随着卫星遥感技术的发展,卫星数量增多,视野扩大,分辨率不断提高,产生的遥感数据量呈指数级增长,给地面数据存储系统带来很大压力和挑战。星上遥感数据持续不间断地下传,地面应用业务频繁访问存储系统,导致硬盘频繁进行读写操作,加速了硬盘的老化和故障的发生,硬盘故障会严重影响存储系统的性能。面向遥感卫星数据地面存储系统,研究海量数据存储系统中硬盘故障预测技术,通过对硬盘状态数据的异常检测来预测硬盘故障,提高存储系统的维护效率。本文主要工作有:提出一种基于自编码器的重构误差的硬盘故障预测模型。目前主流硬盘都具有状态监测记录功能,记录了硬盘使用过程中状态变化的时序数据。通过对硬盘状态数据的异常检测可以预测硬盘故障。对硬盘状态数据分析后发现正负样本存在严重的不均衡,为防止模型在训练时的过拟合和欠拟合,决定采用深度生成模型进行非监督学习来对硬盘状态数据进行异常检测。模型主体是一个“编码器-解码器-编码器”的结构,使用长短期记忆网络LSTM构建自编码器Autoencoder,实现对样本的重构,并加入二次编码实现对潜在特征向量的重构。训练只需使用正常样本,通过减小样本和潜在向量的重构误差约束模型学习正常样本的分布特征。模型还引入生成式对抗网络GAN强化模型的训练。测试时使用更加稳定的潜在特征向量的重构误差作为异常评分标准,样本的异常分数超过一定阈值则被判为异常,进而预测样本对应的硬盘即将发生故障。实验在两种硬盘的数据集上与传统的非监督学习方法进行了对比,该模型取得了更好的硬盘故障预测性能。提出一种基于GAN的预测误差的硬盘故障预测模型。使用LSTM网络设计GAN的生成器,把硬盘状态数据样本的前期序列数据作为生成器的输入,预测输出样本的后期序列数据,避免了基于自编码器重构的模型中存在二次映射造成计算耗时过长的问题。模型采用全连接层提取样本的潜在特征向量,同样只需使用正常样本进行训练,通过减小样本和潜在特征向量的误差来约束模型的训练,检测时使用潜在特征向量的误差作为异常评分标准。该模型在多个数据集上与基于自编码器的重构误差的硬盘故障预测模型进行了对比实验,结果表明该模型在保证一定检测性能的前提下训练速度有了明显提升。