Дисковые накопители являются одними из наиболее часто заменяемых аппаратных компонентов и продолжают создавать проблемы при точном прогнозирования сбоев. Несмотря на стремительный рост популярности твердотельных накопителей, в системах хранения данных преобладают HDD устройства. На данный момент нет универсального автоматизированного решения определить состояние здоровья жесткого диска без снижения его производительности на время исследования. Целью данной работы является разработка метода прогнозирования поломки накопителя, тем самым повысив эффективность использования его ресурса в системах хранения данных. В данной работе проводится анализа самого большого набора статистических данных по SMART атрибутам, собранный с порядка 170000 HDD устройств разного объема в течение семи лет. Данные выложены в открытый доступ компанией BACKBLAZE. Предлагаемый метод основан на применение машинного обучения.

Disk drives are among the most frequently replaced hardware components and continue to pose problems when accurately predicting failures. Despite the rapid growth in the popularity of solid-state drives, HDD devices predominate in data storage systems. Now, there is no universal automated solution to determine the health of a hard disk without reducing its performance during the study. The purpose of this work is to develop a method for predicting drive failure, thereby increasing the efficiency of using its resource in data storage systems. This paper analyzes the largest set of statistical data on SMART attributes, collected from about 170,000 HDD devices of different sizes over a period of seven years. The data is publicly available by BACKBLAZE. The proposed method is based on the use of machine learning.