Resumen

Con el aumento en las aplicaciones y servicios de inteligencia, como los sistemas de vigilancia de video en tiempo real, la computación en el borde móvil y el Internet de las cosas (IoT), la tecnología está muy involucrada en nuestra vida diaria. Sin embargo, la fiabilidad de estos sistemas no siempre puede garantizarse debido a las fallas de los discos duros (HDD) de los nodos en el borde. Específicamente, una gran cantidad de operaciones de lectura/escritura y entornos peligrosos en el borde hacen que el trabajo de mantenimiento sea aún más difícil. La predicción de fallas de HDD es uno de los enfoques tolerantes a fallas proactivos escalables y de bajo costo para mejorar la fiabilidad del dispositivo. En este documento, proponemos un modelo de predicción de fallas de HDD basado en una red neuronal recurrente LSTM, que aprovecha la característica de larga dependencia temporal de los datos de salud del disco para mejorar la eficiencia de la predicción. Además, diseñamos un nuevo método de evaluación de grado de salud, que almacena detalles actuales de salud y deterioro. Los experimentos exhaustivos en dos conjuntos de datos reales de discos duros demuestran que el enfoque propuesto logra una buena precisión de predicción con bajo costo operativo.

• Materias:Inteligencia artificial Aplicación móvil Asistencia tecnológica a personas con discapacidad Tecnología en educación
• Subjects:Artificial intelligence Mobile application Technological assistance to people with disabilities Technology in education
• Palabras claves:Aumento; Aplicaciones de inteligencia; Sistemas de videovigilancia en tiempo real; Computación móvil de borde; Internet de las cosas; Fallos del disco duro
• Keywords:Increase; Intelligence applications; Real-time video surveillance systems; Mobile edge computing; Internet of things; HDD failures