安卓系统软件老化预测方法研究

发布时间：2021-10-24 19:10

　　软件老化是指在系统持久和连续地运行过程中,由于老化相关的错误的累积而导致的资源持续消耗、系统性能持续下降或系统错误数持续增加,并最终导致系统崩溃的现象。安卓移动终端已深入到人们生活的各个方面,而安卓系统在长时间运行中容易产生启动时间增长和系统崩溃等问题,引发这些问题的一个重要原因是安卓系统软件老化,但安卓系统软件老化预测研究较少。研究安卓系统软件老化有助于提升系统的稳定性和用户体验,因此,本文基于页面错误数（Page Fault,PF）和启动时间（Launch Time,LT）老化指标,对比分析基于不同机器学习算法的安卓系统软件老化预测模型的性能,具体工作如下:1)在安卓系统老化数据预处理和特征提取阶段,本文更加全面地考虑了网络、虚拟内存和负载等方面的系统性能指标,并进行数据采集;本文基于K-means算法剔除应用启动等情况下由于系统性能指标突变而产生的离异点;除了常用的LT老化指标,本文还引入了PF指标作为安卓系统软件老化指标,并分别提取了与老化指标具有相关性的系统性能指标作为特征数据。2)在老化模型训练和预测阶段,首先,本文基于LT老化指标进行数据标注,采用决策树、支持向量机和深度... 

【文章来源】：武汉理工大学湖北省 211工程院校 教育部直属院校

【文章页数】：75 页

【学位级别】：硕士

【部分图文】：

数据标注示例

本节选取了启动时间老化指标存在明显变化趋势，但系统未发生崩溃的实验数据作为测试数据集，其趋势如图 3-2 所示。由图 3-2 可知，只采用趋势分析标注数据时，编号30 对应的时间点之前的数据被标注为 HS，编号 40 对应的时间点之后的数据被标注为 AS，中间的数据被标注为 SS。本节对比了只采用趋势分析进行数据标注的结果和基于支持向量机算法的老化模型的预测结果，如图 3-3 所示。图 3-2 测试数据集的启动时间趋势图 图 3-3 两种方式标注的老化状态对比图由图 3-3 可知，对于 HS 和 SS，基于支持向量机算法的模型的预测结果和只采用趋势分析法标注的老化状态结果具有较高的吻合度，但对于 AS 的判定存在较大的差异性。当只采用趋势分析进行标注时

分支个数达到 28 后，模型的准确率趋于平衡，即模型的泛化能力较好。因此，本节设定最大分支数为 28。最后，本节根据下图 3-5 中展示的实验结果对最小叶节点数进行设置。由图可知，当最小叶节点数为 15 时，模型交叉验证的错误率最小，即该值对应模型泛化能力较好。因此，本节设置最小叶节点数为 15。3

【参考文献】：
期刊论文
[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]软件老化的多元时间序列分析方法[J]. 郑鹏飞,齐勇,陈鹏飞.  计算机科学与探索. 2012(02)



本文编号：3455823