基于蚁群神经网络的软件老化趋势预测

论文摘要

软件在长期不间断的运行过程中,会产生系统内存泄漏、未释放的文件锁、舍入误差的积累、大量的存储空间碎片等现象,这些原因会导致软件性能的下降,这种现象被称为软件老化。软件老化的现象不仅存在于通常使用的Web服务器或者通用服务器,也存在于要求高可靠性、可用性的应用系统。软件老化对安全关键领域包括人的生命都造成了巨大损失。及时地预测软件老化程度的趋势,根据系统资源的耗尽时间的度量标准,就可以及时采取相应的恢复策略,从而可以避免软件老化所造成的损失。本文在BP神经网络的基础上、采用蚁群算法,对反映软件老化趋势程度的资源参数进行预测,从而判断软件恢复时间。论文首先论述了软件老化的研究意义和研究现状；构建了研究软件老化的实验平台；其次介绍了线性预测方法和非线性预测方法,这些方法包括Sen slope、ARMA模型、BP神经网络等,本文对各种预测算法进行了综合比较。在预测老化趋势方面,首先应用各种预测方法对实验平台采集的系统性能数据进行了预测,实验表明神经网络算法在数据的拟合准确性和预测的精确性方面,此算法达到了一定的精度。BP神经网络的初始化权值的选择存在着一定的不足。因此,本文提出了蚁群神经网络(ACONN, Ant Colony Neural Network),使用蚁群算法优化BP神经网络的初始化权值,建立了蚁群算法优化BP神经网络的模型,完成了蚁群神经网络对软件老化趋势预测的设计。论文对蚁群神经网络的构建流程进行了阐述,并使用MATLAB神经网络工具箱,进行了仿真试验。实验结果表明,由于蚁群算法全局寻优特性,蚁群神经网络能够快速优化BP神经网络权值的初始选择,从而减少了BP神经网络训练的迭代次数和训练时间。预测结果表明蚁群神经网络的性能优于BP神经网络,预测更为准确。

论文目录

• 摘要
• Abstract
• 第1章 前言
• 1.1 研究软件老化的意义
• 1.2 国内外研究的现状
• 1.3 本文主要研究内容
• 1.4 本文的结构与组织
• 第2章 实验平台构建
• 2.1 总体设计
• 2.2 详细设计
• 2.2.1 软件部署
• 2.2.2 软件参数设置
• 2.3 数据采集
• 2.4 本章小结
• 第3章 软件老化趋势预测算法
• 3.1 线性方法
• 3.1.1 Sen slope基础
• 3.1.2 Sen slope趋势预测
• 3.1.3 ARMA基础
• 3.1.4 ARMA模型趋势预测
• 3.2 非线性方法
• 3.2.1 生物神经元网络
• 3.2.2 人工神经元模型
• 3.2.3 神经网络学习
• 3.2.4 神经网络预测
• 3.3 本章小结
• 第4章 基于BP神经网络的软件老化趋势预测
• 4.1 BP神经网络基础
• 4.2 BP神经网络结构
• 4.3 BP神经网络的训练算法
• 4.4 BP算法改进
• 4.5 BP神经网络缺点
• 4.6 BP神经网络预测
• 4.6.1 组织样本
• 4.6.2 确定参数
• 4.6.3 数据预处理
• 4.6.4 进行预测
• 4.7 本章小结
• 第5章 基于蚁群神经网络的软件老化趋势预测
• 5.1 蚁群算法及应用
• 5.2 蚁群算法原理
• 5.3 蚁群算法的特点
• 5.4 蚁群算法优化模型
• 5.5 蚁群算法实现过程
• 5.6 蚁群算法参数的选择
• 5.6.1 蚁群规模参数S
• 5.6.2 信息素残留度ρ
• 5.6.3 总信息量Q
• 5.7 蚁群神经网络算法流程
• 5.8 蚁群神经网络预测
• 5.9 预测结果的评估
• 5.9.1 误差函数
• 5.9.2 性能比较
• 5.10 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间发表的论文和取得的科研成果
• 致谢