---

DiskDestiny позволяет точнее прогнозировать сроки отказов установленных дисков, чтобы оптимизировать складские запасы.

Уникальность проекта

Наш проект уникален в следующих свойствах:

• Основан на использовании моделей с открытым исходным кодом
• Большой выбор моделей для предсказания
• Поддержка весов для каждой модели

Проблема

В ЦОД (центрах обработки данных) имеется большое количество серверов с разными техническими характеристиками. Для обеспечения бесперебойной работы необходимо иметь обоснованный запас дисков, готовых к своевременной замене вышедших из строя. Однако заполнять склад оборудованием, которое может понадобиться только через несколько лет, нецелесообразно. В настоящее время складские запасы пополняются исходя из статистических данных по отказам дисков определенных вендоров и типов, а также с учетом неснижаемого остатка.

Установка и использование

1. Клонируем проект с GitHub: git clone https://github.com/DIMFLIX-OFFICIAL/disk-destiny.git
2. Переходим в папку с проектом: cd disk-destiny
3. Устанавливаем зависимости: poetry install
4. В папку data/prediction копируем нужные датасеты
5. Запускаем программу poetry run python disk_destiny/app.py и следуем дальнейшим инструкциям.

Important

Для выбора нескольких значений в списке нужно нажать клавишу 'Space'. Если возможно выбрать только одно значение из списка, нужно просто нажать клавишу 'Enter'.

Разработчикам

Обучение моделей

Для обучения моделей требуется скопировать тренировочные датасеты в папку data/train. Далее запустить программу poetry run python disk_destiny/app.py и выбрать опцию Дообучение модели. Выбираем нужную модель датасеты для обучения.

Добавление новых моделей

Если вы хотите добавить новые модели, то вам нужно будет создать файл с именем models/your_model.py в корневой папке проекта.

Класс вашей модели должен наследоваться от класса BaseModel и реализовывать методы train и predict. Так-же у вашего класса должен быть атрибут name со значением типа str.

Для включения вашей реализации модел вам нужно добавить ее импорт в файл models/__init__.py.

Для указания веса нужно указать название вашей модели полностью в верхнем регистре и добавить суффикс _WEIGHT в конце названия в файл .env.

В качестве примера можете руководствоваться любой из наших реализаций моделей.

Авторы

Пронин Дмитрий Algorithmic Designer System Architect

Сухоруков Кирилл ML Engineer

Донсков Арсений ML Engineer

Яшин Дмитрий Data Engineer

Лицензия

Полный текст лицензии доступен здесь: Юридический кодекс CC BY-NC 4.0.

Вы можете свободно использовать:

• Делиться — копировать и распространять материал на любом носителе или в любом формате
• Адаптировать — переделывать, преобразовывать и дополнять материал Лицензиар не может лишить вас этих прав, пока вы соблюдаете условия лицензии.

На следующих условиях:

• Указание авторства — Вы должны предоставить соответствующую информацию, ссылку на лицензию и указать, были ли внесены изменения. Вы можете делать это любым разумным способом, но не таким, который предполагает, что лицензиар одобряет вас или ваше использование.
• Некоммерческий — Вы не имеете права использовать материалы в коммерческих целях.
• Никаких дополнительных ограничений — Вы не имеете права применять юридические условия или технологические меры, которые юридически ограничивают действия других лиц, разрешенные лицензией.

Это всего лишь краткая выдержка из основных положений лицензии. Пожалуйста, ознакомьтесь с полным юридическим текстом лицензии для полного понимания ее условий.