软件测试新手如何快速找出软件中的Bug

当前用户对软件企业开发出来的软件质量提出了越来越高的要求.在这种大的环境背景下,催生了一个新兴的职业--"软件测试工程师".尤其是最近2-3年来,加入这个职业或者即将加入到这个职业的人也越来越多.作为一名软件测试工程师,应在工作实践中不断总结经验、教训,善于学习和借鉴他人长处,方能迅速找到软件中的缺陷Bug.     

基于ARMA模型的网络流量预测

随着计算机网络的迅速发展,目前的网络规模极为庞大和复杂,因此发生各种问题的可能性也越大,同时管理网络的难度也增大,传统的网络管理是在告警之后,解决潜在的问题,即为一种响应式的行为,这时候网络的服务很可能已经受到影响,根据实际采集的非单播包数的观测值序列,建立该流量参数的正常行为,然后平稳化该序列,估计出网络流量的ARMA（2,1）模型,用线性最小均方误差预测方法,对网络流量进行预测,并检测在将来超越阈值的可能性和发生时间,这样,在网络过载发生之前,可以预先采取防范措施,来保证网络的正常服务,这种方法改变了以往的网络管理响应方式,使得网络过载的预警成为可能。     

基于时序分析的木马规模预测技术

木马作为网络所面临的一种重要威胁。其控制主机的规模对网络安全态势有重大影响。对进行有效预测可为网络安全预警和防御提供决策支持。在大规模网络中检测到的木马数据具有较大的规模和较强的数据独立性,难以进行关联分析,而用时序分析可以获取更多有价值的信息。本文介绍了在时序分析预测中广泛采用的ARMA预测技术、基于小波分析的预测技术和基于时序事件化的预测技术,针对大规模网络中监测到的真实木马数据集的数据特点,在短、中期时间上对三种时序预测技术进行比较讨论。实验表明,基于时序事件化的预测技术具有最优的准确性。     

基于组合神经网络模型的金融时序预测

金融市场中的股票价格具有波动性和复杂性,而如今传统模型很难有效进行股价预测。选取上证指数作为数据集,提出了BP-LSTM模型和ARIMA-LSTM模型这两种混合模型,BP-LSTM模型利用BP模型提取数据中的非时序信息,再用LSTM模型提取数据中的时序信息的优点。ARIMA-LSTM模型中ARIMA模型可以利用数据中的线性信息,而LSTM模型适合提取数据中的非线性信息。为了证明模型的可行性,建立了LSTM模型,BP模型和ARIMA模型来进行对比,得出ARIMA-LSTM的预测效果好过其他的模型,BP-LSTM预测股价效果不好,但更适合做分类来预测股票涨跌。     

中国养老服务床位数的预测与分析

随着我国人口老龄化进程加速,养老服务床位数和65岁以上老年人口数的预测成为亟待解决的问题。根据中国统计年鉴和民政局年度公报提供的数据建立了养老服务床位logistic模型和ARMA(1,2,1)模型,为了研究床位数与养老人口数比例之间的关系,又建立了logistic模型,对65岁以上的老年人口数建立指数模型。对上述四个模型使用MATLAB和Eviews进行求解,给出相关预测结果,并对不同模型的预测结果进行比较和分析,为未来我国养老事业政策的制定和抉择提供理论依据。     

改进的灰色模型与ARMA模型的股指预测

当前基于灰色GM（1,1）模型和ARMA模型的组合模型GM-ARMA模型存在着2点不足：一是由于GM（1,1）模型不是最优的,导致了GM-ARMA模型也不是最优的;二是GM-ARMA模型并没有恰当地结合2个子模型,这也导致了GM-ARMA模型不是最优的.为此,首先引入数据维度参数和白化背景值的系数2个参数来改进GM（1,1）模型,然后同时优化ARMA模型中的P、Q2个参数来改进GM-ARMA模型,称新的模型为RevisedGM-ARMA（RGM-ARMA）模型.实例证明RGM-ARMA的误差小于ARIMA和GM-ARMA模型,并且为组合模型的建立提供了新的思路.     

小波变换与GARCH组合模型的网络流量预测

在一些网络环境当中,网络流量具有非线性、异方差性和波动集群现象,传统的小波变换与ARMA组合模型不能很好地描述网络流量的这些特性。因此,研究使用了小波变换与广义自回归条件异方差GARCH组合模型来预测网络流量。首先,使用小波变换原理将网络流量序列分解成高频部分和低频部分,在此基础上对各个子序列分别建立相应的GARCH模型并进行预测;然后,使用小波变换原理将各个子序列的预测结果进行重构,从而最终实现对原始网络流量的预测。通过仿真实验表明,该模型的预测精度较之传统的小波变换与ARMA组合模型的预测精度得到了大幅提升。     

基于ARMA模型的电视台收视率预测方法设计和实现

收视率是电视行业中最重要的指标之一,目前行业内预测收视率的方法均没有考虑收视率自身的长期发展趋势,忽略了预测过程中重要的记录信息,导致预测结果精度不够,充分考虑收视率数据自身长期稳定性的特点,使用ARMA模型来进行预测,使预测精度达到用户期望。ARMA模型是一类常用的随机时序模型,它是一种精度较高的时序预测方法,预测过程中充分考虑序列内在的发展趋势,对于具有长期稳定性的时间序列的预测非常有效,并已经在各个行业得到了应用,预测精度较高。收视率属于长期稳定,起伏波动不大的时间序列,引入ARMA模型进行预测必将改善传统预测方法得到结果的精度,仿真结果表明使用ARMA模型可以提高收视率预测精度。     

基于WT-BiLSTM-ARMA模型的PM2.5浓度预测研究

针对PM2.5浓度预测问题,提出一种基于小波变换的模型。在北京市六个大气污染监测站测得的PM2.5浓度数据上,运用小波分解算法对原始数据序列进行特征提取,使用BiLSTM对高频序列进行预测,同时使用ARMA对低频序列进行预测,最后将各个子序列的预测值进行小波重构得到最终预测结果。实验结果表明,相较于传统单一模型和组合模型,该模型的性能和预测精度均有提高。     

ARMA时间序列模型在销售预测中的应用

时间序列分析是经济领域应用研究最广泛的工具之一,它用恰当的模型描述历史数据随时间变化的规律,并分析预测变量值。ARMA模型是一种最常见的重要时间序列模型,它被广泛应用到经济领域预测中。本文给出ARMA模型的三种模式和实现方法,然后结合超市销售数据揭示超市销售的规律性,并运用ARMA模型对超市销售量进行预测。     

基于时间序列模型的黄金价格预测

由于黄金价格受到诸多经济及政治因素的影响,其生成过程十分复杂,因此研究黄金价格的动态演变过程具有极强的现实意义。而具体的预测要根据市场的过去和当前的需求,以及影响市场需求变化的因素之间的关系,利用一定的判断、技术和模型,对其价格波动变化及发展趋势进行分析和判断。利用时间序列相关理论,建立黄金价格的ARMA模型,发现其可以动态刻画黄金价格数据的生成过程并且较好地对黄金价格进行预测。     

基于时序分析的网络业务分析与预报

随着网络应用的迅速发展，提供保证一定质量的通信服务(QoS)成为一个重要的研究方向，而网络业务的分析与预报是保证QoS的关键技术。分析了天津市163，169，2163的拨号上网业务在线总时长，应用时间序列分析的方法对网络业务进行分析，并在模型基础上进行准确的预报。其结果对网络容量进行规划并提前进行相应的调整或升级，确保网络的整体运行状况是有意义的。     

混沌时间序列的组合网络预测研究

针对混沌时间序列的解析方程的不确定性,提出了自适应模糊递归网络组合预测网络.网络不依赖混沌时间序列的确定性方程和初始条件,根据给定的训练数据,先采用Anfis网络对训练数据进行处理,然后与Elman网络组合预测,从而提高了预测能力和精度.通过对Mackey2Glass混沌时间序列仿真实验,表明了Anfis-Elman网络增强了局部泛化能力,其预测精度明显高于BP网络和Elamn等网络.     

A Time Series Data Mining Based on ARMA and MLFNN Model for Intrusion Detection

This paper investigates the issue on how to effectively model time series with a new algorithm given by a Multilayer Feedforward Neural Network （MLFNN） and an Autoregressive Moving Average （ARMA）. The static nonlinear part is modeled by MLFNN, and the linear part is modeled by an ARMA model, The algorithm is developed for estimating the weights of the MLFNN and the parameters of ARMA model. To illustrate the feasibility and simplicity of the above procedures for time series data mining, the problem of measuring normality in H＇FI＇P traffic for the purpose of anomaly-based network intrusion detection is addressed. The detection results provided by the approach of this paper show important improvements, both in detection ratio and regarding false alarms, in comparison with those obtained using other current techniques, Simulation examples are included to illustrate the performance of the proposed method.     

基于聚类和ARMA时间序列的I/O区域预取

预取是提高存储系统性能的主要手段之一.但现有存储系统的设备层并不知道任何I/O访问的语义信息,因而不能充分利用I/O访问的语义来预取下一时刻要访问的数据,只能利用较简单的方式如I/O访问的局部性、顺序访问和循环访问等特性来实现简单的预测.为此,本文根据存储系统的特点提出了实用且高效的基于连续度的聚类算法来发现密集读请求访问的区域,并采用ARMA时间序列模型来预测密集读请求可能访问的区域及访问时刻,为正确的预取提供了准确的信息.为提高预取的准确性,并采用了动态参数估计的策略.通过大量实验的结果验证了这两种算法的正确性和预测的准确性,能较大的提高存储系统的预取效率.     

组合ARMA与SVR模型的时间序列预测

经典的ARMA模型常用于平稳时间序列的预测,而对于自然界绝大部分的非平稳序列一般采用确定性时序分析和随机时序分析.确定性时序分析对随机性信息浪费严重,而随机时序分析经过差分平稳序列后又回归到ARMA模型.本文利用在充分ARMA模型拟合后的残差序列进行支持向量回归(SVR)拟合,进而对原序列进行组合预测,比起单一模型的拟合及预测,该组合有效地提高了预测精度.     

基于时间序列的服务器负载预测

在负载均衡集群中，为了实现高效的动态负载均衡，需要对服务器的负载进行有效的预测。在介绍服务器负载特性和时间序列的3种模型的基础上，根据服务器负载动态变化的规律，提出了基于时间序列的服务器负载预测方法，并利用这一方法对IP网关服务器的负载进行了预测，实验结果证明该方法具有较好的实用效果。     

基于EPNET模型和多期预测的时间序列预测

文中主要研究了基于EPNET(Evolutionary Programming Net)的时间序列预测问题。EPNET是一种进化人工神经网络模型,它能够同时代化网络权值和网络结构。该模型没有采用遗传算法中的交叉算子,而是采用了五个变异算子来获得比较理想的进化效果。在此基础上,提出了基于该模型的时间序列预测算法,介绍了该算法实现时的有关问题。     

基于ARMA和小波变换的交通流预测模型研究

基于小波变换理论和自回归滑动平均(ARMA)时间序列模型的相关知识,研究了智能交通优化控制系统中的交通流量的预测问题。首先,在对实际监测的交通流量数据进行小波变换处理的基础上,建立交通流量的预测模型;然后,利用最小二乘法理论对ARMA模型的参数结构进行了详细地分析;同时给出基于小波变换和ARMA模型的交通流优化控制系统的运行机理并设计出相应的网络拓扑模型和数据传输模型;最后,用某交通观测站的实测数据对模型进行实际仿真。仿真结果表明,文中所设计的模型和算法是有效的。