| dc.contributor.author | Главчев, М. | uk |
| dc.contributor.author | Glavchev, M. I. | en |
| dc.date.accessioned | 2026-09-11T12:39:28Z | |
| dc.date.available | 2026-09-11T12:39:28Z | |
| dc.date.issued | 2026 | |
| dc.identifier.citation | Главчев М. Метод предиктивної діагностики твердотільних накопичувачів на основі аналізу динаміки атрибутів S.M.A.R.T // Матеріали LV Всеукраїнської науково-технічної конференції підрозділів ВНТУ, Вінниця, 24-27 березня 2026 р. Електрон. текст. дані. 2026. Електрон. текст. дані. 2026. URI: https://conferences.vntu.edu.ua/index.php/all-fitki/all-fitki-2026/paper/view/27498. | uk |
| dc.identifier.uri | https://ir.lib.vntu.edu.ua/handle/123456789/54314 | |
| dc.description.abstract | спрямований на раннє виявлення деградації пам'яті. Метод базується на комплексному аналізі динаміки атрибутів S.M.A.R.T. із використанням алгоритмів машинного навчання, зокрема LightGBM. Розроблено набір похідних ознак, що враховує швидкість та прискорення зміни параметрів, а також статистичні метрики. | uk |
| dc.description.abstract | detection of memory degradation. The method is based on a comprehensive analysis of S.M.A.R.T. attribute dynamics using machine learning algorithms, specifically LightGBM. A set of derived features has been developed, taking into account the rate and acceleration of parameter changes, as well as statistical metrics. The application of feature selection methods enabled the reduction of the input data vector and increased prediction accuracy (AUC-ROC 0.912), contributing to enhanced data storage reliability in enterprise systems | en |
| dc.language.iso | uk_UA | uk_UA |
| dc.publisher | ВНТУ | uk |
| dc.relation.ispartof | Матеріали LV Всеукраїнської науково-технічної конференції підрозділів ВНТУ, Вінниця, 24-27 березня 2026 р. Електрон. текст. дані. 2026. | uk |
| dc.relation.uri | https://conferences.vntu.edu.ua/index.php/all-fitki/all-fitki-2026/paper/view/27498 | |
| dc.subject | Твердотільні накопичувачі (SSD) | uk |
| dc.subject | технологія SMART | uk |
| dc.subject | предиктивна діагностика | uk |
| dc.subject | машинне | uk |
| dc.subject | Solid-state drives (SSDs) | en |
| dc.subject | SMART technology | en |
| dc.subject | predictive diagnostics | en |
| dc.subject | machine learning | en |
| dc.subject | LightGBM | en |
| dc.title | Метод предиктивної діагностики твердотільних накопичувачів на основі аналізу динаміки атрибутів S.M.A.R.T. | uk |
| dc.type | Thesis | |
| dc.identifier.udc | 004.312:004.052:004.85 | |
| dc.relation.references | Schroeder B., Lagisetty R., Merchant A. Flash Reliability in Production: The Expected and the Unexpected // Proceedings of the 14th USENIX Conference on File and Storage Technologies (FAST '16). 2016. P. 67–80. | en |
| dc.relation.references | Backblaze Hard Drive Stats. Backblaze Inc. URL: https://www.backblaze.com/b2/hard-drive-test-data.html (дата звернення: 15.01.2026). | en |
| dc.relation.references | Ke G., Meng Q., Finley T. et al. LightGBM: A Highly Efficient Gradient Boosting Decision Tree // Advances in Neural Information Processing Systems 30 (NIPS 2017). 2017. P. 3146–3154. | en |
| dc.relation.references | Shibata N., Maejima H., Kanda K. et al. A 19nm 112.8mm 64Gb Multi-Level Flash Memory with 400Mb/s/pin 1.8V Toggle Mode Interface // IEEE Journal of Solid-State Circuits. 2012. Vol. 47, No. 1. P. 119–126. | en |
| dc.relation.references | Murray J. F., Hughes G. F., Kreutz-Delgado K. Machine learning methods for predicting failures in hard drives: A multipleinstance application // Journal of Machine Learning Research. 2005. Vol. 6. P. 783–816. | en |
