一種基于乘積季節(jié)模型的軟件再生方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于計算機(jī)軟件技術(shù)領(lǐng)域，具體設(shè)及一種基于乘積季節(jié)模型的軟件再生方 法。
【背景技術(shù)】
[0002] 已有研究表明，當(dāng)軟件連續(xù)運(yùn)行較長時間時，它們內(nèi)部的一些錯誤條件的積累會 導(dǎo)致軟件性能衰退甚至停止運(yùn)行，該種現(xiàn)象稱為軟件老化。軟件老化在需要長時間運(yùn)行的 系統(tǒng)中尤為常見，如虛擬機(jī)和虛擬機(jī)管理器、操作系統(tǒng)、云平臺系統(tǒng)軟件等。為降低甚至消 除軟件老化帶來的風(fēng)險，人們提出了一種名為軟件再生的方法，及時評估系統(tǒng)老化狀態(tài)并 適時采取重啟操作，提升系統(tǒng)可靠性。如何選擇再生的時機(jī)是消除軟件老化風(fēng)險的關(guān)鍵，再 生太早則代價過高、效果不明顯，而再生太晚則起不到降低風(fēng)險的作用。
[0003] 確定再生時機(jī)的方法主要分為兩種；基于模型的方法和基于測量的方法。前者通 過馬爾科夫、隨機(jī)化tri網(wǎng)等方法對系統(tǒng)建模，計算出系統(tǒng)的最佳再生周期；后者基于系統(tǒng) 核屯、指標(biāo)的觀察數(shù)據(jù)進(jìn)行軟件老化評估，預(yù)測關(guān)鍵資源耗盡或是降低到一定闊值的時間， 從而適時采取再生操作?；跍y量的分析方法主要包括；局部線性回歸、決策樹、支持向量 機(jī)、時間序列分析等。與基于模型的方法相比，基于測量的方法更側(cè)重于反映真實(shí)觀察數(shù)據(jù) 的變化規(guī)律，也更容易在工程領(lǐng)域被驗(yàn)證?？捎脙?nèi)存數(shù)、內(nèi)存交換區(qū)使用大小、CPU利用率 等是已有基于測量方法的主要觀察指標(biāo)，而上述指標(biāo)的觀察值和系統(tǒng)負(fù)載強(qiáng)相關(guān)。負(fù)載越 重、老化趨勢會越快。而需要長時間運(yùn)行的系統(tǒng)其負(fù)載通常具有較強(qiáng)的動態(tài)性和周期性，呈 現(xiàn)出time-of-day或month-of-year效應(yīng)。如基于Web服務(wù)器的ERP系統(tǒng)負(fù)載與員工上下 班周期強(qiáng)相關(guān)，白天工作時間系統(tǒng)負(fù)載較重，員工下班后系統(tǒng)負(fù)載會逐步降低。但現(xiàn)有基于 測量的方法未充分考慮系統(tǒng)負(fù)載的周期性和動態(tài)性特征。
[0004] 乘積季節(jié)模型是一種時序分析的數(shù)據(jù)處理方法。ARIMA全稱為自回歸求和滑動平 均模型（Autoregressive Integrated Moving Average Model,簡寫為ARIMA)，是由博克思 炬ox)和詹金斯（Jenkins)于上世紀(jì)70年代初提出的一種著名的時間序列預(yù)測方法，所W 又稱為box-jenkins模型。該方法通過時間序列的歷史數(shù)據(jù)揭示數(shù)據(jù)隨時間變化的規(guī)律， 并將該種規(guī)律延伸到未來，從而具備一定的預(yù)測功能。該模型通常可表示為ARIMA (P，山q)， P為自回歸項數(shù)，q為移動平均項數(shù)，d為使動態(tài)時間序列成為平穩(wěn)序列所做的差分次數(shù)。常 見的移動平均過程（MA)、自回歸過程（AR)、自回歸移動平均過程（ARMA)等都是ARIM模型 的特例。設(shè)X =狂1，X2, X3…，Xn-1，Xn)為一個時間序列，則ARIMA模型可表示為；
[0005]
(1)
[0006] ▽ %= (l-B)Xt= 似
[0007] (3)
[000引0 炬）=1- 0 iB-----0 聲。（4)
[0009] 其中，B為后移算子，▽ d表示向后差分算子，t為時間標(biāo)志，d為差分次數(shù)；若取一 階差分，即7 1= 1-B，則有：
[0010] ▽ %=(l-B)Xt= 妨
[0011] 式（3)中〇做階數(shù)為P，式（4)中0做階數(shù)為q，也即模型ARIM(p，d，q)。
[0012] 在某些時間序列中，存在明顯的周期性變化。該種周期是由于季節(jié)性變化（包括 天、周度等變化）或其他一些固有的因素引起的。該類序列稱為季節(jié)性序列。比如一個地區(qū) 的氣溫值序列（每隔一小時取一個觀測值）中除了含有W天為周期的變化，還含有W年為 周期的變化。在計算機(jī)領(lǐng)域，季節(jié)性序列也比較常見，如鐵路購票站點(diǎn)訪問量序列、網(wǎng)上購 物站點(diǎn)負(fù)載等。處理季節(jié)性時間序列只用W上介紹的方法是不夠的。描述該類序列的模型 之一是乘積季節(jié)ARIM模型。該模型不僅考慮了不同周期中相同周期點(diǎn)之間的相關(guān)性，還 考慮了相同周期內(nèi)不同周期點(diǎn)之間的關(guān)系，通常比較符合時間序列觀測數(shù)據(jù)的實(shí)際情況。 乘積季節(jié)ARIM模型可表示為ARIM (P，d，q)化，D，m) S，即；
[0017] 其中，S為單位周期內(nèi)采樣點(diǎn)的個數(shù)。公式化）中▽ d、0炬)、0炬）表達(dá)式分別 和式（2)、（3)、（4) 一致。〇做和0做用來消除同一周期的不同周期點(diǎn)之間的相關(guān)性； U炬S)和V炬S)用來消除不同周期的同一周期點(diǎn)之間的相關(guān)性。

【發(fā)明內(nèi)容】

[0018] 為了克服上述現(xiàn)有技術(shù)的不足，本發(fā)明提供一種基于乘積季節(jié)模型的軟件再生方 法，利用乘積季節(jié)模型對季節(jié)性變化趨勢的表達(dá)能力，在實(shí)際評估時不僅考慮了不同周期 中相同周期點(diǎn)之間的相關(guān)性，還考慮了相同周期內(nèi)不同周期點(diǎn)之間的關(guān)系，較為符合老化 指標(biāo)觀測數(shù)據(jù)的實(shí)際情況。
[0019] 為了實(shí)現(xiàn)上述發(fā)明目的，本發(fā)明采取如下技術(shù)方案：
[0020] 本發(fā)明提供一種基于乘積季節(jié)模型的軟件再生方法，所述軟件再生方法包括W下 步驟：
[0021] 步驟1 ;確定軟件的老化指標(biāo)，并提取關(guān)鍵指標(biāo)值；
[0022] 步驟2 ;建立乘積季節(jié)模型；
[0023] 步驟3;根據(jù)乘積季節(jié)模型評估老化狀況。
[0024] 所述步驟1具體包括W下步驟：
[0025] 步驟1-1 ;確定軟件的老化指標(biāo)；
[0026] 步驟1-2;收集實(shí)時監(jiān)控數(shù)據(jù)；
[0027] 步驟1-3 ;從實(shí)時監(jiān)控數(shù)據(jù)中提取老化指標(biāo)實(shí)際值。
[002引所述老化指標(biāo)包括CPU利用率、內(nèi)存占用率、內(nèi)存換頁頻率、硬盤空間消耗和網(wǎng)絡(luò) 速率。
[0029] 所述步驟2包括W下步驟：
[0030] 步驟2-1 ;判斷乘積季節(jié)模型的類型；
[003U 步驟2-2 ;得到乘積季節(jié)模型的類型后，基于訓(xùn)練數(shù)據(jù)估計乘積季節(jié)模型的參數(shù)；[0032]步驟2-3;判定乘積季節(jié)模型在訓(xùn)練數(shù)據(jù)上的擬合效果。
[003引所述步驟2-1中，在訓(xùn)練數(shù)據(jù)的基礎(chǔ)上觀察自相關(guān)數(shù)和偏自相關(guān)數(shù)，并依據(jù)赤池 信息量準(zhǔn)則判斷乘積季節(jié)模型的類型。
[0034] 乘積季節(jié)模型的類型包括季節(jié)自回歸積分滑動平均模型、移動平均過程模型、自 回歸過程模型和自回歸移動平均過程模型。
[0035] 乘積季節(jié)模型的參數(shù)包括自回歸項數(shù)、移動平均項數(shù)、使動態(tài)時間序列成為平穩(wěn) 序列所做的差分次數(shù)、季節(jié)自回歸項數(shù)、季節(jié)移動平均項數(shù)W及使動態(tài)時間序列成為平穩(wěn) 序列所做的季節(jié)差分次數(shù)。
[0036] 所述步驟2-3中，通過判定老化指標(biāo)實(shí)際值和老化指標(biāo)預(yù)測值的差值判定乘積季 節(jié)模型在訓(xùn)練數(shù)據(jù)上的擬合效果，若老化指標(biāo)實(shí)際值和老化指標(biāo)預(yù)測值的差值不為白噪 聲，則需要重新進(jìn)行步驟2-1和步驟2-2。
[0037] 所述步驟3中，將提取的老化指標(biāo)實(shí)際值作為乘積季節(jié)模型的輸入，即可得到乘 積季節(jié)模型的輸出，該乘積季節(jié)模型的輸出即為老化指標(biāo)預(yù)測值，老化指標(biāo)預(yù)測值超過老 化指標(biāo)闊值時，通過軟件再生W恢復(fù)軟件性能。