随着工业物联网、云存储、云计算、大数据等新兴信息技术的出现和迅猛发展,全球数据总量呈现指数级的增长,全球接近90%的数据存储在数据中心的硬盘中。由于硬盘自身结构和数据存储机制,硬盘一旦出现故障,硬盘中存储的数据可能永久丢失,给企业和个人带来严重的损失。虽然数据的冗余备份机制可以预防硬盘故障时数据的丢失,但是增加了数据存储的成本,对硬盘进行故障预测成为目前最主流的方法。硬盘的S.M.A.R.T.(Self-Monitoring,Analysis and Reporting Technology)技术和数据中心运维技术的发展,为硬盘的故障预测奠定了基础。目前,几乎所有的硬盘都支持S.M.A.R.T.技术,这为硬盘的故障预测提供了数据基础,同时数据中心的运维方式正由自动化运维向基于机器学习方法的智能化运维方向转变,使用机器学习方法进行硬盘故障预测,可以提高硬盘故障预测的准确率,保障数据存储的安全可靠。本文分析了真实数据中心场景下硬盘S.M.A.R.T.数据的特点,同时选择使用改进随机森林算法建立故障预测模型,对硬盘故障进行预测。本文的主要研究工作包括:(1)针对真实数据中心场景下,硬盘S.M.A.R.T.数据多维的特点,提出了基于相关系数的数据降维方法。通过计算不同S.M.A.R.T.属性间的相关系数,选择一个属性来代替其它与其强相关的属性,对硬盘S.M.A.R.T.数据进行降维。(2)针对真实数据中心场景下,硬盘S.M.A.R.T.数据中正常和故障样本数量不均衡的问题,以及传统随机森林算法在处理不均衡数据的缺点,使用改进的SMOTE算法对数据进行平衡化处理。(3)对传统随机森林模型进行优化,包括增加决策树的剪枝操作,决策树的选择和分配决策树的权重,进一步提高模型预测的准确率和效率。(4)针对真实数据中心场景下,硬盘S.M.A.R.T.数据具有的时序性,提出增量学习的策略。通过增量学习策略,利用新增数据更新模型,保障硬盘故障预测模型具有持久的学习能力。