面向组件的软件老化抗衰策略的研究

随着软件应用系统的复杂性不断提高,系统性能衰退的现象也日益普遍,研究表明计算机应用系统性能的衰退现象主要是由于软件的老化产生的.为了缓解软件老化问题、减少软件性能衰退造成的损失,最终实现一种可准确对系统当前老化状态的预测模型,本文提出一种面向组件的软件老化抗衰策略.该策略在以往研究的基础上,细化了软件再生粒度,将老化的预测和再生扩展到应用组件级.使用灰色预测方法实现在可利用的系统资源不足的情况下的老化状态的预测.还应用Matlab对该模型进行了模拟实验.实验结果表明该策略具有良好的可用性和有效性,延长了软件系统的运行时间,提高了用户的访问成功率,并进一步增强了系统稳定性.     

LSTM网络模型在Web服务器资源消耗预测中的应用研究

如何能够准确地对软件老化趋势进行预测,并及时采取相应恢复策略是当前预防软件老化的一个关键问题.为此,针对老化数据的时序特性,以循环神经网络（Recurrent Neural Network,RNN）及其变种长短时记忆单元（Long Short-Term Memory,LSTM）结构为基础,设计了一种基于LSTM网络的软件老化资源预测方法,并通过应用加速寿命测试实验搭建老化测试平台,对Web服务器因内存泄漏引起的老化现象进行建模和预测.实验结果表明,LSTM老化预测模型在处理Web软件老化的时间序列建模问题上,具有很强的适用性和更高的准确性,能有效提高软件系统的可靠性和可用性.     

基于粗糙小波网络应用服务器老化预测模型

针对应用服务器系统中存在的软件老化现象,监测系统资源消耗的性能参数,采用粗糙小波网络建立系统老化预测模型。该模型首先采用信息熵约简方法化简系统性能参数,从而确定粗糙小波网络的输入变量;然后采用自适应遗传算法对网络结构和参数进行优化。最后通过实验表明,该模型比传统的神经网络和小波网络模型具有更高的预测精度及更好的收敛性能。     

基于SATLSTM的Web系统老化趋势预测

为解决传统软件老化趋势预测模型泛化能力弱、预测准确度低的问题,根据老化数据的时序特性,提出一种基于自注意力机制的长短时记忆单元(Self-Attention-Long Short Term Memory,SATLST)循环神经网络老化趋势预测模型。将LSTM循环神经网络与自注意力机制融合,在深入挖掘老化数据潜在规律的同时,通过对不同输入数据分配不同权重的方式,加大对局部老化信息的关注度。应用加速寿命测试实验搭建软件老化测试平台,对Web服务器因内存泄漏引起的老化现象进行建模和预测。实验结果表明:相较于传统的ARIMA和BP神经网络模型,该模型训练结果与实际值接近,预测精度高,能准确预测Web系统软件老化趋势。     

基于动态命令树算法的软件老化趋势预测方法

考虑到软件老化具有动态性,准确预测软件老化趋势,可降低软件老化所造成的损失,提出基于动态命令树算法的软件老化趋势预测方法.采用基于降噪自编码器与混合趋势粒子滤波的软件老化趋势预测方法,通过软件未老化特征训练降噪自编码器,把软件老化特征数据输入训练完毕的降噪自编码器中获取重构误差,对重构误差进行平滑处理后,设成观测值输入混合趋势粒子滤波算法,实施软件老化趋势预测.在预测阶段,使用基于动态命令树算法的软件老化趋势预测命令管理方法,实现软件老化趋势预测指令的动态管理,优化软件老化趋势的动态预测效果.实验结果表明,所提方法可提升软件老化趋势预测的精度,预测效果显著.     

基于LSTM网络的Web软件系统实时剩余寿命预测

Web软件系统剩余使用寿命的预测精度是影响Web软件系统抗衰决策的重要方面, 为此, 提出了一种基于长短期记忆网络的Web软件系统实时剩余寿命预测方法. 首先搭建加速寿命测试实验平台, 收集反映Web软件系统老化趋势的性能指标, 然后根据该指标数据的时序特性, 建立了一种基于长短时记忆网络(LSTM)的Web软件系统实时剩余寿命预测模型, 并对该模型进行了训练. 实验结果表明, 该预测模型能够有效对Web软件系统的剩余寿命进行实时预测, 具有更好的准确性和适用性. 将所提模型应用于Web软件系统寿命预测中, 能够有效完成预测, 该方法为优化系统抗衰决策提供了技术支撑.     

应用服务器资源动态重配置再生方法

传统的基于模型的老化与再生研究方法已不适于动态开放的网络环境。以对服务器内部状态、行为、环境等信息进行运行时监测,并准确、全面地评价老化趋势为基础,采用资源动态重配置方法提高系统服务能力、灵活性与适应性具有重要意义。以J2EE应用服务器为实验对象,对基于资源动态重配置的应用服务器软件再生方法进行研究与实现。给出动态重配置再生模型,提出运行时监测体系结构,从用户体验和服务器运行状况角度给出软件老化指标、服务器端监测模型、客户端监测模型,实现了负载发生器、用户体验数据监测等功能模块。研究资源动态重配置过程,分析可动态重配置的资源对象,提出将分析现有数据与预测未来数据相结合,再辅以人工控制的决策算法。建立测试系统,对再生模型进行实验,验证了老化现象与再生方法的有效性。     

基于混沌理论的网络数据流RBF神经网络预测

应用相空间重构理论，研究了网络数据流的混沌特性，计算了实际网络数据流的关维数、Lyapunov指数，证实网络数据流存在混沌现象；据此建立了基于径向基函数(RBF)预测模型，对实际网络数据流进行预测。仿真实验表明，相对于反向传播(BP)神经网络预测，基于混沌理论的RBF神经网络预测方法学习速度快，预测精度高。     

粒子群退火算法优化的BP神经网络及其应用

以提高预测软件老化趋势为应用背景,提出一种新型粒子群退火算法(New Particle Swarm Annealing Algorithm, NPSOSA)优化BP神经网络的权值和阈值,继而构建NPSOSA-BP神经网络预测模型.实验通过搭建软件老化测试平台,收集所需的老化数据并进行仿真训练.实验结果表明, NPSOSA-BP神经网络模型相比于传统粒子群算法(PSO)、传统粒子群退火算法(PSOSA)优化的BP神经网络模型提高了预测精度和适用度,在该应用领域验证了本文方法的有效性.     

基于RBF神经网络的网络安全态势感知预测研究

针对网络安全态势的感知问题,结合巨龙山和者磨山风电场的运行情况,文章提出了基于径向基函数(RBF)神经网络的网络安全态势预测模型,采用K-means聚类算法对网络参数进行优化并感知网络安全态势,并采用训练数据来训练该模型。训练结果表明,该方法能较准确的获得态势预测结果,具有较高的检测准确率,与BP神经网络预测对比也显示出更高的精度与更好的适应性。