基于人工蜂群算法与BP神经网络模型的云软件老化预测机制研究

发布时间：2021-10-15 14:10

　　软件老化是指在长时间运行的软件系统上,由于内存泄漏、碎片问题、数值累计错误等原因而产生的软件状态异常、性能下降、系统宕机甚至失效的现象。随着云计算技术的不断发展,云平台下的软件老化现象也在不断发生。针对这些软件老化现象,目前主要有三种软件老化预测方法,分别为基于模型的方法、基于测量的方法以及两种方法的混合。现有研究中主要以基于测量的方法居多,即利用机器学习算法对收集到的数据进行预测,从而判断出软件老化的时间并对其执行抗衰。在众多的机器学习算法中,BP神经网络可以取得令人满意的预测效果,但是BP神经网络的权值及阈值是随机初始化的,存在极易陷入局部最优解及收敛速度慢的问题,因此使用BP神经网络进行软件老化预测在精度上仍有提升优化空间。对此本文提出了一种基于人工蜂群算法优化BP神经网络的预测方法。首先设计并实现了一个基于人工蜂群算法优化BP神经网络的软件老化预测模型,并通过阿里云收集到的数据集对本文实验方法的有效性进行了验证。然后将本文提出的方法在Google云平台的大规模数据集上进行有效性实验,通过对采集到的真实的数据集进行标准化归一化的处理,对比了单一BP神经网络及本文所用实验方法的预测... 

【文章来源】：内蒙古大学内蒙古自治区 211工程院校

【文章页数】：61 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 论文研究内容
    1.4 论文组织结构
第二章 相关技术与基础知识
    2.1 基于测量的软件老化预测
    2.2 人工蜂群算法介绍
        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神经网络的基础知识
        2.3.1 BP神经网络算法思想
        2.3.2 BP算法的推导过程
    2.4 本章小结
第三章 基于蜂群及BP神经网络的软件老化预测模型的设计与验证
    3.1 问题的提出
    3.2 软件老化预测算法流程
    3.3 BP神经网络部分的设计
        3.3.1 数据输入及目标输出
        3.3.2 样本的选取
        3.3.3 网络结构
        3.3.4 激活函数的确定
        3.3.5 学习算法
        3.3.6 网络评价指标
    3.4 人工蜂群算法部分的设计
        3.4.1 人工蜂群算法的优势及特点
        3.4.2 参数初始化设置
        3.4.3 蜂群算法的评价指标
    3.5 模型的验证
        3.5.1 实验环境介绍
        3.5.2 所建模型验证
    3.6 本章小结
第四章 实验及结果分析
    4.1 数据收集
    4.2 数据预处理
        4.2.1 特征选择
        4.2.2 数据归一化
    4.3 实验结果及对比分析
        4.3.1 隐含层节点数的确定
        4.3.2 学习算法的比较
        4.3.3 实验及对比分析
    4.4 本章小结
第五章 软件抗衰策略设计
    5.1 云平台下抗衰执行方案
    5.2 软件抗衰方法
    5.3 本章小结
第六章 总结与展望
    6.1 总结
    6.2 展望
参考文献
致谢
攻读硕士期间发表的学术论文
参加项目


【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]基于BP神经网络和马尔科夫模型的服务器软件老化预测方法[J]. 林已杰,赖清,周敏.  西南师范大学学报(自然科学版). 2011(04)
[3]基于时间与检测的软件恢复策略及成本分析[J]. 游静,赵学龙,徐建,刘凤玉.  计算机工程. 2006(11)

硕士论文
[1]地区宏观经济预测中的人工神经网络模型与方法研究[D]. 赵会.大连理工大学 2000



本文编号：3438111