计算系统软件抗衰重启技术研究

细粒度的软件抗衰，即部分的重启,它可以进一步降低抗衰成本,提高系统可用性.制定细粒度的软件抗衰策略的一个重要前提是确定可以安全重启的对象,并建立重启树.本文根据典型的软件体系结构和模块间的控制、调用及数据访问关系,研究了模块间的耦合程度和重启相关性之间的关系,给出了重启相关性和相关度的判定方法,确定了各模块的可达集和重启群,将模块的重启群作为抗衰策略的重启对象,并依据模块对系统资源的损耗程度,建立了重启树,制定了软件抗衰策略,建立了抗衰策略实施过程的有限自动机模型.     

DNA计算在软件抗衰技术中的应用研究*

针对软件系统中进程间控制、调用及数据访问的关系,分析了进程间的耦合程度,给出了判定进程间重启相关度方法和系统重启树的构建规则,并结合DNA计算的原理和特性,给出了判定进程间重启相关度DNA计算模型,并初步制定了重启实施策略,为实现智能化细粒度软件抗衰提供支持.     

嵌套的计算系统进程级自适应抗衰重启策略研究及模型分析

执行细粒度的进程级软件抗衰可以进一步降低抗衰成本，提高软件可靠性。本文针对软件系统中进程间交互频繁多变且交互关系难以判定的特点，分析进程间控制、调用及数据访问的关系，重新定义了进程重启相关度，提出了自适应进程相关拓扑图的算法理论，从而制定了嵌套的进程级软件抗衰重启策略，并在此基础上构建了策略实施模型，从而为全面实现智能化的软件系统细粒度软件抗衰提供了支持。     

基于访问关系的进程重启相关性判定

执行细粒度的进程级软件抗衰，可以进一步降低抗衰成本，提高软件可靠性。本文根据软件系统中进程间控制、调用及数据访问的关系，分析了进程间的耦合度，确定了寻找直接耦合进程的途径，并在此基础上判定了进程重启相关性，从而为实现系统进程级软件抗衰提供了支持。     

基于组件的嵌套软件抗衰策略及建模

将软件抗衰粒度细化到组件级,执行嵌套的抗衰重启策略,可以降低抗衰成本,提高软件可靠性。该文根据软件系统中组件间控制、调用及数据访问的关系,确定了寻找直接耦合组件的途径和系统组件重启树生成方法,构建嵌套的组件级抗衰重启策略,并为系统细粒度软件抗衰提供支持。     

一种适用于构件系统的软件抗衰技术框架

近年来,软件抗衰技术已被证实是解决软件衰老问题的有效途径。本文针对构件系统特点,将Micro-Reboot思想引入到软件抗衰技术中,也即将单个构件作为抗衰技术中检测和措施的对象,一方面使得每个构件能够长时间保持在良好状态,从而提高整个体系的性能,另一方面引入Request—Retry机制,提高系统的可用性。本文基于J2EE构件模型开发出一种新的软件抗衰技术框架,相关理论已成果并在江苏省科技攻关项目“城域网海量视听信息实时点播系统”中应用。     

基于当前软件抗衰技术存在问题的思考

随着计算机技术的发展,一个新的计算机研究方向衍生出来,就是当下比较热门的软件抗衰技术.本课题涉及的范围非常广:系统性能检测、故障诊断、软件工程以及可靠性分析等多个方面,基于当前软件抗袁技术的研究,笔者通过分析原因、检测和评价方法软件抗衰策略以及实现技术等方面,进行思考探索.     

软件抗衰研究综述

软件衰退的现象存在于各类软件系统中且很难消除.文中分析了其成因和必然存在性,系统阐述了抗衰技术研究的动机、概念和发展,并对不同的模型和解决途径进行了分析和比较;接着探讨了软件抗衰研究领域的新的研究进展,设计了一个基于免疫机理的抗衰模型,同时给出了抗衰模型的免疫理论基础,为软件抗衰研究提供了一个崭新的研究方向;最后对软件抗衰未来的研究方向作出了一个简单的分析和预测.     

使用混合模型预测Web服务器中的资源消耗

软件老化是一种在长期运行的软件系统中观察到的软件异常状态,如性能下降、暂停服务,甚至失效等现象。软件抗衰技术被用来处理软件老化带来的问题:停止软件应用、移除错误的因素、重新启动应用。对于软件老化和抗衰来说,如何准确地预测老化系统中的资源消耗并且找到一个合适的时机执行抗衰是一个关键的问题。针对该问题,提出一种混合模型方法用于资源消耗预测,并且提出 多门限值时间段抗衰算法用于抗衰时机的选择。实验结果表明,混合模型方法在资源消耗预测上要好于其他模型,并且提出的抗衰算法要好于单一的门限值算法。     

基于自注意力长短期记忆网络的Web软件系统实时剩余寿命预测方法

为了能够实时准确对Web软件系统的剩余使用寿命（RUL）进行预测,考虑Web系统健康状态性能指标的时序特性和指标间的相互依赖特性,提出了一种基于自注意力长短期记忆（Self-Attention-LSTM）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来收集反映Web软件系统老化趋势的性能指标数据;然后,根据该性能指标数据的时序特性来构建长短期记忆（LSTM）循环神经网络以提取性能指标的隐含层特征,并使用自注意力机制建模特征间的依赖关系;最后,得到系统RUL的实时预测值。在三组测试集上,把所提模型与反向传播（BP）网络和常规的循环神经网络（RNN）做了对比。实验结果表明,所提模型的平均绝对误差（MAE）比长短期记忆（LSTM）网络平均低16.92%,相对准确率（Accuracy）比LSTM网络平均高5.53%,验证了Self-Attention-LSTM网络剩余寿命预测模型的有效性。可见所提方法能为优化系统抗衰决策提供技术支撑。     

Nonlinear dynamic system identification using pipelined functional link artificial recurrent neural network

A computationally efficient pipelined functional link artificial recurrent neural network (PFLARNN) is proposed for nonlinear dynamic system identification using a modification real-time recurrent learning (RTRL) algorithm in this paper. In contrast to a feedforward artificial neural network (such as a functional link artificial neural network (FLANN)), the proposed PFLARNN consists of a number of simple small-scale functional link artificial recurrent neural network (FLARNN) modules. Since those modules of PFLARNN can be performed simultaneously in a pipelined parallelism fashion, this would result in a significant improvement in its total computational efficiency. Moreover, nonlinearity of each module is introduced by enhancing the input pattern with nonlinear functional expansion. Therefore, the performance of the proposed filter can be further improved. Computer simulations demonstrate that with proper choice of functional expansion in the PFLARNN, this filter performs better than the FLANN and multilayer perceptron (MLP) for nonlinear dynamic system identification.     

基于网络表征学习的混合缺陷预测模型

针对软件系统模块间具有依赖关系的问题,通过对软件系统网络结构进行分析,构建了基于网络表征学习的混合缺陷预测模型。首先,将软件系统以模块为单位转换成软件网络;然后,使用网络表征技术来无监督学习软件网络中每个模块的系统结构特征;最后,结合系统结构特征和卷积神经网络学习的语义特征构建一个混合缺陷预测模型。实验结果表明：在Apache三个开源软件poi、lucene和synapse上所提混合缺陷预测模型具有更好的缺陷预测效果,其F1指标比最优模型——基于卷积神经网络（CNN）的缺陷预测模型分别提高了3.8%、1.0%、4.1%。软件网络结构特征分析为缺陷预测模型的构建提供了有效的研究思路。     

基于人工神经网络的软件失效预测模型研究

在软件开发的早期预测有失效倾向的软件模块,能够极大的提高软件的质量。软件失效预测中的一个普遍的问题是数据中存在噪声,而神经网络具有鲁棒性并对噪声有很强的抑制能力。该文介绍了一种基于人工神经网络的软件失效预测模型,给出了基于反向传播算法的多层前向网络的网络结构。用这种方法对朗讯光网络有限公司开发的SDH通信软件进行了分析,并得到了较高的预测准确率。通过采集通信软件的不同发布版本的测试历史数据,讨论了训练集数据的选择与预测精度之间的关系。     

Pipelined Chebyshev Functional Link Artificial Recurrent Neural Network for Nonlinear Adaptive Filter

A novel nonlinear adaptive filter with pipelined Chebyshev functional link artificial recurrent neural network (PCFLARNN) is presented in this paper, which uses a modification real-time recurrent learning algorithm. The PCFLARNN consists of a number of simple small-scale Chebyshev functional link artificial recurrent neural network (CFLARNN) modules. Compared to the standard recurrent neural network (RNN), those modules of PCFLARNN can simultaneously be performed in a pipelined parallelism fashion, and this would lead to a significant improvement in its total computational efficiency. Furthermore, contrasted with the architecture of a pipelined RNN (PRNN), each module of PCFLARNN is a CFLARNN whose nonlinearity is introduced by enhancing the input pattern with Chebyshev functional expansion, whereas the RNN of each module in PRNN utilizing linear input and first-order recurrent term only fails to utilize the high-order terms of inputs. Therefore, the performance of PCFLARNN can further be improved at the cost of a slightly increased computational complexity. In addition, due to the introduced nonlinear functional expansion of each module in PRNN, the number of input signals can be reduced. Computer simulations have demonstrated that the proposed filter performs better than PRNN and RNN for nonlinear colored signal prediction, nonstationary speech signal prediction, and chaotic time series prediction.