软件自优化机制中分析判别方法及其反馈优化的研究与实现

发布时间：2023-05-05 19:55

　　软件技术随着互联网应用规模的不断发展而不断变革,网络化软件成为软件发展的主流趋势,大规模网络化软件成为目前软件系统的主要形态之一。当前,环境对大规模网络化软件运行的扰动作用日益明显。因此,大规模网络化软件亟需实现在线的优化调整,以保障软件系统的高可用性和高可靠性,满足日益增长的生产需求。本文着眼于研究大规模网络化软件的在线优化问题,以保障系统的高性能、高可靠和高可用,降低运行维护成本,提高用户体验质量。自主计算领域中,软件自优化是实现软件在线优化调整的有效手段之一。因此,本文针对大规模网络化软件,通过构建软件实体健康度模型、协同软件实体健度实时状态和预测结果,实现软件自优化机制中的分析判别方法,为软件自优化机制的后续环节提供有力的支持。同时,设计了针对该分析判别方法的数据驱动反馈优化方案,以达到持续改进分析判别正确性和有效性的目的。本文的主要工作为以下三个方面:(1)在软件自优化机制中的分析判别方法的研究方面,针对大规模网络化软件的软件运行状态监测分析及软件自优化分析,研究并设计实现软件实体健康度模型,通过软件实体健康度模型中相关指标划分及健康度的计算,利用主成分分析法提取关键影响因素...

【文章页数】：83 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
缩略语对照表
第一章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
        1.2.1 软件自优化
        1.2.2 软件状态评估分析
        1.2.3 基于数据驱动的反馈优化
    1.3 论文工作内容
    1.4 本文组织结构
第二章 理论基础与关键技术
    2.1 判别分析技术
    2.2 关联规则挖掘技术
    2.3 Agent技术
    2.4 本章小结
第三章 基于Agent的软件自优化机制
    3.1 基于Agent的软件自优化机制过程模型
    3.2 基于多Agent的软件自优化架构模型
    3.3 相关Agent模型
        3.3.1 节点Agent模型
        3.3.2 软件实体Agent模型
    3.4 本章小结
第四章 自优化机制中分析判别方法及其反馈优化的设计
    4.1 软件自优化机制中分析判别方法的设计
        4.1.1 软件实体健康度模型的设计
        4.1.2 基于主成分分析的影响因素提取方法设计
        4.1.3 基于动态权值分配的实体状态评估方法的设计
        4.1.4 基于马氏距离的优化判别方法设计
    4.2 针对自优化判别分析的基于数据驱动反馈优化方法的设计
    4.3 本章小结
第五章 自优化机制中分析判别方法及其反馈优化的实现
    5.1 软件自优化机制中的分析判别方法的实现
        5.1.1 基于Agent的软件实体健康度模型的实现
        5.1.2 基于主成分分析的影响因素提取方法的实现
        5.1.3 基于动态权值分配的实体状态评估方法的实现
        5.1.4 基于马氏距离的优化判别方法的实现
    5.2 针对自优化判别分析的基于数据驱动反馈优化方法的实现
        5.2.1 基于数据驱动的软件实体健康度分析参数优化
        5.2.2 基于关联规则挖掘的判别优化
    5.3 本章小结
第六章 实验验证与分析
    6.1 实验设计
    6.2 实验环境
    6.3 实验结果与分析
    6.4 本章小结
第七章 总结展望
    7.1 本文工作总结
    7.2 后续工作展望
参考文献
致谢
作者简介



本文编号：3808309