技术特征：
1.一种服务器磁盘故障预测方法，其特征在于，包括：获得设定时间段内服务器中目标磁盘的运行状态信息；在所述运行状态信息中提取故障特征数据；获得所述设定时间段内前后时间点对应的io数量跳变数据；基于所述故障特征数据和所述io数量跳变数据，利用预先训练获得的神经网络预测模型，确定所述目标磁盘的故障风险级别；根据所述故障风险级别，预测所述目标磁盘是否会发生故障。2.根据权利要求1所述的方法，其特征在于，所述基于所述故障特征数据和所述io数量跳变数据，利用预先训练获得的神经网络预测模型，确定所述目标磁盘的故障风险级别，包括：确定所述故障特征数据中每个数据项的权重系数；基于所述故障特征数据中每个数据项的权重系数，计算综合指标值；根据所述io数量跳变数据，计算io跳变平均值；将所述综合指标值和所述io跳变平均值输入到预先训练获得的神经网络预测模型中，获得输出数据；根据所述输出数据，确定所述目标磁盘的故障风险级别。3.根据权利要求2所述的方法，其特征在于，所述确定所述故障特征数据中每个数据项的权重系数，包括：根据所述故障特征数据中每个数据项的重要程度，确定每个数据项的权重系数。4.根据权利要求2所述的方法，其特征在于，所述根据所述输出数据，确定所述目标磁盘的故障风险级别，包括：确定所述输出数据所在的数据范围；将所述输出数据所在的数据范围对应的故障风险级别确定为所述目标磁盘的故障风险级别。5.根据权利要求1所述的方法，其特征在于，所述故障特征数据包括以下一个或多个数据项：磁头状态、磁盘坏区、磁头寻道错误率、主轴电机频繁尝试启动、硬盘机械部件故障、已分配坏块数、非安全下电次数、硬件重启次数、硬盘总工作时间、不可恢复错误数、硬盘温度、读阻塞扇区数、硬盘启动时间。6.根据权利要求1至5之中任一项所述的方法，其特征在于，通过以下步骤预先训练获得所述神经网络预测模型：获得样本数据集，所述样本数据集包括多组样本数据，每组样本数据包括故障特征样本数据、io数量跳变样本数据和对应的磁盘故障结果；基于所述样本数据集，对预先构建的神经网络初始模型进行训练，调整模型参数；利用仿真函数对训练后的所述神经网络初始模型进行验证测试；在训练后的所述神经网络初始模型的准确率达到设定准确率阈值或者循环迭代次数达到设定次数阈值时，将训练后的所述神经网络初始模型确定为神经网络预测模型。7.根据权利要求6所述的方法，其特征在于，所述神经网络初始模型为多层前馈神经网络，包括输入层、隐含层、输出层，所述隐含层采用tansig传递函数，所述输出层采用
purelin激活函数。8.一种服务器磁盘故障预测装置，其特征在于，包括：运行状态信息获得模块，用于获得设定时间段内服务器中目标磁盘的运行状态信息；故障特征数据提取模块，用于在所述运行状态信息中提取故障特征数据；io数量跳变数据获得模块，用于获得所述设定时间段内前后时间点对应的io数量跳变数据；故障风险级别确定模块，用于基于所述故障特征数据和所述io数量跳变数据，利用预先训练获得的神经网络预测模型，确定所述目标磁盘的故障风险级别；磁盘故障预测模块，用于根据所述故障风险级别，预测所述目标磁盘是否会发生故障。9.一种服务器磁盘故障预测设备，其特征在于，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现如权利要求1至7任一项所述服务器磁盘故障预测方法的步骤。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述服务器磁盘故障预测方法的步骤。