特開 2025-3246 ストレージシステム、学習モデル、及び学習モデルの生成方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2025003246

(43)【公開日】2025-01-09

(54)【発明の名称】ストレージシステム、学習モデル、及び学習モデルの生成方法

(51)【国際特許分類】

   G06F 11/34 20060101AFI20241226BHJP

   G06F 3/06 20060101ALI20241226BHJP

   G06F 11/07 20060101ALI20241226BHJP

   G06F 11/30 20060101ALI20241226BHJP

   G06F 11/22 20060101ALI20241226BHJP

   G06N 20/00 20190101ALI20241226BHJP

【ＦＩ】

G06F11/34 147

G06F3/06 304P

G06F3/06 304R

G06F3/06 304Z

G06F11/07 151

G06F11/30 140M

G06F11/22 675E

G06N20/00 130

【審査請求】有

【請求項の数】12

【出願形態】ＯＬ

(21)【出願番号】P 2023117605

(22)【出願日】2023-07-19

(31)【優先権主張番号】P 2023103381

(32)【優先日】2023-06-23

(33)【優先権主張国・地域又は機関】JP

(71)【出願人】

【識別番号】524132520

【氏名又は名称】日立ヴァンタラ株式会社

(74)【代理人】

【識別番号】110002365

【氏名又は名称】弁理士法人サンネクスト国際特許事務所

(72)【発明者】

【氏名】小竹 勇己

(72)【発明者】

【氏名】鹿野 晶滉

(72)【発明者】

【氏名】佐藤 篤

(72)【発明者】

【氏名】茂木 瑞穂

(72)【発明者】

【氏名】小林 実

【テーマコード（参考）】

5B042

5B048

【Ｆターム（参考）】

5B042GA34

5B042JJ06

5B042JJ23

5B042JJ29

5B042MA08

5B042MC33

5B048CC17

(57)【要約】

【課題】ストレージシステムにおけるドライブ装置の故障の予兆をより正確に検出する。
【解決手段】ストレージシステムＳの制御装置１は、制御装置１による入出力に係るコマンドの実行に対するドライブ装置３の応答性能を評価するための学習モデル１３２Ｍを格納している。制御装置１は、ドライブ装置３の稼働情報を取得し、学習モデル１３２Ｍに対して、稼働情報に含まれるコマンドに関する所定の情報を入力する。制御装置１は、所定の情報の入力に対する学習モデル１３２Ｍによる応答性能に係る出力に基づいて、ドライブ装置３の故障の予兆を判定する。
【選択図】図１

【特許請求の範囲】

【請求項1】

データを格納するドライブ装置と、該ドライブ装置に対するデータの入出力を制御する制御装置と、を有するストレージシステムであって、
前記制御装置は、プロセッサと、メモリと、を有し、
前記メモリは、
前記制御装置による前記入出力に係るコマンドの実行に対する前記ドライブ装置の応答性能を評価するための学習モデルを格納し、
前記プロセッサは、
前記ドライブ装置の稼働情報を取得し、
前記学習モデルに対して、前記稼働情報に含まれる前記コマンドに関する所定の情報を入力し、
前記所定の情報の入力に対する前記学習モデルによる前記応答性能に係る出力に基づいて、前記ドライブ装置の故障の予兆を判定する
ことを特徴とするストレージシステム。

【請求項2】

請求項１に記載のストレージシステムであって、
前記所定の情報は、
前記コマンドのうちのリードコマンド及びライトコマンドのそれぞれの転送ブロック長とコマンド数を含み、
前記学習モデルは、
前記リードコマンド及び前記ライトコマンドの前記転送ブロック長と前記コマンド数から生成された説明変数と、第１転送ブロック長の該リードコマンドを第１コマンド数だけ測定用ドライブ装置へ送信し、第２転送ブロック長の該ライトコマンドを第２コマンド数だけ該測定用ドライブ装置へ送信した際に測定された該測定用ドライブ装置の前記応答性能を示す応答性能データから生成された目的変数と、を含んだ教師データの学習を実行済みであり、
前記応答性能データは、
前記リードコマンド及び前記ライトコマンドの実行に対する前記測定用ドライブ装置の応答時間、ＩＯＰＳ（Input/Output operations Per Second）、レイテンシ、又はスループットである
ことを特徴とするストレージシステム。

【請求項3】

請求項２に記載のストレージシステムであって、
前記教師データは、
前記第１転送ブロック長と前記第２転送ブロック長とが異なる前記リードコマンド及び前記ライトコマンドが前記測定用ドライブ装置へ送信され測定された前記応答性能データを含む
ことを特徴とするストレージシステム。

【請求項4】

請求項３に記載のストレージシステムであって、
前記教師データは、
前記第１転送ブロック長と前記第２転送ブロック長とが異なる前記リードコマンド及び前記ライトコマンドが所定時間にわたって前記測定用ドライブ装置へ継続して送信され測定された前記応答性能データを含む
ことを特徴とするストレージシステム。

【請求項5】

請求項２に記載のストレージシステムであって、
前記教師データは、
前記測定用ドライブ装置に対して負荷をかけないアイドリング期間が定期的に設けられた前記リードコマンド及び前記ライトコマンドが該測定用ドライブ装置へ送信され測定された前記応答性能データを含む
ことを特徴とするストレージシステム。

【請求項6】

請求項５に記載のストレージシステムであって、
前記教師データは、
前記アイドリング期間が定期的に設けられた前記リードコマンド及び前記ライトコマンドが所定時間にわたって前記測定用ドライブ装置へ継続して送信され測定された前記応答性能データを含む
ことを特徴とするストレージシステム。

【請求項7】

請求項２に記載のストレージシステムであって、
前記応答性能に係る出力は、前記応答性能データの評価閾値であり、
前記プロセッサは、
前記所定の情報に入力に対して前記学習モデルによって出力された前記評価閾値と、前記コマンドが実行された際の前記応答性能データの実測値と、の比較に基づいて、前記ドライブ装置の故障の予兆を判定する
ことを特徴とするストレージシステム。

【請求項8】

請求項２に記載のストレージシステムであって、
前記メモリは、
前記ドライブ装置のドライブ種別及び容量毎の前記教師データの学習を実行済みの該ドライブ種別及び容量毎の前記学習モデルから選択された前記学習モデルを格納し、
前記プロセッサは、
前記ドライブ装置の前記ドライブ種別及び容量に対応する前記学習モデルを選択し、
選択した前記学習モデルに対して、前記所定の情報を入力する
ことを特徴とするストレージシステム。

【請求項9】

請求項２に記載のストレージシステムであって、
前記所定の情報は、前記ドライブ装置の所定の性能統計情報を含み、
前記学習モデルは、
前記所定の性能統計情報を含んだ前記教師データの学習を実行済みである
ことを特徴とするストレージシステム。

【請求項10】

請求項９に記載のストレージシステムであって、
前記学習モデルは、
ネットワークを介して収集された他のストレージシステムが有する他の前記ドライブ装置の前記所定の性能統計情報を含んだ前記教師データの学習を実行済みである
ことを特徴とするストレージシステム。

【請求項11】

データを格納するドライブ装置と、該ドライブ装置に対するデータの入出力を制御する制御装置と、を有するストレージシステムにおいて、該入出力に係るリードコマンド及びライトコマンドに対する該ドライブ装置の応答性能を評価するための学習モデルであって、
前記リードコマンド及び前記ライトコマンドの転送ブロック長とコマンド数から生成された説明変数と、第１転送ブロック長の該リードコマンドを第１コマンド数だけ測定用ドライブ装置へ送信し、第２転送ブロック長の該ライトコマンドを第２コマンド数だけ該測定用ドライブ装置へ送信した際に測定された該測定用ドライブ装置の応答性能を示す応答性能データから生成された目的変数と、を含んだ教師データの学習を実行済みであり、
前記教師データは、
前記第１転送ブロック長と前記第２転送ブロック長とが異なる前記リードコマンド及び前記ライトコマンドが前記測定用ドライブ装置へ送信され測定された前記応答性能データ、
前記測定用ドライブ装置に対して負荷をかけないアイドリング期間が定期的に設けられた前記リードコマンド及び前記ライトコマンドが該測定用ドライブ装置へ送信され測定された前記応答性能データ、
前記第１転送ブロック長と前記第２転送ブロック長とが異なる前記リードコマンド及び前記ライトコマンドが所定時間にわたって前記測定用ドライブ装置へ継続して送信され測定された前記応答性能データ、
前記アイドリング期間が定期的に設けられた前記リードコマンド及び前記ライトコマンドが所定時間にわたって前記測定用ドライブ装置へ継続して送信され測定された前記応答性能データ、
のうちの１つ以上の前記応答性能データを含み、
前記制御装置によって前記ドライブ装置へ送信された前記リードコマンド及び前記ライトコマンドの転送ブロック長とコマンド数を入力として該ドライブ装置の応答性能を評価するための該応答性能の評価閾値を出力するように前記制御装置を機能させる
ことを特徴とする学習モデル。

【請求項12】

データを格納するドライブ装置と、該ドライブ装置に対するデータの入出力を制御する制御装置と、を有するストレージシステムにおいて、該入出力に係るリードコマンド及びライトコマンドに対する該ドライブ装置の応答性能を評価するための学習モデルの生成方法であって、
学習モデル生成装置が、
前記リードコマンド及び前記ライトコマンドの転送ブロック長とコマンド数を取得し、
前記転送ブロック長と前記コマンド数から特徴量を生成し、
前記特徴量から説明変数を生成し、
第１転送ブロック長の前記リードコマンドを第１コマンド数だけ測定用ドライブ装置へ送信し、第２転送ブロック長の前記ライトコマンドを第２コマンド数だけ該測定用ドライブ装置へ送信した際に測定された該測定用ドライブ装置の応答性能を示す応答性能データを取得し、
前記応答性能データから目的変数を生成し、
前記説明変数と前記目的変数を含んだ教師データの学習を実行する
各処理を含み、
前記教師データは、
前記第１転送ブロック長と前記第２転送ブロック長とが異なる前記リードコマンド及び前記ライトコマンドが前記測定用ドライブ装置へ送信され測定された前記応答性能データ、
前記測定用ドライブ装置に対して負荷をかけないアイドリング期間が定期的に設けられた前記リードコマンド及び前記ライトコマンドが該測定用ドライブ装置へ送信され測定された前記応答性能データ、
前記第１転送ブロック長と前記第２転送ブロック長とが異なる前記リードコマンド及び前記ライトコマンドが所定時間にわたって前記測定用ドライブ装置へ継続して送信され測定された前記応答性能データ、
前記アイドリング期間が定期的に設けられた前記リードコマンド及び前記ライトコマンドが所定時間にわたって前記測定用ドライブ装置へ継続して送信され測定された前記応答性能データ、
のうちの１つ以上の前記応答性能データを含む
ことを特徴とする学習モデルの生成方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、ストレージシステム、学習モデル、及び学習モデルの生成方法に関する。

【背景技術】

【0002】

一般的に、ストレージシステムにおいて、ホストからのＩＯ（Input Output）リクエスト（入出力リクエスト）に対するドライブ装置の応答性能が閾値を下回った場合に、故障の予兆が検出される。あるいはストレージシステムの同一ＲＡＩＤ（Redundant Array of Inexpensive Disks）内に所属するドライブ装置の応答性能を比較し、相対的に遅延しているドライブ装置に故障の予兆が検出される。

【0003】

また機械学習モデルを用いて、ドライブ装置の故障の予兆の検出を行う従来技術がある（例えば特許文献１参照）。

【先行技術文献】

【特許文献】

【0004】

【特許文献1】特開２０２１－４３８９１号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

上述の従来技術は、ドライブ装置が同一のパリティグループに所属すればワークロードが同一になることを前提として、ドライブ装置の故障予兆を検出している。しかし近年普及してきているＳＤＳ等のように、ドライブ装置が同一のパリティグループに所属してもワークロードが異なる場合があるストレージシステムでは、ドライブ装置の故障の予兆を正確に検出できないという問題があった。ＳＤＳは、Software Defined Storageである。

【0006】

本発明は、上記事情に鑑みなされたものであり、ストレージシステムにおけるドライブ装置の故障の予兆をより正確に検出することを目的とする。

【課題を解決するための手段】

【0007】

上記課題を解決する一態様として、データを格納するドライブ装置と、該ドライブ装置に対するデータの入出力を制御する制御装置と、を有するストレージシステムであって、前記制御装置は、プロセッサと、メモリと、を有し、前記メモリは、前記制御装置による前記入出力に係るコマンドの実行に対する前記ドライブ装置の応答性能を評価するための学習モデルを格納し、前記プロセッサは、前記ドライブ装置の稼働情報を取得し、前記学習モデルに対して、前記稼働情報に含まれる前記コマンドに関する所定の情報を入力し、前記所定の情報の入力に対する前記学習モデルによる前記応答性能に係る出力に基づいて、前記ドライブ装置の故障の予兆を判定することを特徴とする。

【発明の効果】

【0008】

本発明によれば、ストレージシステムにおけるドライブ装置の故障の予兆をより正確に検出できる。

【図面の簡単な説明】

【0009】

【図1】実施形態１に係るストレージシステム及び学習モデル生成装置の構成を示す図。

【図2】実施形態１に係る学習モデル管理テーブルの構成を示す図。

【図3】実施形態１に係る学習モデルプールの構成を示す図。

【図4】実施形態１に係る故障予兆判定結果テーブルの構成を示す図。

【図5】実施形態１に係る応答性能測定ＩＯパターンテーブルの構成を示す図。

【図6】実施形態１に係るドライブ装置応答性能データテーブルの構成を示す図。

【図7】実施形態１に係る制御装置の構成及び処理を示す図。

【図8】実施形態１に係る学習モデル生成装置の構成及び処理を示す図。

【図9】実施形態１に係るドライブ装置故障予兆判定処理を示すフローチャート。

【図10】実施形態１に係る学習モデル生成処理を示すフローチャート。

【図11A】リードコマンドとライトコマンドの１コマンドあたりの転送ブロック長を同一として取得した教師データのみを学習した学習モデル（比較例）の性能評価結果を説明するための図。

【図11B】リードコマンドとライトコマンドの１コマンドあたりの転送ブロック長を異ならせて取得した教師データを含めて学習した学習モデル（実施形態１）の性能評価結果を説明するための図。

【図12】正常なドライブ装置に対して、アイドリング期間を挿入していないリードコマンド及びライトコマンドと、アイドリング期間を挿入したリードコマンド及びライトコマンドと、を送信して取得した実際の応答性能を説明するための図。

【図13】実施形態２に係る制御装置の構成及び処理を示す図。

【図14】実施形態２に係る学習モデル生成装置の構成及び処理を示す図。

【発明を実施するための形態】

【0010】

実施形態について、図面を参照して説明する。なお、以下に説明する実施形態は特許請求の範囲に係る発明を限定するものではなく、また、実施形態の中で説明されている諸要素及びその組み合わせの全てが発明の解決手段に必須であるとは限らない。

【0011】

以下の説明において各処理機能部を実現するプログラムは、プロセッサによって実行されることで、定められた処理を、適宜に記憶資源（例えば、メモリ）及び／又は通信インターフェースデバイス（例えば、ポート）を用いながら処理を行う。プロセッサは、例えばＣＰＵ（Central Processing Unit）である。このため、各処理機能部によって実行される処理は、プロセッサ又はそのプロセッサを有する計算機が行う処理としてもよい。

【0012】

以下の説明では、各種情報をテーブル形式で表すが、情報はテーブル形式に限らずＣＳＶ（Comma Separated Values）やその他の形式でもよい。各種情報は、データ形式に依存しないため、例えば「ＸＸＸテーブル」を「ＸＸＸ情報」と呼ぶことができる。

【0013】

また各種情報における項目のうち、該当のレコードを他のレコードと区別するための情報を項目名に含む項目の「識別情報」「ＩＤ」「名」等の呼称は、相互に置き換えてもよい。例えば「ユーザＩＤ」を「ユーザ識別情報」と置き換えてもよい。

【0014】

［実施形態１］
（ストレージシステムＳ及び学習モデル生成装置４の構成）
図１は、実施形態１に係るストレージシステムＳ及び学習モデル生成装置４の構成を示す図である。

【0015】

ストレージシステムＳは、制御装置１、ドライブ接続部２、及び１又は複数のドライブ装置３を有する。

【0016】

ドライブ接続部２は、制御装置１と複数のドライブ装置３を接続する。ドライブ接続部２は、PCIe Switch、SAS Expander等であるが、省略されてもよい。すなわちドライブ装置３が制御装置１のプロセッサ１１に直結される構成でもよい。

【0017】

（制御装置１の構成）
制御装置１は、図１に示すように、プロセッサ１１、メモリ１２、内部ストレージ１３、及びＩＯ（Input Output）ユニット１４を有する。

【0018】

プロセッサ１１は、メモリ１２との協働によるプログラムの実行によって稼働情報取得部１１１、特徴量生成部１１２、故障予兆判定部１１３、及び学習モデル選択部１１４を実現する。

【0019】

メモリ１２は、ＤＲＡＭ（Dynamic Random Access Memory）等の記憶装置であり、現在選択されている学習モデル１３２Ｍが格納されている。

【0020】

内部ストレージ１３は、ＨＤＤ（Hard Disk Drive）やＳＳＤ（Solid State Drive）等の不揮発性の記憶装置である。内部ストレージ１３は、学習モデル管理テーブル１３１（図２）、学習モデルプール１３２（図３）、及び故障予兆判定結果テーブル１３３（図４）を格納する。

【0021】

（学習モデル管理テーブル１３１の構成）
図２は、実施形態１に係る学習モデル管理テーブル１３１の構成を示す図である。学習モデル管理テーブル１３１は、ドライブ装置３のドライブ種別及び容量の区分毎の学習モデル１３２Ｍ（図３）を管理するテーブルであり、「ドライブ種別」「容量」「学習モデル番号」の列を有する。「ドライブ種別」は、ドライブ装置３の型番等の機種を特定する情報である。「容量」は、ドライブ装置３の記憶容量である。「学習モデル番号」は、学習モデル１３２Ｍの識別情報である。

【0022】

（学習モデルプール１３２の構成）
図３は、実施形態１に係る学習モデルプール１３２の構成を示す図である。学習モデルプール１３２は、ドライブ装置３のドライブ種別及び容量の区分毎の学習モデル１３２Ｍを管理するテーブルであり、「学習モデル番号」「モデルパラメータ」の列を有する。「学習モデル番号」は、学習モデル管理テーブル１３１の「学習モデル番号」と同様である。「モデルパラメータ」は、「学習モデル番号」で識別される学習モデル１３２Ｍのモデルパラメータである。

【0023】

（故障予兆判定結果テーブル１３３の構成）
図４は、実施形態１に係る故障予兆判定結果テーブル１３３の構成を示す図である。故障予兆判定結果テーブル１３３は、ドライブ装置３の故障予兆をドライブ装置３の稼働情報に基づいて判定した結果である。故障予兆判定結果テーブル１３３は、「ドライブ装置ＩＤ」「学習モデル番号」「コマンド情報」「評価閾値」「応答性能データの実測値」「故障予兆判定結果」の列を有する。

【0024】

「ドライブ装置ＩＤ」は、ドライブ装置３を識別する情報である。「学習モデル番号」は、故障予兆判定に用いられた学習モデル１３２Ｍを識別する情報である。「コマンド情報」は、該当の行に示される故障予兆判定に用いられたリードコマンド及びライトコマンドのそれぞれの転送ブロック長とコマンド数の情報である。

【0025】

「評価閾値」は、「学習モデル番号」の学習モデル１３２Ｍに対して「コマンド情報」に示すコマンドを入力して出力された、「ドライブ装置ＩＤ」のドライブ装置３の故障予兆を判定するためのドライブ装置３の応答性能データの閾値である。

【0026】

「応答性能データの実測値」は、「コマンド情報」に示すコマンドを該当のドライブ装置３へ実際に送信して測定されたドライブ装置３の応答性能データである。

【0027】

本実施形態では、応答性能は、ドライブ装置３の入出力コマンドに対する応答時間である。しかしこれに限らず、レイテンシ、ＩＯＰＳ（Input/Output operations Per Second）、スループット等でもよい。

【0028】

ドライブ装置３の応答時間データもしくはレイテンシが、「評価閾値」を超過した場合にはドライブ装置３は故障予兆があると判定され、「評価閾値」以下の場合にはドライブ装置３の故障予兆はないと判定される。あるいはドライブ装置３のＩＯＰＳもしくはスループットが、「評価閾値」未満の場合にはドライブ装置３は故障予兆があると判定され、「評価閾値」以上の場合にはドライブ装置３の故障予兆はないと判定される。

【0029】

「故障予兆判定結果」は、ドライブ装置３の故障予兆があると判定された場合に“１”、故障の予兆はないと判定された場合に“０”が格納される。

【0030】

図１の説明に戻る。ＩＯユニット１４は、Fiber ChannelやiSCSI、NVMe over fabric等をサポートするインターフェイスである。ＩＯユニット１４は、フロントエンドネットワークＮ１を介して、ホスト５との間で、ストレージシステムＳに対する入出力コマンドと入出力コマンドに対するホスト５への応答を送受信する。

【0031】

（学習モデル生成装置４の構成）
学習モデル生成装置４は、図１に示すように、プロセッサ４１、メモリ４２、及び内部ストレージ４３を有する。学習モデル生成装置４は、ネットワーク（不図示）と接続して通信を行うための通信インターフェイス（不図示）や、半導体記憶媒体や磁気記憶媒体へのデータ書込みとデータ読出しを行う媒体読書装置（不図示）を有してもよい。

【0032】

プロセッサ４１は、ＤＲＡＭ等の記憶装置であるメモリ４２との協働によるプログラムの実行によって稼働情報取得部４１１、特徴量生成部４１２、及び学習モデル生成部４１３を実現する。稼働情報取得部４１１は、例えば測定用ドライブ装置３Ａの応答性能を測定可能なベンチマークソフトによって実現される。

【0033】

内部ストレージ４３は、ＨＤＤやＳＳＤ等の不揮発性の記憶装置であり、応答性能測定ＩＯパターンテーブル４３１（図５）及びドライブ装置応答性能データテーブル４３２（図６）を格納する。

【0034】

（応答性能測定ＩＯパターンテーブル４３１の構成）
図５は、実施形態１に係る応答性能測定ＩＯパターンテーブル４３１の構成を示す図である。応答性能測定ＩＯパターンテーブル４３１は、学習モデル１３２Ｍを学習するために教師データを生成する際に、学習モデル生成装置４に接続された１台の測定用ドライブ装置３Ａに対して送信されるＩＯコマンドのパターンを列挙したリストである。測定用ドライブ装置３Ａは、ドライブ装置３とドライブ種別及び容量の区分が同様であるが、応答性能の測定のために１台の測定用ドライブ装置３Ａのみが学習モデル生成装置４に接続される。

【0035】

応答性能測定ＩＯパターンテーブル４３１は、「番号」「ＩＯパターン」の列を有する。「番号」は、ＩＯパターンの識別情報である。「ＩＯパターン」は、リードコマンド及びライトコマンドのそれぞれの転送ブロック長とコマンド送信回数の比率を含む。ＩＯパターンには、リードコマンドとライトコマンドで転送ブロック長が同一のものと異なるものが含まれる。またＩＯパターンには、リードコマンドとライトコマンドでコマンド送信回数が同一のものと異なるものが含まれる。

【0036】

図５において例えば「番号」“２”の「ＩＯパターン」は、“ランダムパターンの転送ブロック長が５１２ＫＢのライトコマンドを７５％だけ測定用ドライブ装置３Ａへ送信する”ことを示す。また「番号」“２”の「ＩＯパターン」は、“ランダムパターンの転送ブロック長が５１２ＫＢのリードコマンドを２５％だけ測定用ドライブ装置３Ａへ送信する”ことを示す。“ライトコマンドを７５％、リードコマンドを２５％”のＩＯパターンは、例えば規定送信回数が合計１０００回のコマンド送信であれば、ライトコマンドを７５０回送信し、リードコマンドを２５０回送信することを示す。

【0037】

（ドライブ装置応答性能データテーブル４３２の構成）
図６は、実施形態１に係るドライブ装置応答性能データテーブル４３２の構成を示す図である。ドライブ装置応答性能データテーブル４３２は、学習モデル１３２Ｍの教師データを生成する際に、測定用ドライブ装置３Ａに対して送信されたＩＯパターンに対する測定用ドライブ装置３Ａの応答性能データを対応付けて列挙したリストである。

【0038】

ドライブ装置応答性能データテーブル４３２は、「番号」「ＩＯパターン」「応答性能データ」の列を有する。「番号」は、ＩＯパターンの識別情報である。「ＩＯパターン」は、応答性能測定ＩＯパターンテーブル４３１において「番号」に対応する「ＩＯパターン」である。「応答性能データ」は、該当の「ＩＯパターン」の入出力コマンドを測定用ドライブ装置３Ａへ送信した際に実際に測定された応答性能のデータの実測値である。

【0039】

図６において例えば「番号」“２”の「ＩＯパターン」の入出力コマンドを測定用ドライブ装置３Ａへ送信した際に測定された際の「応答性能データ」は、“最小１１０ｍｓ、平均１６０ｍｓ、最大２１０ｍｓ”である。すなわちライトコマンドとリードコマンドの送信回数の比率が７５：２５＝３：１の「ＩＯパターン」である場合、この複数回のコマンド送信に対する応答時間は、最小値が１１０ミリ秒、平均値が１６０ミリ秒、最大値が２１０ミリ秒である。後述の評価閾値として、複数のコマンド送信に対する応答性能を示す複数の応答性能データの各種統計値（本実施形態では一例として最小値、平均値、最大値）を採用することができる。

【0040】

図示を省略しているが、ドライブ装置応答性能データテーブル４３２には、「ＩＯパターン」と共に対応するリード転送ブロック長、ライト転送ブロック長、リード・ライトコマンド数、及びドライブ種別・容量等を含む稼働情報が格納されている。

【0041】

（実施形態１に係る制御装置１の構成及び処理）
図７は、実施形態１に係る制御装置１の構成及び処理を示す図である。図１及び図７を参照しつつ、ドライブ装置３の故障予兆判定処理を説明する。

【0042】

制御装置１の稼働情報取得部１１１は、配下にあるドライブ装置３の稼働情報を、一定周期で（例えば３分毎に）取得する。稼働情報（稼働ログ）には、例えばホスト５から発行されたリードコマンド及びライトコマンドに係る転送ブロック長等が含まれる。

【0043】

稼働情報取得部１１１は、取得した稼働情報のうちのリード転送ブロック長１１１ａ、ライト転送ブロック長１１１ｂ、及びリード・ライトコマンド数１１１ｃを特徴量生成部１１２へ入力する。また稼働情報取得部１１１は、取得した稼働情報のうちのドライブ種別・容量１１１ｄを学習モデル選択部１１４へ入力する。また稼働情報取得部１１１は、応答性能データ１１１ｅを故障予兆判定部１１３へ入力する。

【0044】

学習モデル選択部１１４は、入力されたドライブ種別・容量１１１ｄに応じた学習モデル１３２Ｍを学習モデルプール１３２から選択してメモリ１２へ展開する。

【0045】

特徴量生成部１１２は、入力されたリード転送ブロック長１１１ａ、ライト転送ブロック長１１１ｂ、及びリード・ライトコマンド数１１１ｃのそれぞれの特徴量を生成し、学習モデル１３２Ｍへ入力する。

【0046】

学習モデル１３２Ｍは、入力されたリード転送ブロック長１１１ａ、ライト転送ブロック長１１１ｂ、及びリード・ライトコマンド数１１１ｃのそれぞれの特徴量に対して、応答性能データ１１１ｅの評価閾値を出力する。評価閾値は、故障予兆判定部１１３へ入力される。

【0047】

故障予兆判定部１１３は、入力された応答性能データ１１１ｅと、この応答性能データ１１１ｅの評価閾値とを比較する。故障予兆判定部１１３は、応答性能データ１１１ｅが評価閾値を超過している場合に、ドライブ装置３は故障の予兆があり、予め定めた近い将来に該当のドライブ装置３に故障が発生する可能性があると判定する。

【0048】

なお学習モデル１３２Ｍは、入力された稼働情報の特徴量と、応答性能データを入力とし、この応答性能データが故障予兆に該当するか（ＮＧ）、該当しないか（ＯＫ）の判定結果を出力してもよい。この場合故、障予兆判定部１１３は、学習モデル１３２Ｍの判定結果を、ドライブ装置３の故障予兆の判定結果として出力する。

【0049】

（実施形態１に係る学習モデル生成装置４の構成及び処理）
図８は、実施形態１に係る学習モデル生成装置４においての構成及び処理を示す図である。図１及び図８を参照しつつ、学習モデル生成処理を説明する。

【0050】

学習モデル生成装置４の稼働情報取得部４１１は、ユーザによって学習モデル１３２Ｍの学習開始が指示されると、ベンチマークソフトを起動して、次の処理を実行する。すなわち稼働情報取得部４１１は、応答性能測定ＩＯパターンテーブル４３１に格納されているＩＯパターンの転送ブロック長が異なるリードコマンド及びライトコマンドを順次測定用ドライブ装置３Ａへそれぞれ第１の送信期間にわたって送信する。そして稼働情報取得部４１１は、ＩＯパターン毎に測定用ドライブ装置３Ａの稼働情報を取得する。第１の送信期間は、１０分未満の分単位の比較的短い時間（例えば５分）である。

【0051】

稼働情報取得部４１１が取得する稼働情報の項目は、ストレージシステムＳの制御装置１の稼働情報取得部１１１が取得する稼働情報と同様である。稼働情報取得部４１１は、ＩＯパターン毎に規定送信回数だけライトコマンド及びリードコマンドを送信する。稼働情報取得部４１１は、ライトコマンド及びリードコマンドに対する測定用ドライブ装置３Ａの稼働情報を取得する。稼働情報取得部４１１は、ＩＯパターン毎に、第１の送信期間にわたって送信したライトコマンド及びリードコマンドに対する応答性能データの最大値、最小値、平均値といった統計値を算出してドライブ装置応答性能データテーブル４３２に格納する。

【0052】

稼働情報取得部４１１は、ドライブ装置応答性能データテーブル４３２に格納されているＩＯパターン毎の稼働情報を特徴量生成部４１２へ入力する。ここで特徴量生成部４１２へ入力される稼働情報は、リード転送ブロック長４１１ａ、ライト転送ブロック長４１１ｂ、及びリード・ライトコマンド数４１１ｃである。また稼働情報取得部４１１は、測定用ドライブ装置３Ａのドライブ種別・容量４１１ｄと応答性能データ４１１ｅを、学習モデル生成部４１３へ入力する。

【0053】

特徴量生成部４１２は、入力されたＩＯパターン毎のリード転送ブロック長４１１ａ、ライト転送ブロック長４１１ｂ、及びリード・ライトコマンド数４１１ｃの特徴量を生成し、学習モデル生成部４１３へ入力する。

【0054】

学習モデル生成部４１３は、入力されたドライブ種別・容量４１１ｄ毎に、ＩＯパターン毎のリード転送ブロック長４１１ａ、ライト転送ブロック長４１１ｂ、及びリード・ライトコマンド数４１１ｃの特徴量と応答性能データ４１１ｅを学習する。そして学習モデル生成部４１３は、ドライブ種別・容量毎に、リード転送ブロック長、ライト転送ブロック長、及びリード・ライトコマンド数の特徴量を入力とし応答性能データの評価閾値を出力する学習モデル１３２Ｍを生成する。学習モデル生成部４１３は、生成した学習モデル１３２Ｍを学習モデルプール１３２へ格納する。

【0055】

（実施形態１に係るドライブ故障予兆判定処理）
図９は、実施形態１に係るドライブ故障予兆判定処理を示すフローチャートである。実施形態１に係るドライブ故障予兆判定処理は、ストレージシステムＳの制御装置１によって一定周期で（例えば３分毎に）実行される。またドライブ故障予兆判定処理の実行時には、制御装置１の配下に接続されているドライブ装置３の各ドライブ種別及び容量毎の学習モデル１３２Ｍが学習モデルプール１３２に格納されているものとする。

【0056】

先ずステップＳ１１では、制御装置１の稼働情報取得部１１１は、ドライブ装置３の稼働情報を取得する。

【0057】

次にステップＳ１２では、制御装置１は、ステップＳ１１で取得した稼働情報がストレージシステムＳの応答遅延が発生したことを示すかを判定する。制御装置１は、稼働情報がストレージシステムＳの応答遅延が発生したことを示す場合（ステップＳ１２ＹＥＳ）にステップＳ１３へ処理を移す。一方制御装置１は、稼働情報がストレージシステムＳの応答遅延以外が発生したことを示す場合（ステップＳ１２ＮＯ）にドライブ故障予兆判定処理を終了する。

【0058】

ステップＳ１３では、制御装置１は、ステップＳ１１で取得した稼働情報が応答遅延の発生原因がドライブ装置３であることを示すかを判定する。制御装置１は、稼働情報が応答遅延の発生原因がドライブ装置３であることを示す場合（ステップＳ１３ＹＥＳ）にステップＳ１４へ処理を移す。一方制御装置１は、稼働情報が応答遅延の発生原因がドライブ装置３以外であることを示す場合（ステップＳ１３ＮＯ）にドライブ故障予兆判定処理を終了する。

【0059】

ステップＳ１４では、制御装置１の特徴量生成部１１２は、ステップＳ１１で取得した稼働情報に含まれるリード転送ブロック長、ライト転送ブロック長、及びリード・ライトコマンド数のそれぞれの特徴量を生成し、学習モデル１３２Ｍへ入力する。

【0060】

次にステップＳ１５では、学習モデル選択部１１４は、ステップＳ１１で取得した稼働情報の出力元であるドライブ故障予兆判定対象のドライブ装置３のドライブ種別及び容量に対応する学習モデル１３２Ｍを選択しメモリ１２へ展開する。ドライブ故障予兆判定対象のドライブ装置３のドライブ種別及び容量に対応する学習モデル１３２Ｍが既にメモリ１２へ展開済みの場合は、ステップＳ１５は省略される。

【0061】

次にステップＳ１６では、故障予兆判定部１１３は、学習モデル１３２Ｍに対してステップＳ１４で生成した特徴量を入力し、学習モデル１３２Ｍから出力された応答性能データの評価閾値を取得する。

【0062】

次にステップＳ１７では、故障予兆判定部１１３は、ステップＳ１１で取得した稼働情報に含まれる応答性能データの実測値が、ステップＳ１１６で取得した応答性能データの評価閾値を超過したドライブ装置３が存在するかを判定する。故障予兆判定部１１３は、応答性能データの評価閾値を超過したドライブ装置３が存在する場合（ステップＳ１７ＹＥＳ）にステップＳ１８へ処理を移す。一方故障予兆判定部１１３は、応答性能データの評価閾値を超過したドライブ装置３が存在しない場合（ステップＳ１７ＮＯ）にドライブ故障予兆判定処理を終了する。

【0063】

ステップＳ１８では、故障予兆判定部１１３は、ステップＳ１７で応答性能データの評価閾値を超過されたと判定したドライブ装置ＩＤのドライブ装置３のデータをスペアのドライブ装置３へコピーする。もしくは制御装置１は、故障予兆の報知を、該当の稼働情報と共にストレージシステムＳの管理端末（不図示）等へ出力する。ドライブ装置３の故障予兆を通知された管理端末等を操作するオペレータは、該当のドライブ装置ＩＤのドライブ装置３の交換を保守要員に対して指示する。

【0064】

（実施形態１に係る学習モデル生成処理）
図１０は、実施形態１に係る学習モデル生成処理を示すフローチャートである。学習モデル生成処理の実行時には、ドライブ種別及び容量毎のドライブ装置応答性能データテーブル４３２が生成されているとする。

【0065】

先ずステップＳ２１では、学習モデル生成装置４の稼働情報取得部４１１は、ドライブ装置応答性能データテーブル４３２からリードコマンド及びライトコマンドの転送ブロック長とリード／ライトコマンド数等の稼働情報を取得する。

【0066】

次にステップＳ２２では、学習モデル生成装置４の特徴量生成部４１２は、ステップＳ２１で取得した稼働情報から特徴量を生成する。

【0067】

次にステップＳ２３では、学習モデル生成装置４は、ステップＳ２２で生成した特徴量から説明変数を生成する。

【0068】

次にステップＳ２４では、稼働情報取得部４１１は、ドライブ装置応答性能データテーブル４３２から応答性能データの実測値を取得する。次にステップＳ２５では、特徴量生成部４１２は、ステップＳ２１で取得した応答性能データの実測値から目的変数を生成する。

【0069】

次にステップＳ２６では、学習モデル生成装置４の学習モデル生成部４１３は、ステップＳ２３で生成した説明変数と、ステップＳ２５で生成した対応する目的変数と、を紐付けた教師データを学習して学習モデル１３２Ｍを生成する。学習モデル１３２Ｍは、説明変数と目的変数とを含んだ教師データの学習を実行済みとなる。

【0070】

なおステップＳ２１～Ｓ２３と、ステップＳ２４～Ｓ２５は、処理順序を入替えたり、並列に処理したりしてもよい。

【0071】

（実施形態１の効果）
実施形態１では、学習モデル１３２Ｍに対してドライブ装置３の稼働情報に含まれるライトコマンド及びリードコマンドに関する所定の情報を入力し、学習モデル１３２Ｍによる応答性能に係る出力に基づいてドライブ装置３の故障予兆を判定する。

【0072】

よって実施形態１によれば、ライトコマンド及びリードコマンドのパターンの違いに基づいて、ストレージシステムＳにおけるドライブ装置３の故障予兆をより正確に検出できる。

【0073】

また実施形態１では、学習モデル１３２Ｍは、説明変数と目的変数とを含んだ教師データの学習を実行済みである。説明変数は、リードコマンド及びライトコマンドの転送ブロック長とコマンド数から生成されたものである。目的変数は、第１転送ブロック長のリードコマンドを第１コマンド数だけ、第２転送ブロック長のライトコマンドを第２コマンド数だけ測定用ドライブ装置３Ａへ送信して測定された測定用ドライブ装置３Ａの応答性能データから生成されたものである。応答性能データは、リードコマンド及びライトコマンドの実行に対する測定用ドライブ装置３Ａの応答時間、ＩＯＰＳ、レイテンシ、又はスループットである。

【0074】

よって実施形態１によれば、リードコマンド及びライトコマンドの転送ブロック長とコマンド数と、応答性能データとのパターンの違いに基づいて、ストレージシステムＳにおけるドライブ装置３の故障予兆をより正確に検出できる。

【0075】

また実施形態１では、学習モデル１３２Ｍは、転送ブロック長が異なるリードコマンド及びライトコマンドに対して測定された応答性能データを教師データとする学習が実行済みである。

【0076】

よって実施形態１によれば、リードコマンド及びライトコマンドのコマンド数の割合や負荷だけでなく、１コマンドあたりの転送ブロック長を異ならせて取得した教師データの学習モデルを用いて、ドライブ装置３の故障予兆をより正確に検出できる。

【0077】

また実施形態１では、学習モデル１３２Ｍは応答性能データの統計値に基づく評価閾値を出力し、評価閾値と、コマンドが実行された際の応答性能の実測値と、の比較に基づいて、ドライブ装置３の故障予兆が判定される。

【0078】

よって実施形態１によれば、学習モデル１３２Ｍによって出力された、統計処理された客観的な評価閾値に基づいて、ドライブ装置３の故障予兆の判定を統計的な観点から、より正確に実施することができる。

【0079】

また実施形態１では、ドライブ装置３のドライブ種別及び容量に対応する学習モデル１３２Ｍを選択し、選択した学習モデル１３２Ｍを用いて、ドライブ装置３の故障予兆が判定される。

【0080】

同一のパリティグループでワークロードが同一であっても、ドライブ装置の機種が異なると応答性能が顕著に異なる場合がある。このため、ドライブ種別及び容量を考慮せず学習モデルを生成し、故障予兆の判定を行うと、ドライブ装置の故障予兆を正確に検出できず、正常であるにも関わらず誤ってドライブ装置を閉塞されることがあった。これに対して実施形態１によれば、ドライブ種別及び容量の違いに基づいて、ドライブ装置３の故障予兆をより正確に検出できる。

【0081】

ここで、リードコマンドとライトコマンドの転送ブロック長を異ならせて取得した教師データを含めて学習することで、ドライブ装置の応答性能の遅延を判定するより良い学習モデルが構築される点について説明する。

【0082】

図１１Ａは、リードコマンドとライトコマンドの１コマンドあたりの転送ブロック長を同一として取得した教師データのみを学習した学習モデル（比較例）の性能評価結果を説明するための図である。図１１Ｂは、リードコマンドとライトコマンドの１コマンドあたりの転送ブロック長を異ならせて取得した教師データを含めて学習した学習モデル（実施形態１）の性能評価結果を説明するための図である。図１１Ａ及び図１１Ｂは、学習モデル（比較例）と学習モデル（実施形態１）を用いて、ドライブ装置の応答性能を実際に判定した結果である。

【0083】

図１１Ａ及び図１１Ｂでは、第１軸に“Write BLK”（ライトデータの転送ブロック長）、第２軸に“Read BLK”（リードデータの転送ブロック長）、第３軸に“Average Latency”（平均応答遅延時間）をそれぞれ取った３次元空間に、“Write BLK”と“Read BLK”の各組合せに対応する“Average Latency”の判定閾値を“○”でプロットしている。また図１１Ａ及び図１１Ｂでは、この３次元空間に、応答遅延が発生していない正常なドライブ装置の応答性能を“×”でプロットしている。第１軸及び第２軸は、所定ブロック長（例えば４００ブロック）を１．０（基準）とし、基準に対する比率でライトデータ及びリードデータの各ブロック長を表している。

【0084】

例えば“Write BLK”が１．０、“Read BLK”が０．０～０．２程度の転送ブロック長の場合、図１１Ａの図中の丸印で囲んだ部分に示すように、比較例では“×”のプロットで示す正常なドライブ装置の応答性能が“○”のプロットで示す応答遅延の判定閾値を超過している。すなわち正常なドライブ装置の応答性能を、応答遅延が発生しているとして誤検出している。

【0085】

一方“Write BLK”が１．０、“Read BLK”が０．０～０．２程度の転送ブロック長の場合、図１１Ｂの図中の丸印で囲んだ部分に示すように、実施形態１では“×”のプロットで示す正常なドライブ装置の応答性能が“○”のプロットで示す応答遅延の判定閾値を下回っている。すなわち正常なドライブ装置の応答性能を、応答遅延が発生していると誤検出していない。

【0086】

すなわち図１１Ａ及び図１１Ｂによれば、学習モデル（実施形態１）は、学習モデル（比較例）と比較すると、応答遅延の判定閾値が適切に設定された、ドライブ装置の応答性能の遅延を判定するより良い学習モデルであることが分かる。

【0087】

（実施形態１の変形例）
上述の実施形態１では、学習モデル１３２Ｍの生成の際に、転送ブロック長が異なるリードコマンド及びライトコマンドを順次測定用ドライブ装置３Ａへそれぞれ第１の送信期間にわたって送信し、稼働情報を取得するとした。しかしこれに限らず、測定用ドライブ装置３Ａへ送信するリードコマンド及びライトコマンドの転送ブロック長が異なるか否かに関わらず、アイドリング期間が定期的に設けられたリードコマンド及びライトコマンドを送信してもよい。

【0088】

アイドリング期間とは、測定用ドライブ装置３Ａに対して負荷をかけない例えば２秒といった３０秒未満の期間である。“アイドリング期間が定期的に設けられたリードコマンド及びライトコマンド”とは、例えば３０秒間隔で２秒のアイドリング期間が設けられているリードコマンド及びライトコマンドである。

【0089】

アイドリング期間が定期的に設けられたリードコマンド及びライトコマンドを測定用ドライブ装置３Ａへ連続して印加することで、アイドリング期間がない場合と比較して、ドライブ装置の性能劣化がより顕著に稼働情報に顕れるという知見がある。よってアイドリング期間が設けられたリードコマンド及びライトコマンドを連続的に印加して取得した測定用ドライブ装置３Ａの稼働情報を教師データとすることで、故障予兆の判定をより正確にできる学習モデル１３２Ｍを学習することができる。

【0090】

また上述の実施形態１における学習モデル１３２Ｍの生成のための教師データとなる稼働情報の取得に際し、アイドリング期間の有無に関わらず、リードコマンド及びライトコマンドの送信期間を、第１の送信期間に代えて第２の送信期間としてもよい。第２の送信期間は、例えば１万秒以上の万秒単位の期間である。第２の送信期間にわたる長時間の応答性能の測定によって取得された稼働情報に基づく教師データを用いることで、ドライブ装置の応答性能の短時間の揺らぎを吸収して、故障予兆の判定をより正確にできる学習モデル１３２Ｍを学習することができる。

【0091】

すなわち学習モデル１３２Ｍの教師データは、次の第１の応答性能データ、第２の応答性能データ、第３の応答性能データ、及び第４の応答性能データの少なくとも何れかの応答性能データを含む。

【0092】

第１の応答性能データは、転送ブロック長が異なるリードコマンド及びライトコマンドが測定用ドライブ装置３Ａへ送信され測定された応答性能データである。第２の応答性能データは、アイドリング期間が定期的に設けられたリードコマンド及びライトコマンドが測定用ドライブ装置３Ａへ送信され測定された応答性能データである。第３の応答データは、転送ブロック長が異なるリードコマンド及びライトコマンドが所定時間にわたって測定用ドライブ装置３Ａへ継続して送信され測定された応答性能データである。第４の応答データは、アイドリング期間が定期的に設けられたリードコマンド及びライトコマンドが所定時間にわたって測定用ドライブ装置３Ａへ継続して送信され測定された応答性能データである。

【0093】

ここで、ドライブ装置に定期的に負荷をかけないアイドリング期間をリードコマンド及びライトコマンドに挿入して取得した教師データを含めて学習することで、ドライブ装置の応答性能の遅延を判定するより良い学習モデルが構築される点について説明する。アイドリング期間を以下“Ｉｄｌｅ”と称す。図１２は、正常なドライブ装置に対して、アイドリング期間を挿入していないリードコマンド及びライトコマンドと、アイドリング期間を挿入したリードコマンド及びライトコマンドと、を送信して取得した実際の応答性能を説明するための図である。図１２では、横軸を“経過時間（ｓｅｃ）”、縦軸を“Latency（応答時間）”としている。

【0094】

アイドリング期間を挿入していないリードコマンド及びライトコマンドに対するドライブ装置の応答性能は、図１２中の“Ｉｄｌｅなし”の破線のグラフで示される。またアイドリング期間を挿入したリードコマンド及びライトコマンドに対するドライブ装置の応答性能は、図１２中の“Ｉｄｌｅあり”の実線のグラフで示される。

【0095】

図１２に示されるように、正常なドライブ装置の“Latency”は、リードコマンド及びライトコマンドにＩｄｌｅが挿入されているか否かによって大きく異なる。すなわち正常なドライブ装置の応答性能は、リードコマンド及びライトコマンドにＩｄｌｅが挿入されることによって、より遅延が大きくなる。このことは、ドライブ装置の応答性能の低下を精度よく判定するためには、リードコマンド及びライトコマンドにＩｄｌｅを挿入して取得された教師データを含めて学習された学習モデルを用いることが重要であることを裏付ける。すなわちリードコマンド及びライトコマンドにＩｄｌｅを挿入して取得された教師データを含めて学習することで、ドライブ装置の応答性能の遅延を判定するより良い学習モデルが構築され得ることが分かる。

【0096】

また図１２に示されるように、ドライブ装置の応答性能は、短時間では変動が大きい。このためドライブ装置の応答性能の遅延を判定する学習モデルは、短時間の変動を除外するために一定以上の長時間にわたって測定された応答性能のデータを教師データとして用いて学習されることが適切であることが分かる。

【0097】

また少なくとも３０秒以下のＩｄｌｅが３０秒間隔で挿入されると、Ｉｄｌｅがなく連続でリードコマンド及びライトコマンドを印加した場合と比べて応答遅延が大きくなるという知見がある。この知見から、ドライブ装置の応答性能の遅延を判定する学習モデルを学習するための教師データを取得する際のリードコマンド及びライトコマンドへのＩｄｌｅの適切な挿入方法の一例が与えられる。

【0098】

［実施形態２］
実施形態１では、稼働情報に含まれるリード転送ブロック長、ライト転送ブロック長、リード／ライトコマンド数、及び応答性能データに基づいて生成した学習モデル１３２Ｍを用いて、ドライブ装置３の故障予兆判定を行うとした。

【0099】

しかしこれに限らず、リード転送ブロック長、ライト転送ブロック長、リード／ライトコマンド数、及び応答性能データ以外の稼働情報に基づいて学習モデル１３２Ｍを生成し、ドライブ装置３の故障予兆判定を行ってもよい。

【0100】

（実施形態２に係る制御装置１Ｂの構成及び処理）
図１３は、実施形態２に係る制御装置１Ｂの構成及び処理を示す図である。

【0101】

実施形態２に係る制御装置１Ｂの稼働情報取得部１１１Ｂが取得する稼働情報は、実施形態１に係る制御装置１の稼働情報取得部１１１が取得する稼働情報と比較して、次の稼働情報がさらに含まれる点が異なる。すなわち温度情報１１１ｆ、エラー件数１１１ｇ、タイムスタンプ１１１ｈ、総ライト量１１１ｉ、総リード量１１１ｊ、使用可能スペア領域１１１ｋ、及びアイドル時間１１１ｌ等がさらに含まれる。これらの稼働情報は、例えばドライブ装置３のS.M.A.R.T.（Self-Monitoring Analysis and Reporting Technology）情報等の性能統計情報である。

【0102】

温度情報１１１ｆは、ドライブ装置３の装置温度である。エラー件数１１１ｇは、該当のライトコマンド又はリードコマンド実行時におけるエラー発生件数である。タイムスタンプ１１１ｈは、ドライブ装置３において該当のライトコマンド及びリードコマンドの実行日時である。総ライト量１１１ｉは、該当のライトコマンドの実行による総書込み容量である。総リード量１１１ｊは、該当のリードコマンドの実行による総読出し容量である。使用可能スペア領域１１１ｋは、該当のライトコマンド又はリードコマンド実行時におけるドライブ装置３の空き容量である。アイドル時間１１１ｌは、該当のライトコマンド又はリードコマンドに挿入されたアイドリング期間の長さ（例えば２秒）と挿入間隔（例えば３０秒間隔）である。

【0103】

すなわち実施形態２では、学習モデル１３２ＭＢは、実施形態１の稼働情報と比較して性能統計情報が追加された稼働情報の特徴量を説明変数とする教師データを学習した学習モデルである。また実施形態２では、実施形態１の稼働情報と比較して性能統計情報が追加された稼働情報の特徴量が学習モデル１３２ＭＢへ入力され、この稼働情報の特徴量に対して応答性能データ１１１ｅの評価閾値が出力される。

【0104】

（実施形態２に係る学習モデル生成装置４Ｂの構成及び処理）
図１４は、実施形態２に係る学習モデル生成装置４Ｂの構成及び処理を示す図である。

【0105】

実施形態２に係る学習モデル生成装置４Ｂの稼働情報取得部４１１Ｂは、ユーザによって学習モデル１３２ＭＢの学習開始が指示されると、ベンチマークソフトを起動して、測定用ドライブ装置３Ａの稼働情報を取得する。

【0106】

ここで実施形態２に係る学習モデル生成装置４Ｂの稼働情報取得部４１１Ｂが取得する稼働情報は、実施形態１に係る稼働情報と比較して、次の稼働情報がさらに含まれる点が異なる。すなわち温度情報４１１ｆ、エラー件数４１１ｇ、タイムスタンプ４１１ｈ、総ライト量４１１ｉ、総リード量４１１ｊ、使用可能スペア領域４１１ｋ、及びアイドル時間４１１ｌ等がさらに含まれる。これらの稼働情報は、制御装置１Ｂの稼働情報取得部１１１Ｂが取得する稼働情報と同様に、例えばドライブ装置３の性能統計情報である。

【0107】

温度情報４１１ｆ、エラー件数４１１ｇ、タイムスタンプ４１１ｈ、総ライト量４１１ｉ、総リード量４１１ｊ、使用可能スペア領域４１１ｋ、及びアイドル時間４１１ｌは、温度情報１１１ｆ～アイドル時間１１１ｌのそれぞれと同様である。

【0108】

すなわち実施形態２では、学習モデル１３２ＭＢは、実施形態１の稼働情報と比較して性能統計情報が追加された稼働情報の特徴量を説明変数とし、応答性能データを目的変数とする教師データを学習して生成される。

【0109】

（実施形態２の効果）
実施形態２では、ドライブ装置３の故障予兆判定に用いられる稼働情報及び学習モデル１３２Ｍの生成時に学習される教師データは、ドライブ装置のS.M.A.R.T.情報などの性能統計情報を含む。

【0110】

よって実施形態２では、リード転送ブロック長、ライト転送ブロック長、及びリード／ライトコマンド数以外のドライブ装置３の稼働情報に基づいて、ドライブ装置３の故障予兆をより正確に検出することができる。

【0111】

（実施形態１及び２の変形例）
実施形態１及び２では、稼働情報取得部４１１，４１１Ｂは、測定用ドライブ装置３Ａの稼働情報を取得し、ドライブ装置応答性能データテーブル４３２に格納するとした。

【0112】

しかし測定用ドライブ装置３Ａの稼働情報に限らず、図１４に示すように、多数の他者のドライブ装置３又は測定用ドライブ装置３Ａの稼働情報をインターネットＮ２等の公衆網を介して収集する。そしてドライブ種別・容量毎に稼働情報を稼働情報データベース６に蓄積する。学習モデル生成部４１３，４１３Ｂは、稼働情報データベース６に蓄積されているドライブ種別・容量毎の多数の他者のドライブ装置３又は測定用ドライブ装置３Ａの稼働情報に基づく教師データを学習して学習モデル１３２Ｍ，１３２ＭＢを生成してもよい。

【0113】

このように多数の他者のドライブ装置３又は測定用ドライブ装置３Ａの稼働情報をインターネットＮ２等の公衆網を介して大量に収集して学習することで、学習モデル１３２ＭＢのモデル精度を向上させ、ドライブ装置３の故障予兆をより正確に検出できる。

【0114】

以上、本願開示に係る実施形態について詳述したが、本願開示は上述の実施形態に限定されるものではなく、その要旨を逸脱しない範囲で種々変更可能である。例えば、上述の実施形態は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また上述の実施形態の構成の一部について、他の構成の追加・削除・置換をすることが可能である。

【0115】

また上述の各構成、機能部や処理部等は、それらの一部又は全部を、例えば、集積回路で設計する等によりハードウェアで実現してもよい。また上述の各構成、機能等は、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによりソフトウェアで実現してもよい。各機能を実現するプログラム、テーブル、ファイル等の情報は、メモリやＨＤＤ、ＳＳＤ等の記憶装置、ＩＣカード、ＳＤカード、ＤＶＤ等の記録媒体に置くことができる。

【0116】

また上述の各図において、制御線や情報線は説明上必要と考えられるものを示しており、必ずしも実装上の全ての制御線や情報線を示しているとは限らない。例えば、実際には殆ど全ての構成が相互に接続されていると考えてもよい。

【0117】

また上述したストレージシステムＳ、制御装置１，１Ｂ、及び学習モデル生成装置４，４Ｂの各機能及びデータの配置形態は一例に過ぎない。各機能及びデータの配置形態は、ハードウェアやソフトウェアの性能、処理効率、通信効率等の観点から最適な配置形態へ変更し得る。

【符号の説明】

【0118】

Ｓ：ストレージシステム、１，１Ｂ：制御装置、３：ドライブ装置、３Ａ：測定用ドライブ装置、４，４Ｂ：学習モデル生成装置、５：ホスト、１１，４１：プロセッサ、１１１ａ，４１１ａ：リード転送ブロック長、１１１ｂ，４１１ｂ：ライト転送ブロック長、１１１ｃ，４１１ｃ：ライトコマンド数、１１１ｄ，４１１ｄ：ドライブ種別・容量、１１１ｅ，４１１ｅ：応答性能データ、１３２Ｍ，１３２ＭＢ：学習モデル。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11A】

【図11B】

【図12】

【図13】

【図14】