LSTM网络模型在Web服务器资源消耗预测中的应用研究

如何能够准确地对软件老化趋势进行预测,并及时采取相应恢复策略是当前预防软件老化的一个关键问题.为此,针对老化数据的时序特性,以循环神经网络（Recurrent Neural Network,RNN）及其变种长短时记忆单元（Long Short-Term Memory,LSTM）结构为基础,设计了一种基于LSTM网络的软件老化资源预测方法,并通过应用加速寿命测试实验搭建老化测试平台,对Web服务器因内存泄漏引起的老化现象进行建模和预测.实验结果表明,LSTM老化预测模型在处理Web软件老化的时间序列建模问题上,具有很强的适用性和更高的准确性,能有效提高软件系统的可靠性和可用性.     

基于CNN+LSTM混合模型的电力消耗预测研究

预测电力消耗是一项重要的任务，它在保障电力系统安全运行、均衡能源分配等方面至关重要，精准的负荷预测能有效减少用电事故的发生，并提高系统的生产效率。电力预测是基于一个地区的历史电力数据来预测该地区未来一段时间的有功和无功电力负荷。研究利用神经网络组合模型的优势通过CNN优化和过滤多维输入参数，提取特征向量；并将提取的特征向量作为LSTM的输入进行电力预测。实验表明CNN+LSTM混合模型的泛化能力更强，准确率更高。     

面向组件的软件老化抗衰策略的研究

随着软件应用系统的复杂性不断提高,系统性能衰退的现象也日益普遍,研究表明计算机应用系统性能的衰退现象主要是由于软件的老化产生的.为了缓解软件老化问题、减少软件性能衰退造成的损失,最终实现一种可准确对系统当前老化状态的预测模型,本文提出一种面向组件的软件老化抗衰策略.该策略在以往研究的基础上,细化了软件再生粒度,将老化的预测和再生扩展到应用组件级.使用灰色预测方法实现在可利用的系统资源不足的情况下的老化状态的预测.还应用Matlab对该模型进行了模拟实验.实验结果表明该策略具有良好的可用性和有效性,延长了软件系统的运行时间,提高了用户的访问成功率,并进一步增强了系统稳定性.     

基于TransMP模型的Web系统剩余寿命预测方法

针对当前软件剩余使用寿命预测方法忽略了多性能指标间所蕴涵寿命信息的问题,提出一种融合多性能指标Transformer（TransMP）模型的Web系统剩余寿命预测方法。首先,搭建内存故障型Web系统加速老化实验平台,创建包含内存使用量、响应时间和吞吐率性能指标的数据集;其次,考虑不同性能指标蕴涵老化特征信息的差异性,构造由多编码器-解码器组成的TransMP模型,将性能指标数据分别输入内存指标编码器、响应时间编码器和吞吐率编码器提取老化特征信息,再引入特征融合层进行信息融合;最后,将融合信息输入由掩码注意力-多头注意力结构构成的解码器,预测得到系统状态达到老化阈值的剩余寿命。实验结果表明,该Web系统剩余寿命预测方法与最优的SALSTM方法相比,均方根误差分别降低了12.0%、17.3%和13.2%,平均绝对误差分别降低了13.3%、21.0%和10.4%,证明了该方法的有效性。     

自恢复容错系统的模型和分析

容错系统不仅会产生硬件故障,而且连续长时间的运行,系统的性能还会逐渐下降或失效,即老化现象。本文综合考虑容错系统中的硬件故障和老化现象,提出了将传统的冗余策略和软件抗衰策略相结合,并给出了该系统的时间颜色Petri网(ti med-CPN)模型,并结合实例进行了分析。     

混合模型神经网络在短期负荷预测中的应用

提出了可应用于电力系统负荷预测的混合模型神经网络方法,该方法同时具有电力系统负荷预测的传统方法的优点及人工视网络方法的优点,该方法中,不同的负荷分量采用不同类型的预测方法,并采用基本绵谐振分量作神经网络的输入,神经网络的训练采用快速的学习算法进行,该方法具有很强的实时性和适应性,适用于没有气象资料的应用场合,仿真计算的结果表明,预测精度较传统来得高。     

一种基于MM & MBPNN的软件衰退预测方法研究

由于系统环境的恶化,运行中的软件系统不可避免地会出现衰退现象。针对该现象,提出了一种用基于放大误差信号的改进的BP神经网络(MBPNN)来表示软件状态的马尔科夫模型(MM),并通过此方法来预测软件衰退。此方法弥补了单纯使用马尔科夫方法时对软件衰退状态预测不够准确的缺点,为软件抗衰的实施提供了依据。仿真实验表明,这是一种有效可行的预测方法。     

基于构件软件的抗衰策略分析

软件在长期运行过程中由于资源消耗、数据损坏、数值错误累积而引起性能下降的现象被称为软件老化.在软件失效前选择合适时机通过预反应的技术来保持软件性能的方法称作软件抗衰.由于构件软件常常应用在结构复杂、规模庞大的网络环境中,软件老化现象就更为突出.提出了一种针对构件软件的抗衰策略,通过对构件软件进行可靠性分析,构造了一种结合失效性和泊松失败分布的马尔可夫模型,并根据模型进行软件抗衰来保持构件软件的性能.     

嵌套的计算系统进程级自适应抗衰重启策略研究及模型分析

执行细粒度的进程级软件抗衰可以进一步降低抗衰成本，提高软件可靠性。本文针对软件系统中进程间交互频繁多变且交互关系难以判定的特点，分析进程间控制、调用及数据访问的关系，重新定义了进程重启相关度，提出了自适应进程相关拓扑图的算法理论，从而制定了嵌套的进程级软件抗衰重启策略，并在此基础上构建了策略实施模型，从而为全面实现智能化的软件系统细粒度软件抗衰提供了支持。     

一种基于Agent适用于Web应用的软件抗衰方法

“软件衰退”引起的计算系统失效是影响系统可靠性的一个重要方面,“软件抗衰”技术作为一种有效的预防、减缓软件衰退的手段已经日益引起人们的关注。介绍了软件抗衰技术,并针对Web应用的特点,提出了一种基于Agent的软件抗衰方法。实例表明,这种方法计算强度小、效率高,具有明显的优势。     

基于流体随机Petri网的服务器集群再生模型

服务器集群是提高系统QoS和可用性的一种方法,但由于需要长期连续运行提供服务,集群系统仍然会存在软件老化现象,从而造成系统的处理能力随时间的增加而降低、失效率随时间的增加而增加.现同时考虑软件老化对系统处理能力与失效率的影响,采用流体随机Petri网对集群系统的工作模式进行建模,给出系统各个状态概率的数值分析方法,选择系统的可用性和吞吐量作为评价集群系统性能的指标,并进行仿真试验.结果表明该方法能很好地描述系统且具有可扩展性,分析并求得系统的最佳再生周期.     

Methods and opportunities for rejuvenation in aging distributed software systems

In this paper we describe several methods for detecting the need for software rejuvenation in mission critical systems that are subjected to worm infection, and introduce new software rejuvenation algorithms. We evaluate these algorithms’ effectiveness using both simulation studies and analytic modeling, by assessing the probability of mission success. The system under study emulates a Mobile Ad-Hoc Network (MANET) of processing nodes. Our analysis determined that some of our rejuvenation algorithms are quite effective in maintaining a high probability of mission success while the system is under explicit attack by a worm infection.     

组合核相关向量机的软件可靠性预测模型

可靠性作为衡量软件质量的一种重要特性,对软件管理具有重要的意义。针对单一核函数的缺陷,提出一种组合核函数相关向量机的软件可靠性预测模型。首先对当前软件可靠性研究现状进行分析,然后采用组合核函数相关向量机对训练集进行学习和建模,最后通过具体实例对模型的预测性能进行分析。结果表明,本模型获得了理想的软件可靠性预测结果,且其预测性能要优于单一核函数模型,在软件可靠性预测中有重要的应用价值。     

基于时间与检测的软件恢复策略及成本分析

为了对抗软件在运行过程中出现的老化现象,需要实施合适的软件恢复(software rejuvenation)策略。该文将单纯基于时间的和基于检测的软件恢复策略相结合,提出了基于时间与检测的软件恢复策略,弥补了前者确定的恢复时间间隔较为保守和后者引发过高的监控成本的缺陷。对3种策略的成本分析和比较表明,文章在引发较小监控成本的前提下,进一步延长了恢复时间间隔,从而降低了恢复策略的总的实施成本。     

基于特定失效概率的软件恢复策略分析

对软件的两阶段失效与恢复模型进行了分析,基于特定失效概率求解最优恢复时间间隔,并利用半马尔可夫过程,得到特定失效概率下的平均恢复成本。为了将恢复成本降到更低,采用了嵌套的基于时间的软件恢复策略,同时考虑应用级和系统级的恢复,并求得了特定失效概率下的最大应用级恢复次数、恢复时间间隔序列以及最低年平均恢复成本。     

基于运行时模型的混合云管理方法

随着云计算技术的普及,涌现出众多不同用途、不同类型的云计算平台.为了满足遗产系统整合和动态资源扩展等需求,常常需要构造混合云来统一管理不同云平台中的计算和存储资源.然而,不同云平台的管理接口和管理机制存在差异,使得开发混合云管理系统难度大、复杂度高.本文提出一种基于运行时模型的混合云管理方法：首先,在云平台管理接口基础上,构造单一云平台的运行时模型;其次,根据云平台领域知识,提出一种云平台软件体系结构的统一模型;最后,通过模型转换,实现云平台统一模型到运行时模型的映射.于是,管理程序可以建立在云平台统一模型的基础上,降低了混合云管理系统开发的难度和复杂度.本文还实现了基于运行时模型的CloudStack和亚马逊EC2混合云管理系统,并对方法的可行性和有效性进行了验证.     

Web集群服务器可用性的提高

以Web集群服务器的后端节点作为研究对象,通过减少后端节点的MTTR（Mean Timeto Repair）,来提高它们的可用性,从而提高整个集群服务器的可用性。首先,通过分析现有的故障恢复方案的不足,提出了新的改进方案,在新的方案中,采用了动态地检测和发送状态信息的策略。并引入了故障猜测状态,弥补了现有方案的不足。最后设计了一个试验环境,与现有的方案测试相比,使用改进的方案,MTTR（平均敞障修复时间）减少了63％,很好地提高了后端节点的可用性。