摘要：为解决传统监督学习方法在不均衡数据集异常检测上易出现过拟合的问题,提出一种非监督对抗学习方法用于硬盘故障预测。该方法使用长短期记忆神经网络和全连接层设计了一种可进行二次编码的自编码器,只需使用正常样本进行训练,通过减小样本重构误差和潜在向量之间的距离,使模型学习正常样本的数据分布,从而提高了模型的泛化能力。模型中还引入生成式对抗网络增强非监督学习的效果。在多个数据集上的对比实验显示,该方法对异常样本的召回率和精确度都高于传统的监督学习和半监督学习分类器,泛化能力更强。所以,该非监督对抗学习方法在硬盘故障预测上是有效的。

摘要：海量数据文件异常并行检测技术实现了对共享文件存储系统中数据文件合法性的检查功能。主要采用集群和多线程技术,实现了在服务器和线程两级的并行处理,可有效提高文件扫描检测效率,具有高可用、高并发特性。经实际部署和验证测试,该并行检测技术具有较高的检测效率。