随着云计算技术的发展和应用,大量用户数据从本地转移到了云端,存储在互联网企业的数据中心。大部分数据中心一般采用磁盘进行存储,所以数据中心需要大量的磁盘进行存储,磁盘异常问题无法避免,会导致数据丢失,给企业和用户都带来巨大损失。因此,企业对磁盘故障的预测十分重视,从而发现并提前更换故障磁盘,减少数据丢失风险,保持业务稳定运行。目前流行的磁盘故障预测方法主要是将S.M.A.R.T检测出来的数据通过分类模型分类的方式来进行预测,这种方式误报率高。而一般情形下,故障磁盘相较于正常磁盘数据较少,正负样本不平衡是导致分类模型误报率高的一个主要原因。同时分类模型的超参数优化方法也是影响误报率的一个重要因素。针对上述问题,本文提出并实现了一种基于XGBoost的磁盘异常预测方法,主要工作内容如下:（1）针对磁盘数据集正负样本不平衡的问题,提出基于K-means算法的PKM算法。通过对健康磁盘进行欠抽样操作,平衡健康磁盘和异常磁盘的比例。根据磁盘数据集时间序列的特点,对K-means算法进行优化。最后通过实验验证了算法能够有效平衡正负样本。（2）针对网格搜索算法和随机搜索算法的不足,提出了基于网格搜索算法的SGD算法来寻找超参数的最优解。并通过实验对比分析,验证了SGD算法能够在保证检测率的情况下,很大程度上减少了时间成本。（3）提出了一种基于改进XGBoost模型的磁盘异常方法。该方法通过特征工程获取特征,通过PKM算法平衡正负数据集,通过SGD算法寻找超参数最优解,最后进行模型训练。并通过实验验证该模型具有较高的检测率和较低的误报率。