軟件老化是指在長時(shí)間運(yùn)行的軟件系統(tǒng)上,由于內(nèi)存泄漏、碎片問題、數(shù)值累計(jì)錯(cuò)誤等原因而產(chǎn)生的軟件狀態(tài)異常、性能下降、系統(tǒng)宕機(jī)甚至失效的現(xiàn)象。隨著云計(jì)算技術(shù)的不斷發(fā)展,云平臺(tái)下的軟件老化現(xiàn)象也在不斷發(fā)生。針對這些軟件老化現(xiàn)象,目前主要有三種軟件老化預(yù)測方法,分別為基于模型的方法、基于測量的方法以及兩種方法的混合�，F(xiàn)有研究中主要以基于測量的方法居多,即利用機(jī)器學(xué)習(xí)算法對收集到的數(shù)據(jù)進(jìn)行預(yù)測,從而判斷出軟件老化的時(shí)間并對其執(zhí)行抗衰。在眾多的機(jī)器學(xué)習(xí)算法中,BP神經(jīng)網(wǎng)絡(luò)可以取得令人滿意的預(yù)測效果,但是BP神經(jīng)網(wǎng)絡(luò)的權(quán)值及閾值是隨機(jī)初始化的,存在極易陷入局部最優(yōu)解及收斂速度慢的問題,因此使用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行軟件老化預(yù)測在精度上仍有提升優(yōu)化空間。對此本文提出了一種基于人工蜂群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的預(yù)測方法。首先設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)基于人工蜂群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的軟件老化預(yù)測模型,并通過阿里云收集到的數(shù)據(jù)集對本文實(shí)驗(yàn)方法的有效性進(jìn)行了驗(yàn)證。然后將本文提出的方法在Google云平臺(tái)的大規(guī)模數(shù)據(jù)集上進(jìn)行有效性實(shí)驗(yàn),通過對采集到的真實(shí)的數(shù)據(jù)集進(jìn)行標(biāo)準(zhǔn)化歸一化的處理,對比了單一BP神經(jīng)網(wǎng)絡(luò)及本文所用實(shí)驗(yàn)方法的預(yù)測... 

【文章來源】：內(nèi)蒙古大學(xué)內(nèi)蒙古自治區(qū) 211工程院校

【文章頁數(shù)】：61 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 論文研究內(nèi)容
    1.4 論文組織結(jié)構(gòu)
第二章 相關(guān)技術(shù)與基礎(chǔ)知識(shí)
    2.1 基于測量的軟件老化預(yù)測
    2.2 人工蜂群算法介紹
        2.2.1 人工蜂群算法的背景
        2.2.2 人工蜂群算法的基本原理
        2.2.3 人工蜂群算法的流程
    2.3 BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)知識(shí)
        2.3.1 BP神經(jīng)網(wǎng)絡(luò)算法思想
        2.3.2 BP算法的推導(dǎo)過程
    2.4 本章小結(jié)
第三章 基于蜂群及BP神經(jīng)網(wǎng)絡(luò)的軟件老化預(yù)測模型的設(shè)計(jì)與驗(yàn)證
    3.1 問題的提出
    3.2 軟件老化預(yù)測算法流程
    3.3 BP神經(jīng)網(wǎng)絡(luò)部分的設(shè)計(jì)
        3.3.1 數(shù)據(jù)輸入及目標(biāo)輸出
        3.3.2 樣本的選取
        3.3.3 網(wǎng)絡(luò)結(jié)構(gòu)
        3.3.4 激活函數(shù)的確定
        3.3.5 學(xué)習(xí)算法
        3.3.6 網(wǎng)絡(luò)評價(jià)指標(biāo)
    3.4 人工蜂群算法部分的設(shè)計(jì)
        3.4.1 人工蜂群算法的優(yōu)勢及特點(diǎn)
        3.4.2 參數(shù)初始化設(shè)置
        3.4.3 蜂群算法的評價(jià)指標(biāo)
    3.5 模型的驗(yàn)證
        3.5.1 實(shí)驗(yàn)環(huán)境介紹
        3.5.2 所建模型驗(yàn)證
    3.6 本章小結(jié)
第四章 實(shí)驗(yàn)及結(jié)果分析
    4.1 數(shù)據(jù)收集
    4.2 數(shù)據(jù)預(yù)處理
        4.2.1 特征選擇
        4.2.2 數(shù)據(jù)歸一化
    4.3 實(shí)驗(yàn)結(jié)果及對比分析
        4.3.1 隱含層節(jié)點(diǎn)數(shù)的確定
        4.3.2 學(xué)習(xí)算法的比較
        4.3.3 實(shí)驗(yàn)及對比分析
    4.4 本章小結(jié)
第五章 軟件抗衰策略設(shè)計(jì)
    5.1 云平臺(tái)下抗衰執(zhí)行方案
    5.2 軟件抗衰方法
    5.3 本章小結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
致謝
攻讀碩士期間發(fā)表的學(xué)術(shù)論文
參加項(xiàng)目


【參考文獻(xiàn)】：
期刊論文
[1]Neural network based approach for time to crash prediction to cope with software aging[J]. Moona Yakhchi,Javier Alonso,Mahdi Fazeli,Amir Akhavan Bitaraf,Ahmad Patooghy.  Journal of Systems Engineering and Electronics. 2015(02)
[2]基于BP神經(jīng)網(wǎng)絡(luò)和馬爾科夫模型的服務(wù)器軟件老化預(yù)測方法[J]. 林已杰,賴清,周敏.  西南師范大學(xué)學(xué)報(bào)(自然科學(xué)版). 2011(04)
[3]基于時(shí)間與檢測的軟件恢復(fù)策略及成本分析[J]. 游靜,趙學(xué)龍,徐建,劉鳳玉.  計(jì)算機(jī)工程. 2006(11)

碩士論文
[1]地區(qū)宏觀經(jīng)濟(jì)預(yù)測中的人工神經(jīng)網(wǎng)絡(luò)模型與方法研究[D]. 趙會(huì).大連理工大學(xué) 2000



本文編號：3438111