Системный анализ и обработка информации для задачи выявления поломки информационного накопителя компьютера

Цель. Одним из важных аспектов поддержания эффективной работы информационных систем является состояние оборудования компьютеров. Цель исследования заключается в описании метода эффективного системного анализа состояния информационного накопителя компьютера. Метод. Исследование основано на использовании алгоритмов машинного обучения для анализа и интерпретации данных, полученных из SMART-тестов. Включает в себя комплексный анализ и экспериментальное исследование. Представляет собой проведение экспериментов с набором данных и облачной средой Google Colab, создание и анализ модели машинного обучения, оценку эффективности и качества обучения. Результат. Разработан инструмент оценки состояния компьютерного оборудования на основе алгоритма Случайного леса, используя исторические данные SMART-тестов. Вывод. Результат данной работы не только позволяет внедрять рабочий инструмент анализа данных в сферу обслуживания компьютерного оборудования, но и предлагает практический пример использования для повышения надежности и эффективности работы информационных систем. Результаты исследования могут быть полезны как для ИТ-специалистов, ответственных за техническую поддержку, так и для организаций, стремящихся оптимизировать процессы обслуживания оборудования и улучшить свою конкурентоспособность на рынке.

1. Национальный стандарт Российской Федерации ГОСТ Р ИСО 13381-1-2011 Контроль состояния и диагностика машин. Прогнозирование технического состояния. Часть 1. Общее руководство. Дата введения 2012-12-01. Подготовлен Автономной некоммерческой организацией «Научно-исследовательский центр контроля и диагностики технических систем» (АНО «НИЦ КД). Внесен Техническим комитетом по стандартизации ТК 183 «Вибрация, удары и контроль технического состояния». Утвержден и введен в действие Приказом Федерального агентства по техническому регулированию и метрологии от 16 ноября 2011 г. № 553-ст.

2. Шкляр, В.Н. Надежность систем управления: учебное пособие – Томск: Томский политехнический университет, 2009. – 126 с.

3. Вострецова, Е.В. Основы информационной безопасности: учебное пособие – Екатеринбург: Издательство Уральского университета, 2019. – 208.

4. Chandola, V., Banerjee, A., & Kumar, V. (2009). Anomaly detection: A survey. ACM Computing Surveys (CSUR), 41(3), 15.

5. Официальный сайт Smartmontools – URL http://www.smartmontools.org/ (дата обращения: 20.09.2023) – Текст электронный.

6. Официальный сайт компании Backblaze. Статья «Backblaze Vaults: Zettabyte-Scale Cloud Storage Architecture». – URL https://www.backblaze.com/blog/vault-cloud-storage-architecture/ (дата обращения: 20.09.2023) – Текст электронный.

7. Официальный сайт компании Backblaze. Статья «Hard Drive SMART Stats». – URL https://www.backblaze.com/blog/hard-drive-smart-stats/ (дата обращения:22.09.2023)Текст электронный.

8. Официальный сайт компании Backblaze. Статья «Hard Drive Data and Stats». Набор данных для обучения – URL https://www.backblaze.com/cloud-storage/resources/hard-drive-test-data#downloading-theraw-hard-drive-test-data (дата обращения: 19.09.2023) – Текст электронный.

9. Официальный сайт компании Backblaze. Статья «What SMART Stats Tell Us About Hard Drives». – URL https://www.backblaze.com/blog/what-smart-stats-indicate-hard-drive-failures/ (дата обращения: 21.09.2023) – Текст электронный.

10. Официальный сайт компании Backblaze. Статья «Hard Drive Data and Stats». – URL https://www.backblaze.com/cloud-storage/resources/hard-drive-test-data/ (дата обращения: 19.09.2023) – Текст электронный.

11. Российская Федерация. Законы. О персональный данных: Федеральный закон Российской Федерации № 152-ФЗ. [принят Государственной думой 8 июля 2006 года: одобрен Советом Федерации 14 июля 2006 года]. – Москва: Кремль: Кодекс, 2021. – 24 с. // КонсультантПлюс.

12. Российская Федерация. Законы. Об информации, информационных технологиях и о защите информации: Федеральный закон Российской Федерации № 149-ФЗ: текст с изменениями и дополнениями на 20 марта 2021 года: [принят Государственной думой 8 июля 2006 года: одобрен Советом Федерации 14 июля 2006 года]. – Москва: Кремль: Кодекс, 2021. – 24 с. // КонсультантПлюс.

13. Breiman, L. Random forests. Machine Learning. Нью-Йорк: Springer, 2001, 32 с. (дата обращения: 18.03.2024) – Текст электронный.

14. Liaw, A., Wiener, M. Classification and regression by random forest. Лондон: R Foundation, 2002, 22 с. (дата обращения: 18.03.2024) – Текст электронный.

15. Cutler, D. R., Edwards Jr, T. C., Beard, K. H., Cutler, A., Hess, K. T., Gibson, J., Lawler, J. J. Random forests for classification in ecology. Нью-Йорк: Springer, 2007, 582 с. (дата обращения: 18.03.2024) – Текст электронный.

16. Короченцев Д.А. и др. Импортозамещающие технологии обеспечения информационной безопасности и защиты данных. – 2021.