随着大数据和云计算技术的发展，越来越多的数据和服务都部署在数据中心中，这就使得数据中心存储系统的容量变大和异构性突出，导致存储系统的软硬件故障发生的概率变高，进而导致存储系统可靠性和可用性严重降低，增加运行维护成本。硬盘故障预测作为一种主动容错的技术，以其故障前瞻性提高存储系统的可靠性和可用性，越来越受到工业界和学术界的关注。但是，磁盘故障预测还是面临着许多问题，例如数据集的不平衡性、检出率和误报率之间如何进行权衡和故障数据高维度等问题。这些问题限制了预测效果，不能进一步缩小实际预测结果和预测理论值之间的差距。
　　论文针对磁盘故障预测的S.M.A.R.T.数据大容量、异构、不平衡和高维度的问题，设计了一种基于代价敏感学习的硬盘故障预测方法CSLM(Cost-Sensitive Learning Method)。该方法对高维度问题设计了一种结合效应量统计指标和遗传算法的特征选择算法，过滤显著无关特征后，可以显著提升建模准确率。针对正负样本不平衡问题，通过基于样本加权的代价敏感学习的方法来平衡数据分布，并且在检出率和误报率之间进行折衷取舍，在保证检出率的前提下降低误分类代价，对异构数据源建立代价敏感模型，可以得到比单一数据源低的误分类代价；为样本加权的代价敏感算法寻找效果更好的分类器，论文对一些常用的机器学习算法进行了比较，发现基于决策树的集成算法在硬盘故障预测中效果最好。
　　论文使用开源的数据集对提出的方法进行测试。测试结果表明，特征选择算法与常用的高效的秩和检验算法相比，AUC值(ROC曲线下面积)的提升幅度为2%~42%；基于样本加权的代价敏感学习方法与排名模型(Rank Model)相比可以获得更低的误分类代价，误分类代价降低幅度为52%~96%；使用异构数据建模的误分类代价比单独建模低16%~70%，误报率低16%~70%，单一数据建模的故障检出率要比使用异构数据建模高3%~29%。