一种软件老化预测方法及系统技术方案

本发明专利技术涉及计算机技术领域，具体为一种软件老化预测方法及系统，本发明专利技术方法包括采集软件基于运行时间的运行数据，将软件数据划分为训练集和测试集，将循环神经网络、多元线性回归学习器和最小二乘支持向量机作为弱预测器，基于AdaBoost算法对循环神经网络、多元线性回归学习器和最小二乘支持向量机中每类弱预测器分别进行赋权叠加得出三个强预测器，基于所述强预测器构建软件老化预测模型，通过测试集对所述软件老化预测模型进行验证，通过验证后的软件老化预测模型对软件进行老化预测；本发明专利技术采用三种预测模型实现对软件老化对预测，并通过AdaBoost算法对预测模型进行优化，使得软件老化预测更为准确。件老化预测更为准确。件老化预测更为准确。

【技术实现步骤摘要】
一种软件老化预测方法及系统


[0001]本专利技术涉及计算机
，具体为一种软件老化预测方法及系统。

技术介绍

[0002]计算机系统的功能日益强大，软件系统的复杂性也逐渐凸显，软件系统的维护难度逐渐增大，与软件有关的程序失效问题层出不穷，而人们对计算机系统软件应用的可靠性需求并未降低，反而逐渐增多。目前军事、金融、通信等领域均离不开计算机系统，若计算机不能长时间稳定运行，在一定程度上对社会经济存在不可忽视的影响。计算机系统中软件老化可理解为服务器软件在长时间工作后，性能出现衰退。大部分人认为老化仅出现于计算机硬件系统里，但针对软件来讲，软件老化问题已不少见。
[0003]一个软件工作后，伴随时间的积累，软件内部潜藏的缺陷将逐渐凸显，致使软件系统性能老化。通俗来讲，软件系统使用时间较长后，系统资源将出现明显耗损，服务速度、服务质量也大大降低。为此，软件老化趋势预测，能够为软件系统失效起到决定性作用。

技术实现思路

[0004]针对上述现有技术的不足，本专利技术旨在提供一种软件老化预测方法及系统，以解决软件老化难以估算本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种软件老化预测方法，其特征在于，包括：采集软件基于运行时间的运行数据，将软件数据划分为训练集和测试集；将循环神经网络、多元线性回归学习器和最小二乘支持向量机作为弱预测器，基于AdaBoost算法对循环神经网络、多元线性回归学习器和最小二乘支持向量机中每类弱预测器分别进行赋权叠加得出三个强预测器，基于所述强预测器构建软件老化预测模型；通过测试集对所述软件老化预测模型进行验证；通过验证后的软件老化预测模型对软件进行老化预测；所述将循环神经网络、多元线性回归学习器和最小二乘支持向量机作为弱预测器，基于AdaBoost算法对循环神经网络、多元线性回归学习器和最小二乘支持向量机中每类弱预测器分别进行赋权叠加得出三个强预测器，基于所述强预测器构建软件老化预测模型，包括：赋予训练集中训练样本一个相同的权重值，得到具有权重值的训练样本；将所述具有权重值的不同训练样本分别输入训练好的循环神经网络、多元线性回归学习器和最小二乘支持向量机，进行预测，得出基于循环神经网络、多元线性回归学习器和最小二乘支持向量机的弱预测器的预测结果；根据所有所述预测结果计算与实际结果的预测误差，基于所述预测误差计算每个训练样本的相对误差；根据所述每个训练样本的相对误差，计算得出每个弱学习器的误差率，并在循环神经网络、多元线性回归学习器和最小二乘支持向量机中每类选取当前误差率最小的弱学习器作为下一轮迭代过程中的基学习器；计算每类当前误差率最小的弱学习器在最终学习器中所占的权重，再根据所述每类当前误差率最小的弱学习器在最终学习器中所占的权重分别更新输入循环神经网络、多元线性回归学习器和最小二乘支持向量机的训练集中训练样本的权重，进行迭代，得到循环神经网络、多元线性回归学习器和最小二乘支持向量机中基于迭代产生的每类当前误差率最小的弱学习器及权重；将所述基于迭代产生的每类的不同基学习器及权重进行线性组合得到三类强学习器，构建得到软件老化预测模型。2.根据权利要求1所述软件老化预测方法，其特征在于，所述通过测试集对所述软件老化预测模型进行验证，包括：通过测试集的测试样本输入所述软件老化预测模型，测试所述三类强学习器的准确性，所述软件老化预测模型选择准确性最高的强学习器进行软件老化预测。3.根据权利要求1所述软件老化预测方法，其特征在于，所述多元线性回归学习器为：y＝β0+β1x1+β2x2+
…
+β
p
x
p
+δ，其中，β0、β1...β
p
为回归系数，x1、x2...x
p
是p个一般变量，y为预测值，δ为随机误差；采用最小二乘法估计回归系数，采用均方误差评价多元线性回归学习器的准确性。4.根据权利要求1所述软件老化预测方法，其特征在于，所述循环神经网络包括输入层、隐藏层和输出层；所述输入层用于将运行数据按时间先后划分为训练集和测试集；所述隐藏层采用RNN结构和LSTM单元进行搭建，LSTM单元包括遗忘门、输入门和输出门；隐藏层用于对训练集中的输入和输出数据进行构建，给定初始权值矩阵，设置最大迭代
训练次数和最小误差值；根据下式计算遗忘门、输入门和输出门的值：i
t
＝σ(W
i
·
h
t
‑1+W
i
x
t
+b
i
))o
t
＝σ(W
o
h
t
‑1+W
o
·
x
t
+b
o
)其中，f
t
、i
t
、o
t
分别表示各门的结算结果，W
i
、W
c
、W
o
分别表示各门的权重矩阵，b
i
、b
c
、b
o
分别表示遗忘门、输入门和输出门的偏置项，x
t
为t时刻输入的单元状态，tanh()为激活函数，表示hadamard乘积；采用梯度下降法对训练数据进行批次划...

【专利技术属性】
技术研发人员：王尉，杨帆，
申请(专利权)人：重庆移通学院，
类型：发明
国别省市：