1.一种基于多任务学习的SSD故障预测方法，其特征在于，所述方法包括如下步骤：S100，对获取的硬盘日志中的数据进行预处理和标准化，得到若干个初始SSD和每一初始SSD的初始数据；

S200，获取目标年龄组列表和每一目标年龄组对应的关键特征列表，所述目标年龄组列表包括a个对应不同SSD使用时长预设区间范围的目标年龄组，所述关键特征列表包括若干个用于预测SSD故障的关键特征，所述关键特征基于SSD的硬盘日志得到；

S300，基于初始数据包含的使用时长，获取每一目标年龄组对应的目标SSD列表和目标SSD列表对应的目标关键特征值列表集，所述目标SSD列表包括若干个目标SSD且处于同一目标SSD列表的目标SSD为归属于同一目标年龄组的初始SSD，所述目标关键特征值列表集包括若干个目标关键特征值列表，所述目标关键特征值列表包括目标SSD对应若干个指定特征的目标关键特征值，其中，所述指定特征是目标SSD归属的目标年龄组对应的关键特征；

S400，将a个目标年龄组对应的目标SSD列表的目标关键特征值列表集分别输入目标多任务学习模型包括的a个目标子学习模型，获取每一目标子学习模型输出的故障预测结果；

并将a个故障预测结果作为元特征输入目标元模型再次进行故障预测，获取目标堆叠结果；

S500，获取第一其它分类器和第二其它分类器，将目标SSD的初始数据输入第一其它分类器进行故障预测，获取第一其它预测结果；并将目标SSD的初始数据输入第二其它分类器进行故障预测，获取第二其它预测结果；

S600，基于目标堆叠结果、第一其它预测结果和第二其它预测结果，获取每一目标SSD对应的最终预测结果；

通过如下步骤获取目标年龄组和目标年龄组对应的关键特征列表：

S210，获取若干个样本SSD和每一样本SSD的样本数据，对样本数据进行预处理和标准化，获取每一样本SSD的样本特征值列表，所述样本特征值列表包括样本SSD对应若干个预设初始特征的值，所述预设初始特征基于样本数据得到；

S220，获取预设使用时间段列表，所述预设使用时间段列表包括若干个预设使用时间段，其中，不同预设使用时间段的时间间隔相同；

S230，基于预设使用时间段列表和样本SSD的硬盘型号，对样本SSD进行划分，获取样本年龄组列表集，所述样本年龄组列表集包括若干个样本年龄组列表，所述样本年龄组列表包括处于同一个预设使用时间段且硬盘型号相同的若干个样本SSD；

S240，基于样本年龄组列表，获取每一样本年龄组中每一预设初始特征的重要程度，按照重要程度由大到小进行排序，将前b个预设初始特征标记为该样本年龄组的中间特征，从而获取每一样本年龄组对应的中间特征列表，所述中间特征列表包括若干个中间特征；

S250，获取任意相邻两个样本年龄组的中间特征列表的相似性系数，若相似性系数小于预设相似度阈值，将两个样本年龄组分别作为两个目标年龄组，并将两个样本年龄组对应的中间特征列表分别作为对应目标年龄组的关键特征列表；

S260，若相似性系数不小于预设相似度阈值，将两个样本年龄组进行合并作为一个目标年龄组，并将两个样本年龄组的中间特征列表进行合并作为该目标年龄组对应的关键特征列表。

2.根据权利要求1所述的基于多任务学习的SSD故障预测方法，其特征在于，S220通过如下步骤获取预设使用时间段的时间间隔：S221，基于样本数据，通过核密度估计法，获取样本数据的概率密度函数；

S222，基于样本数据，通过变点检测算法，获取样本数据的样本突变点；

S223，基于概率密度函数和样本突变点，确定预设使用时间段的时间间隔。

3.根据权利要求1所述的基于多任务学习的SSD故障预测方法，其特征在于，将任意相邻两个样本年龄组的中间特征列表的Jaccard系数作为相似性系数。

4.根据权利要求1所述的基于多任务学习的SSD故障预测方法，其特征在于，S230中，基于样本年龄组列表，获取每一样本年龄组中每一预设初始特征的重要程度包括：S231，获取重要程度计算方法列表，所述重要程度计算方法列表包括若干个重要程度计算方法；

S232，获取样本SSD的真实故障结果，并基于样本SSD的真实故障结果和样本年龄组列表对应的样本SSD的样本特征值列表，使用重要程度计算方法获取预设初始特征的重要程度。

5.根据权利要求4所述的基于多任务学习的SSD故障预测方法，其特征在于，所述重要程度计算方法包括：Spearman相关系数的计算方法、pearson相关系数的计算方法。

6.根据权利要求4所述的基于多任务学习的SSD故障预测方法，其特征在于，还包括如下步骤获取目标多任务学习模型：S001，基于样本SSD的样本数据，获取每一目标年龄组对应的中间SSD列表和每一中间SSD对应的中间关键特征值列表，所述中间SSD列表包括若干个处于同一目标年龄组的样本SSD对应的中间SSD，所述中间关键特征值列表包括中间SSD对应若干个候选特征的目标关键特征值；其中，所述候选特征是中间SSD的使用时长对应的目标年龄组对应的关键特征；

S002，构建初始多任务学习模型，所述初始多任务学习模型包括a个初始子学习模型；

S003，基于中间SSD的真实故障结果和每一中间SSD对应的中间关键特征值列表，对初始多任务学习模型进行训练，获取目标多任务学习模型。

7.根据权利要求1所述的基于多任务学习的SSD故障预测方法，其特征在于，第一其它分类器为目标GBDT分类器，第二其它分类器为目标XGBoost分类器。

8.一种非瞬时性计算机可读存储介质，所述存储介质中存储有至少一条指令或至少一段程序，其特征在于，所述至少一条指令或所述至少一段程序由处理器加载并执行以实现如权利要求1‑7中任意一项所述的基于多任务学习的SSD故障预测方法。

9.一种电子设备，其特征在于，包括处理器和权利要求8中所述的非瞬时性计算机可读存储介质。