n个特征值。
[0105]
在一些实施例中，所述基于发生突变的所述smart属性值对应的突变点位置的中值，构建至少一种类型的特征值时，所述方法包括：
[0106]
基于发生突变的所述smart属性值对应的突变点位置的中值的最小公倍数，与发生突变的smart属性值时间序列的长度的比值，对第一区间进行等比例分组，得到至少两个子区间；
[0107]
按照各子区间从发生突变的smart属性值时间序列中截取数据，得到对应各子区间的发生突变的smart属性值时间子序列；
[0108]
对所述发生突变的smart属性值时间子序列中的数据进行均值处理，得到对应的数据分组的均值；
[0109]
对所述数据分组的均值进行方差处理，得到对应的数据分组的方差。
[0110]
具体来说，将发生突变的smart属性值对应的突变点位置的中值取最小公倍数，假设最小公倍数为y，发生突变的smart属性值时间序列的长度为l，假设第一区间为[0，1]，将[0，1]按照y/l进行等分，得到至少两个子区间，例如y/l为0.2，则等分的至少两个子区间为[0,0.2]，[0.2,0.4]，[0.4,0.6]，[0.6,0.8]，[0.8,1]，按照从小到大遍历式构建区间，即：
[0111]
[0,0.2]，[0,0.4]，[0,0.6]，[0,0.8]，[0,1]
[0112]
[0.2,0.4]，[0.2,0.6]，[0.2,0.8]，[0.2,1]
[0113]
[0.4,0.6]，[0.4,0.8]，[0.4,1]
[0114]
[0.6,0.8]，[0.6,1]
[0115]
[0.8,1]
[0116]
按照上述各子区间从发生突变的smart属性值时间序列中截取数据，得到对应各子区间的发生突变的smart属性值时间子序列，例如按照[0,0.2]对应序列开始到总长度的
0.2对应位置的子序列，然后对发生突变的smart属性值时间子序列中的数据进行均值处理，得到对应的数据分组的均值，作为一个特征值；再对数据分组的均值进行方差处理，得到对应的数据分组的方差，作为另外一个特征值。假设子区间的数量为n个，则通过上述方式构建的特征值的数量为2n个。
[0117]
在一些实施例中，所述基于发生突变的所述smart属性值对应的突变点位置的中值，构建至少一种类型的特征值时，所述方法包括：
[0118]
确定发生突变的smart属性值时间序列的长度，与发生突变的所述smart属性值对应的突变点位置的中值的最小公倍数的整除结果；
[0119]
基于所述整除结果，对第二区间进行等比例划分，得到至少两个等分结果；
[0120]
基于所述至少两个等分结果及发生突变的smart属性值时间序列，确定数据方差波动标志。
[0121]
具体来说，将发生突变的smart属性值对应的突变点位置的中值取最小公倍数，假设最小公倍数为y，发生突变的smart属性值时间序列的长度为l，假设第二区间为[0，0.5]，将[0，0.5]按照l整除y进行等分，等分的结果即为r的取值，例如，假设l/y为0.1，则r的取值为0.1，0.2，0.3，0.4，0.5。数据方差波动标志为std(s)，则可根据公式std(s)》r*(max(s)-min(s))确定数据方差波动标志，数据方差波动标志的类型为bool型，其中，s为发生突变的smart属性值时间序列，max(s)为发生突变的smart属性值时间序列的最大值，min(s)为发生突变的smart属性值时间序列的最小值，在通常情况下，数据方差波动标志的数量与r的取值的数量相同。
[0122]
在一些实施例中，所述基于发生突变的所述smart属性值对应的突变点位置的中值，构建至少一种类型的特征值时，所述方法包括：
[0123]
确定发生突变的smart属性值时间序列的长度，与发生突变的所述smart属性值对应的突变点位置的中值的最小公倍数的整除结果；
[0124]
基于所述整除结果，对第三区间进行等比例划分，得到至少两个等分结果；
[0125]
基于所述至少两个等分结果及发生突变的smart属性值时间序列，确定数据对称性标志。
[0126]
具体来说，将发生突变的smart属性值对应的突变点位置的中值取最小公倍数，假设最小公倍数为y，发生突变的smart属性值时间序列的长度为l，假设第三区间为[0，w]，将[0，w]按照l整除y进行等分，等分的结果即为r的取值，例如，假设l/y为0.1，w为0.3，则r的取值为0.1，0.2，0.3。数据对称性标志的计算方式为|mean(s)-median(s)|《r*(max(s)-min(s))，结果为bool型，其中，s为发生突变的smart属性值时间序列，max(s)为发生突变的smart属性值时间序列的最大值，min(s)为发生突变的smart属性值时间序列的最小值，mean(s)为发生突变的smart属性值时间序列的均值，median(s)为发生突变的smart属性值时间序列的中值，若上述公式成立则满足数据对称性要求，可确定数据对称性标志。其中，在通常情况下，数据对称性标志的数量与r的取值的数量相同。w的取值取决于待检测的硬盘的品牌和型号，其对应均值和中值之差波动的最大值。
[0127]
在一些实施例中，所述基于发生突变的所述smart属性值对应的突变点位置的中值，构建至少一种类型的特征值时，所述方法包括：
[0128]
基于最小二乘估计策略，对发生突变的smart属性值时间序列进行线性回归处理，
得到对应的线性回归结果；
[0129]
基于所述线性回归结果，确定数据整体线性趋势特征。
[0130]
具体来说，数据整体线性趋势特征可包括intercept(截距)、slope(斜率)、rvalue(右值)和stderr(标准输出)，假设发生突变的smart属性值时间序列用y表示，对y取时间戳为自变量x，则对发生突变的smart属性值时间序列的时间戳x进行线性回归处理，得到y’＝bx a ε，其中ε表示误差。采用最小二乘估计策略，则b＝(x
t
x)-1
x
t
y’，b表示斜率slope，a为截距intercept；rvalue＝∑(y
’-
e(y))2/∑(y-y’)2，其中，e(y)表示对y取均值的结果；stderr＝∑(y-y’)2/(n-2)，其中，n表示发生突变的smart属性值时间序列的长度。
[0131]
步骤104，基于构建的所述至少一种类型的特征值，结合第一模型，确定所述待检测的硬盘的故障预测结果。
[0132]
这里，所述第一模型是将至少一种类型的特征值中包括的各特征值作为训练样本数据，对所述训练样本数据进行训练得到的。
[0133]
在一些实施例中，所述基于构建的所述至少一种类型的特征值，结合第一模型，确定所述待检测的硬盘的故障预测结果，可通过如下方式实现：
[0134]
将构建的所述至少一种类型的特征值作为输入数据，输入至所述第一模型，得到所述第一模型输出的所述待检测的硬盘的故障预测结果；其中，所述第一模型为用于分类的模型。
[0135]
实际应用中，为了提高第一模型的计算速度，可先对至少一种类型的特征值进行归一化处理，得到归一化后的至少一种类型的特征值，然后再基于归一化后的至少一种类型的特征值，结合第一模型，对待检测的硬盘进行故障预测。
[0136]
基于此，在一些实施例中，该方法还包括：将所述至少一种类型的特征值进行归一化处理，得到归一化后的至少一种类型的特征值；
[0137]
相应的，所述基于构建的所述至少一种类型的特征值，结合第一模型，确定所述待检测的硬盘的故障预测结果，可通过如下方式实现：
[0138]
将所述归一化后的至少一种类型的特征值作为输入数据，输入至所述第一模型，得到所述第一模型输出的所述待检测的硬盘的故障预测结果；其中，所述第一模型为用于分类的模型。
[0139]
这里，将所述至少一种类型的特征值进行归一化处理，具体可为将至少一种类型的特征值进行对数归一化处理，假设归一化后的至少一种类型的特征值为y，则可通过如下公式确定y：y＝log10(x 1)，其中，x表示上述确定的至少一种类型的特征值。
[0140]
实际应用中，所述第一模型可以为随机森林(randomforest)模型，该随机森林模型用于对构建的所述至少一种类型的特征值进行预测分析，得到预测周期内待检测的硬盘是否出现故障的结果。
[0141]
下面给出了不同序列长度对应的预测结果集合，通过随机森林模型进行故障预测的代码实现过程如下：
[0142][0143]
实际应用中，由于发生突变的smart属性值时间序列的长度对预测结果有一定的影响，因此，为了保证故障预测结果的准确性，本技术实施例中需要对发生突变的smart属性值时间序列的长度进行优化。
[0144]
基于此，在一些实施例中，该方法还包括：
[0145]
确定发生突变的smart属性值时间序列的长度；
[0146]
对确定的所述发生突变的smart属性值时间序列的长度进行优化处理，得到发生突变的smart属性值时间序列的长度最优值。
[0147]
实际应用时，对确定的所述发生突变的smart属性值时间序列的长度进行优化处理，得到发生突变的smart属性值时间序列的长度最优值，包括：
[0148]
对确定的所述发生突变的smart属性值时间序列的长度进行插值处理，确定所述待检测的硬盘的故障预测结果的分数值；
[0149]
将所述待检测的硬盘的故障预测结果的分数值的最大值所对应的smart属性值时间序列长度，确定为所述发生突变的smart属性值时间序列的长度最优值。
[0150]
这里，对确定的所述发生突变的smart属性值时间序列的长度进行插值处理，可以为对发生突变的smart属性值时间序列的长度进行三次样条插值处理，具体地，根据测试集
结果，将多次预测结果的分数值f_score与smart属性值时间序列长度l值分别构成数组，然后采用三次样条插值方法确定预测结果的分数值f_score，表达式为：f_score＝a*l^3 b*l^2 c*l d，其中，a、b、c、d分别表示三次样条插值公式的系数，选择f_score最大值所对应的l值，作为发生突变的smart属性值时间序列的长度最优值。
[0151]
实际应用中，由于实际故障硬盘的数量占全部硬盘数量的比值较小，在故障预测过程中，正负样本数量不均衡时，容易导致预测精度低，因此可对故障硬盘的smart属性值样本进行扩充，d为扩充构建故障盘样本的数量，用于提高硬盘故障预测的精度。另外，硬盘故障状态的提前预测时间小于等于d个时间单位。例如，d为20时，可以将一个故障硬盘序列扩充为20个等长的序列，则预测的时间需小于等于20个时间单位。当采样周期为天时，则表示预测的时间单位为天。
[0152]
本技术实施例还提供了另一种故障预测方法，该方法应用于服务器，图2为本技术实施例提供的另一种故障预测方法的流程示意图，如图2所示，该故障预测方法包括：
[0153]
步骤201，确定待检测的硬盘的至少一个smart属性值中发生突变的smart属性值对应的突变点位置；
[0154]
步骤202，确定发生突变的所述smart属性值对应的突变点位置的中值；
[0155]
步骤203，基于发生突变的所述smart属性值对应的突变点位置的中值，构建至少一种类型的特征值；
[0156]
这里，所述至少一种类型的特征值用于表征发生突变的smart属性值的突变程度。
[0157]
在本技术实施例中，发生突变的smart属性值对应的突变点位置的中值可作为重要参数用于构建至少一种类型的特征值，该至少一种类型的特征值可以包括但不限于：ricker子波峰值数量、数据分组的平方和占比、数据分组的均值和方差、数据方差波动标志、数据对称性标志、数据整体线性趋势特征等。
[0158]
实际应用中，为了保证smart属性值突变分析的有效性，在实际应用中，用于构造特征值的smart属性值时间序列的长度需满足以下条件：用于构造特征值的smart属性值时间序列的长度，必须大于发生突变的smart属性值对应的突变点位置的中值。
[0159]
步骤204，将所述至少一种类型的特征值进行归一化处理，得到归一化后的至少一种类型的特征值；
[0160]
步骤205，将所述归一化后的至少一种类型的特征值作为输入数据，输入至第一模型，得到所述第一模型输出的所述待检测的硬盘的故障预测结果。
[0161]
这里，所述第一模型是将至少一种类型的特征值中包括的各特征值作为训练样本数据，对所述训练样本数据进行训练得到的。
[0162]
这里，所述第一模型为用于分类的模型，具体可以为随机森林模型，该随机森林模型用于对归一化后的至少一种类型的特征值进行预测分析，得到预测周期内待检测的硬盘是否出现故障的结果。
[0163]
需要说明的是，故障预测的具体处理过程已在上文详述，可参考上文详述的故障预测方法进行理解，这里不再赘述。
[0164]
本技术实施例提供的故障预测的方案，确定待检测的硬盘的至少一个smart属性值中发生突变的smart属性值对应的突变点位置；确定发生突变的所述smart属性值对应的突变点位置的中值；基于发生突变的所述smart属性值对应的突变点位置的中值，构建至少
一种类型的特征值；所述至少一种类型的特征值用于表征发生突变的smart属性值的突变程度；基于构建的所述至少一种类型的特征值，结合第一模型，确定所述待检测的硬盘的故障预测结果；所述第一模型是将至少一种类型的特征值中包括的各特征值作为训练样本数据，对所述训练样本数据进行训练得到的。
[0165]
采用本技术实施例的方案，通过充分考虑smart属性值的突变点的特性，重新构建至少一种类型的特征值，进而基于构建的至少一种类型的特征值，结合第一模型，对待检测的硬盘的故障进行预测，得到待检测的硬盘的故障预测结果，如此，更能准确反映故障盘的特征，从而能够有效提高硬盘故障预测的准确性及通用性。
[0166]
为了实现本技术实施例的故障预测方法，本技术实施例还提供了一种故障预测装置，图3为本技术实施例提供的一种故障预测装置的组成结构示意图，如图3所示，该故障预测装置包括：
[0167]
第一确定单元31，用于确定待检测的硬盘的至少一个smart属性值中发生突变的smart属性值对应的突变点位置；
[0168]
第二确定单元32，用于确定发生突变的所述smart属性值对应的突变点位置的中值；
[0169]
构建单元33，用于基于发生突变的所述smart属性值对应的突变点位置的中值，构建至少一种类型的特征值；所述至少一种类型的特征值用于表征发生突变的smart属性值的突变程度；
[0170]
第三确定单元34，用于基于构建的所述至少一种类型的特征值，结合第一模型，确定所述待检测的硬盘的故障预测结果；所述第一模型是将至少一种类型的特征值中包括的各特征值作为训练样本数据，对所述训练样本数据进行训练得到的。
[0171]
在一些实施例中，所述第一确定单元31，具体用于：
[0172]
基于历史样本数据确定历史出现故障的硬盘，以及历史出现故障的硬盘的各smart属性值；
[0173]
基于所述历史出现故障的硬盘的各smart属性值，对待检测的硬盘的至少一个smart属性值中发生突变的smart属性值对应的突变点进行检测，以确定发生突变的所述smart属性值对应的突变点；
[0174]
基于历史出现故障的硬盘的smart属性值时间序列的长度、历史出现故障的硬盘的数量，以及历史出现故障的硬盘的smart属性值的数量，确定发生突变的所述smart属性值对应的突变点位置。
[0175]
在一些实施例中，在所述构建单元33基于发生突变的所述smart属性值对应的突变点位置的中值，构建至少一种类型的特征值时，所述故障预测装置还包括：
[0176]
第四确定单元，用于基于发生突变的所述smart属性值对应的突变点位置的中值的最小公倍数，确定ricker子波的主频率；
[0177]
基于所述ricker子波的主频率，确定对应的ricker子波；
[0178]
基于发生突变的各smart属性值时间序列与所述ricker子波的卷积结果，确定发生突变的各smart属性值时间序列的ricker子波峰值数量。
[0179]
在一些实施例中，在所述构建单元33基于发生突变的所述smart属性值对应的突变点位置的中值，构建至少一种类型的特征值时，所述故障预测装置还包括：
[0180]
第五确定单元，用于基于发生突变的所述smart属性值对应的突变点位置的中值的最小公倍数，对发生突变的smart属性值时间序列进行分组，得到至少两个数据分组；每个数据分组的长度小于等于所述最小公倍数；
[0181]
针对各数据分组，确定相应数据分组中各数据的平方；对确定的所述各数据的平方进行求和，得到相应数据分组的平方和；
[0182]
基于相应数据分组的平方和与所有数据分组的平方和，确定相应数据分组的平方和占比。
[0183]
在一些实施例中，在所述构建单元33基于发生突变的所述smart属性值对应的突变点位置的中值，构建至少一种类型的特征值时，所述故障预测装置还包括：
[0184]
第六确定单元，用于基于发生突变的所述smart属性值对应的突变点位置的中值的最小公倍数，与发生突变的smart属性值时间序列的长度的比值，对第一区间进行等比例分组，得到至少两个子区间；
[0185]
按照各子区间从发生突变的smart属性值时间序列中截取数据，得到对应各子区间的发生突变的smart属性值时间子序列；
[0186]
对所述发生突变的smart属性值时间子序列中的数据进行均值处理，得到对应的数据分组的均值；
[0187]
对所述数据分组的均值进行方差处理，得到对应的数据分组的方差。
[0188]
在一些实施例中，在所述构建单元33基于发生突变的所述smart属性值对应的突变点位置的中值，构建至少一种类型的特征值时，所述故障预测装置还包括：
[0189]
第七确定单元，用于确定发生突变的smart属性值时间序列的长度，与发生突变的所述smart属性值对应的突变点位置的中值的最小公倍数的整除结果；
[0190]
基于所述整除结果，对第二区间进行等比例划分，得到至少两个等分结果；
[0191]
基于所述至少两个等分结果及发生突变的smart属性值时间序列，确定数据方差波动标志。
[0192]
在一些实施例中，在所述构建单元33基于发生突变的所述smart属性值对应的突变点位置的中值，构建至少一种类型的特征值时，所述故障预测装置还包括：
[0193]
第八确定单元，用于确定发生突变的smart属性值时间序列的长度，与发生突变的所述smart属性值对应的突变点位置的中值的最小公倍数的整除结果；
[0194]
基于所述整除结果，对第三区间进行等比例划分，得到至少两个等分结果；
[0195]
基于所述至少两个等分结果及发生突变的smart属性值时间序列，确定数据对称性标志。
[0196]
在一些实施例中，在所述构建单元33基于发生突变的所述smart属性值对应的突变点位置的中值，构建至少一种类型的特征值时，所述故障预测装置还包括：
[0197]
第九确定单元，用于基于最小二乘估计策略，对发生突变的smart属性值时间序列进行线性回归处理，得到对应的线性回归结果；
[0198]
基于所述线性回归结果，确定数据整体线性趋势特征。
[0199]
在一些实施例中，所述故障预测装置还包括：
[0200]
第十确定单元，用于确定发生突变的smart属性值时间序列的长度；
[0201]
优化单元，用于对确定的所述发生突变的smart属性值时间序列的长度进行优化
处理，得到发生突变的smart属性值时间序列的长度最优值。
[0202]
实际应用时，所述优化单元，具体用于：
[0203]
对确定的所述发生突变的smart属性值时间序列的长度进行插值处理，确定所述待检测的硬盘的故障预测结果的分数值；
[0204]
将所述待检测的硬盘的故障预测结果的分数值的最大值所对应的smart属性值时间序列长度，确定为所述发生突变的smart属性值时间序列的长度最优值。
[0205]
在一些实施例中，所述故障预测装置还包括：
[0206]
归一化单元，用于将所述至少一种类型的特征值进行归一化处理，得到归一化后的至少一种类型的特征值；
[0207]
相应的，所述第三确定单元34，具体用于：
[0208]
将所述归一化后的至少一种类型的特征值作为输入数据，输入至所述第一模型，得到所述第一模型输出的所述待检测的硬盘的故障预测结果；其中，所述第一模型为用于分类的模型。
[0209]
这里，实际应用时，第一确定单元31、第二确定单元32、构建单元33和第三确定单元34可由故障预测装置中的处理器结合通信接口实现。
[0210]
需要说明的是，上述实施例提供的故障预测装置在进行故障预测时，仅以上述各程序模块的划分进行举例说明，实际应用中，可以根据需要而将上述处理分配由不同的程序模块完成，即将装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的故障预测装置与故障预测方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
[0211]
基于上述程序模块的组成结构实现，且为了实现本技术实施例的故障预测方法，本技术实施例还提供了一种故障预测设备，图4为本技术实施例提供的故障预测设备的硬件组成结构示意图，如图4所示，所述故障预测设备40包括：
[0212]
通信接口41，用于获取待检测的硬盘的至少一个smart属性值；
[0213]
处理器42，与通信接口41连接，用于运行计算机程序时，执行上述一个或多个技术方案提供的故障预测方法。而所述计算机程序存储在存储器43上。
[0214]
具体地，处理器42，用于确定待检测的硬盘的至少一个smart属性值中发生突变的smart属性值对应的突变点位置；
[0215]
确定发生突变的所述smart属性值对应的突变点位置的中值；
[0216]
基于发生突变的所述smart属性值对应的突变点位置的中值，构建至少一种类型的特征值；所述至少一种类型的特征值用于表征发生突变的smart属性值的突变程度；
[0217]
基于构建的所述至少一种类型的特征值，结合第一模型，确定所述待检测的硬盘的故障预测结果；所述第一模型是将至少一种类型的特征值中包括的各特征值作为训练样本数据，对所述训练样本数据进行训练得到的。
[0218]
在一些实施例中，处理器42，具体用于：
[0219]
基于历史样本数据确定历史出现故障的硬盘，以及历史出现故障的硬盘的各smart属性值；
[0220]
基于所述历史出现故障的硬盘的各smart属性值，对待检测的硬盘的至少一个smart属性值中发生突变的smart属性值对应的突变点进行检测，以确定发生突变的所述
smart属性值对应的突变点；
[0221]
基于历史出现故障的硬盘的smart属性值时间序列的长度、历史出现故障的硬盘的数量，以及历史出现故障的硬盘的smart属性值的数量，确定发生突变的所述smart属性值对应的突变点位置。
[0222]
在一些实施例中，处理器42，还用于：
[0223]
在基于发生突变的所述smart属性值对应的突变点位置的中值，构建至少一种类型的特征值时，基于发生突变的所述smart属性值对应的突变点位置的中值的最小公倍数，确定ricker子波的主频率；
[0224]
基于所述ricker子波的主频率，确定对应的ricker子波；
[0225]
基于发生突变的各smart属性值时间序列与所述ricker子波的卷积结果，确定发生突变的各smart属性值时间序列的ricker子波峰值数量。
[0226]
在一些实施例中，处理器42，还用于：
[0227]
在基于发生突变的所述smart属性值对应的突变点位置的中值，构建至少一种类型的特征值时，基于发生突变的所述smart属性值对应的突变点位置的中值的最小公倍数，对发生突变的smart属性值时间序列进行分组，得到至少两个数据分组；每个数据分组的长度小于等于所述最小公倍数；
[0228]
针对各数据分组，确定相应数据分组中各数据的平方；对确定的所述各数据的平方进行求和，得到相应数据分组的平方和；
[0229]
基于相应数据分组的平方和与所有数据分组的平方和，确定相应数据分组的平方和占比。
[0230]
在一些实施例中，处理器42，还用于：
[0231]
在基于发生突变的所述smart属性值对应的突变点位置的中值，构建至少一种类型的特征值时，基于发生突变的所述smart属性值对应的突变点位置的中值的最小公倍数，与发生突变的smart属性值时间序列的长度的比值，对第一区间进行等比例分组，得到至少两个子区间；
[0232]
按照各子区间从发生突变的smart属性值时间序列中截取数据，得到对应各子区间的发生突变的smart属性值时间子序列；
[0233]
对所述发生突变的smart属性值时间子序列中的数据进行均值处理，得到对应的数据分组的均值；
[0234]
对所述数据分组的均值进行方差处理，得到对应的数据分组的方差。
[0235]
在一些实施例中，处理器42，还用于：
[0236]
在基于发生突变的所述smart属性值对应的突变点位置的中值，构建至少一种类型的特征值时，确定发生突变的smart属性值时间序列的长度，与发生突变的所述smart属性值对应的突变点位置的中值的最小公倍数的整除结果；
[0237]
基于所述整除结果，对第二区间进行等比例划分，得到至少两个等分结果；
[0238]
基于所述至少两个等分结果及发生突变的smart属性值时间序列，确定数据方差波动标志。
[0239]
在一些实施例中，处理器42，还用于：
[0240]
在基于发生突变的所述smart属性值对应的突变点位置的中值，构建至少一种类
型的特征值时，确定发生突变的smart属性值时间序列的长度，与发生突变的所述smart属性值对应的突变点位置的中值的最小公倍数的整除结果；
[0241]
基于所述整除结果，对第三区间进行等比例划分，得到至少两个等分结果；
[0242]
基于所述至少两个等分结果及发生突变的smart属性值时间序列，确定数据对称性标志。
[0243]
在一些实施例中，处理器42，还用于：
[0244]
在基于发生突变的所述smart属性值对应的突变点位置的中值，构建至少一种类型的特征值时，基于最小二乘估计策略，对发生突变的smart属性值时间序列进行线性回归处理，得到对应的线性回归结果；
[0245]
基于所述线性回归结果，确定数据整体线性趋势特征。
[0246]
在一些实施例中，处理器42，还用于：
[0247]
确定发生突变的smart属性值时间序列的长度；
[0248]
对确定的所述发生突变的smart属性值时间序列的长度进行优化处理，得到发生突变的smart属性值时间序列的长度最优值。
[0249]
实际应用时，处理器42，具体用于：
[0250]
对确定的所述发生突变的smart属性值时间序列的长度进行插值处理，确定所述待检测的硬盘的故障预测结果的分数值；
[0251]
将所述待检测的硬盘的故障预测结果的分数值的最大值所对应的smart属性值时间序列长度，确定为所述发生突变的smart属性值时间序列的长度最优值。
[0252]
在一些实施例中，处理器42，还用于：
[0253]
将所述至少一种类型的特征值进行归一化处理，得到归一化后的至少一种类型的特征值；
[0254]
相应的，处理器42，具体用于：
[0255]
将所述归一化后的至少一种类型的特征值作为输入数据，输入至所述第一模型，得到所述第一模型输出的所述待检测的硬盘的故障预测结果；其中，所述第一模型为用于分类的模型。
[0256]
需要说明的是，通信接口41和处理器42的具体处理过程详见方法实施例，这里不再赘述。
[0257]
当然，实际应用时，故障预测设备40中的各个组件通过总线系统44耦合在一起。可以理解，总线系统44用于实现这些组件之间的连接通信。总线系统44除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图4中将各种总线都标为总线系统44。
[0258]
本技术实施例中的存储器43用于存储各种类型的数据以支持故障预测设备40的操作。这些数据的示例包括：用于在故障预测设备40上操作的任何计算机程序。
[0259]
上述本技术实施例揭示的故障预测方法可以应用于处理器42中，或者由处理器42实现。处理器42可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器42中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器42可以是通用处理器、数字信号处理器(dsp，digital signal processor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器42可以实现或者执
行本技术实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本技术实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器43，处理器42读取存储器43中的信息，结合其硬件完成前述故障预测方法的步骤。
[0260]
在示例性实施例中，故障预测设备40可以被一个或多个应用专用集成电路(asic，application specific integrated circuit)、dsp、可编程逻辑器件(pld，programmable logic device)、复杂可编程逻辑器件(cpld，complex programmable logic device)、现场可编程门阵列(fpga，field-programmable gate array)、通用处理器、控制器、微控制器(mcu，micro controller unit)、微处理器(microprocessor)或者其他电子元件实现，用于执行前述故障预测方法的步骤。
[0261]
可以理解，本技术实施例的存储器43可以是易失性存储器或者非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(rom，read only memory)、可编程只读存储器(prom，programmable read-only memory)、可擦除可编程只读存储器(eprom，erasable programmable read-only memory)、电可擦除可编程只读存储器(eeprom，electrically erasable programmable read-only memory)、磁性随机存取存储器(fram，ferromagnetic random access memory)、快闪存储器(flash memory)、磁表面存储器、光盘、或只读光盘(cd-rom，compact disc read-only memory)；磁表面存储器可以是磁盘存储器或磁带存储器。
[0262]
易失性存储器可以是随机存取存储器(ram，random access memory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的ram可用，例如静态随机存取存储器(sram，static random access memory)、同步静态随机存取存储器(ssram，synchronous static random access memory)、动态随机存取存储器(dram，dynamic random access memory)、同步动态随机存取存储器(sdram，synchronous dynamic random access memory)、双倍数据速率同步动态随机存取存储器(ddrsdram，double data rate synchronous dynamic random access memory)、增强型同步动态随机存取存储器(esdram，enhanced synchronous dynamic random access memory)、同步连接动态随机存取存储器(sldram，sync link dynamic random access memory)、直接内存总线随机存取存储器(drram，direct rambus random access memory)。本技术实施例描述的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
[0263]
在示例性实施例中，本技术实施例还提供了一种存储介质，即计算机存储介质，具体可为计算机可读存储介质，例如包括存储计算机程序的存储器43，上述计算机程序可由故障预测设备40中的处理器42执行，以完成前述故障预测方法的步骤。其中，计算机可读存储介质可以是fram、rom、prom、eprom、eeprom、flash memory、磁表面存储器、光盘或cd-rom等存储器；也可以是包括上述存储器之一或任意组合的各种设备。
[0264]
在本技术实施例中，所涉及的术语“第一”、“第二”等仅仅是用于区别类似的对象，不代表针对对象的特定的顺序或先后次序，可以理解地，“第一”、“第二”等在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本技术实施例能够以除了在这里图示或描述的以外的顺序实施。
[0265]
以上所述，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以所述权利要求的保护范围为准。