本书的主要工作包括如下三个方面：
首先，针对基于有监督分类模型的磁盘故障预测方法存在适用性受限的问题，提出了基于异常检测模型的磁盘故障预测方法SPA。SPA将故障磁盘样本当作异常，仅利用健康磁盘样本进行模型训练，解决了模型冷启动问题。
其次，针对缺少预测错误代价评估指标的问题，提出了磁盘故障预测错误代价优化方法VCM。从降低可靠性维护开销的角度出发，VCM将错误预测代价引入磁盘故障预测中，并通过代价敏感学习来降低错误预测代价。
最后，针对基于扇区故障预测的扫描检测方法导致扫描检测开销增加的问题，提出了自适应扫描检测方法FAS。基于扇区故障预测结果，FAS对存在扇区故障的磁盘提高扫描检测频率，对健康磁盘降低扫描检测频率。此外，针对周期性的扫描检测行为，提出了一种基于投票的映射方法来提升预测准确率。基于Backblaze真实数据集合的实验结果显示，相较于当前最优的扫描检测方法，FAS在达到与前者相同可靠性的同时，能够减少最高32％的扫描检测开销。实验结果证明了扇区故障预测对降低扫描检测开销和提高数据可靠性的有效性。

江天明，华中师范大学信息管理学院讲师，主要研究方向是大数据分析、机器学习、异常检测、推荐系统。在国内外重要核心期刊和学术会议上发表多篇论文，其中SCI论文2篇，中国计算机学会推荐B类会议论文2篇；获得发明专利1项；主持中央高校基本科研业务费专项资金青年教师项目1项、中国博士后科学基金1项。

第1章 绪论
1.1 数据中心磁盘故障预测的研究背景
1.2 数据中心磁盘故障预测的国内外研究现状
1.3 本书的主要研究内容与思路
1.4 本书章节安排
第2章 基于深度生成对抗网络的磁盘故障预测方法SPA
2.1 SPA的研究背景与动机
2.2 深度生成对抗网络相关研究
2.3 SPA设计方案
2.4 实验评估
2.5 本章小结
第3章 磁盘故障预测中预测错误代价优化方法VCM
3.1 VCM的研究背景与动机
3.2 代价敏感学习简介
3.3 VCM设计方案
3.4 实验评估
3.5 本章小结
第4章 基于磁盘扇区故障预测的自适应扫描检测方法FAS
4.1 FAS的研究背景及动机
4.2 磁盘扫描检测简介
4.3 FAS设计方案
4.4 FAS理论分析
4.5 实验评估
4.6 本章小结
第5章 总结与展望
5.1 总结
5.2 展望
致谢
参考文献
附录1 攻读学位期间发表论文目录
附录2 攻读博士学位期间申请的发明专利和其他成果
附录3 攻读博士学位期间参与的科研项目
附录4 英文缩略及含义