CN104951379A - 一种基于乘积季节模型的软件再生方法 - Google Patents
一种基于乘积季节模型的软件再生方法 Download PDFInfo
- Publication number
- CN104951379A CN104951379A CN201510432339.3A CN201510432339A CN104951379A CN 104951379 A CN104951379 A CN 104951379A CN 201510432339 A CN201510432339 A CN 201510432339A CN 104951379 A CN104951379 A CN 104951379A
- Authority
- CN
- China
- Prior art keywords
- model
- multiplicative
- multiplicative seasonality
- software
- seasonality model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000001932 seasonal effect Effects 0.000 title claims abstract description 21
- 230000003716 rejuvenation Effects 0.000 title abstract 2
- 230000032683 aging Effects 0.000 claims abstract description 55
- 238000012549 training Methods 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 7
- 230000008929 regeneration Effects 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 230000036961 partial effect Effects 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 abstract 2
- 238000011156 evaluation Methods 0.000 abstract 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 9
- 238000011069 regeneration method Methods 0.000 description 3
- 238000012731 temporal analysis Methods 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- 241000728173 Sarima Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 229940029329 intrinsic factor Drugs 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000135 prohibitive effect Effects 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000000714 time series forecasting Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Landscapes
- Complex Calculations (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于乘积季节模型的软件再生方法，包括以下步骤：确定软件的老化指标，并提取关键指标值；建立乘积季节模型；根据乘积季节模型评估老化状况。本发明利用乘积季节模型对季节性变化趋势的表达能力，在实际评估时不仅考虑了不同周期中相同周期点之间的相关性，还考虑了相同周期内不同周期点之间的关系，较为符合老化指标观测数据的实际情况，能够更为准确地预测出系统关键指标的变化趋势。
Description
技术领域
本发明属于计算机软件技术领域，具体涉及一种基于乘积季节模型的软件再生方法。
背景技术
已有研究表明，当软件连续运行较长时间时，它们内部的一些错误条件的积累会导致软件性能衰退甚至停止运行，这种现象称为软件老化。软件老化在需要长时间运行的系统中尤为常见，如虚拟机和虚拟机管理器、操作系统、云平台系统软件等。为降低甚至消除软件老化带来的风险，人们提出了一种名为软件再生的方法，及时评估系统老化状态并适时采取重启操作，提升系统可靠性。如何选择再生的时机是消除软件老化风险的关键，再生太早则代价过高、效果不明显，而再生太晚则起不到降低风险的作用。
确定再生时机的方法主要分为两种：基于模型的方法和基于测量的方法。前者通过马尔科夫、随机Petri网等方法对系统建模，计算出系统的最佳再生周期；后者基于系统核心指标的观察数据进行软件老化评估，预测关键资源耗尽或是降低到一定阈值的时间，从而适时采取再生操作。基于测量的分析方法主要包括：局部线性回归、决策树、支持向量机、时间序列分析等。与基于模型的方法相比，基于测量的方法更侧重于反映真实观察数据的变化规律，也更容易在工程领域被验证。可用内存数、内存交换区使用大小、CPU利用率等是已有基于测量方法的主要观察指标，而上述指标的观察值和系统负载强相关。负载越重、老化趋势会越快。而需要长时间运行的系统其负载通常具有较强的动态性和周期性，呈现出time-of-day或month-of-year效应。如基于Web服务器的ERP系统负载与员工上下班周期强相关，白天工作时间系统负载较重，员工下班后系统负载会逐步降低。但现有基于测量的方法未充分考虑系统负载的周期性和动态性特征。
乘积季节模型是一种时序分析的数据处理方法。ARIMA全称为自回归求和滑动平均模型(Autoregressive Integrated Moving Average Model，简写为ARIMA)，是由博克思(Box)和詹金斯(Jenkins)于上世纪70年代初提出的一种著名的时间序列预测方法，所以又称为box-jenkins模型。该方法通过时间序列的历史数据揭示数据随时间变化的规律，并将这种规律延伸到未来，从而具备一定的预测功能。该模型通常可表示为ARIMA(p，d，q)，p为自回归项数，q为移动平均项数，d为使动态时间序列成为平稳序列所做的差分次数。常见的移动平均过程(MA)、自回归过程(AR)、自回归移动平均过程(ARMA)等都是ARIMA模型的特例。设X＝(X1，X2，X3…，Xn-1，Xn)为一个时间序列，则ARIMA模型可表示为：
▽1Xt＝(1-B)Xt＝Xt-Xt-1 (2)
Θ(B)＝1-θ1B-…-θqBq (4)
其中，B为后移算子，▽d表示向后差分算子，t为时间标志，d为差分次数；若取一阶差分，即▽1＝1-B，则有：
▽1Xt＝(1-B)Xt＝Xt-Xt-1 (5)
式(3)中Φ(B)阶数为p，式(4)中Θ(B)阶数为q，也即模型ARIMA(p,d,q)。
在某些时间序列中，存在明显的周期性变化。这种周期是由于季节性变化(包括天、周度等变化)或其他一些固有的因素引起的。这类序列称为季节性序列。比如一个地区的气温值序列(每隔一小时取一个观测值)中除了含有以天为周期的变化，还含有以年为周期的变化。在计算机领域，季节性序列也比较常见，如铁路购票站点访问量序列、网上购物站点负载等。处理季节性时间序列只用以上介绍的方法是不够的。描述这类序列的模型之一是乘积季节ARIMA模型。该模型不仅考虑了不同周期中相同周期点之间的相关性，还考虑了相同周期内不同周期点之间的关系，通常比较符合时间序列观测数据的实际情况。乘积季节ARIMA模型可表示为ARIMA(p,d,q)(k,D,m)S，即：
U(BS)＝1-Г1BS-Г2B2S-…ГkBkS (7)
V(BS)＝1-H1BS-H2B2S-…HmBmS (8)
其中，S为单位周期内采样点的个数。公式(6)中▽d、Φ(B)、Θ(B)表达式分别和式(2)、(3)、(4)一致。Φ(B)和Θ(B)用来消除同一周期的不同周期点之间的相关性；U(BS)和V(BS)用来消除不同周期的同一周期点之间的相关性。
发明内容
为了克服上述现有技术的不足，本发明提供一种基于乘积季节模型的软件再生方法，利用乘积季节模型对季节性变化趋势的表达能力，在实际评估时不仅考虑了不同周期中相同周期点之间的相关性，还考虑了相同周期内不同周期点之间的关系，较为符合老化指标观测数据的实际情况。
为了实现上述发明目的，本发明采取如下技术方案：
本发明提供一种基于乘积季节模型的软件再生方法，所述软件再生方法包括以下步骤：
步骤1：确定软件的老化指标，并提取关键指标值；
步骤2：建立乘积季节模型；
步骤3：根据乘积季节模型评估老化状况。
所述步骤1具体包括以下步骤：
步骤1-1：确定软件的老化指标；
步骤1-2：收集实时监控数据；
步骤1-3：从实时监控数据中提取老化指标实际值。
所述老化指标包括CPU利用率、内存占用率、内存换页频率、硬盘空间消耗和网络速率。
所述步骤2包括以下步骤：
步骤2-1：判断乘积季节模型的类型；
步骤2-2：得到乘积季节模型的类型后，基于训练数据估计乘积季节模型的参数；
步骤2-3：判定乘积季节模型在训练数据上的拟合效果。
所述步骤2-1中，在训练数据的基础上观察自相关数和偏自相关数，并依据赤池信息量准则判断乘积季节模型的类型。
乘积季节模型的类型包括季节自回归积分滑动平均模型、移动平均过程模型、自回归过程模型和自回归移动平均过程模型。
乘积季节模型的参数包括自回归项数、移动平均项数、使动态时间序列成为平稳序列所做的差分次数、季节自回归项数、季节移动平均项数以及使动态时间序列成为平稳序列所做的季节差分次数。
所述步骤2-3中，通过判定老化指标实际值和老化指标预测值的差值判定乘积季节模型在训练数据上的拟合效果，若老化指标实际值和老化指标预测值的差值不为白噪声，则需要重新进行步骤2-1和步骤2-2。
所述步骤3中，将提取的老化指标实际值作为乘积季节模型的输入，即可得到乘积季节模型的输出，该乘积季节模型的输出即为老化指标预测值，老化指标预测值超过老化指标阈值时，通过软件再生以恢复软件性能。
与现有技术相比，本发明的有益效果在于：
本发明提供的基于乘积季节模型的软件再生方法，先确定软件的老化指标，并提取关键指标值；再建立乘积季节模型；最后根据乘积季节模型评估老化状况。本发明利用乘积季节模型对季节性变化趋势的表达能力，在实际评估时不仅考虑了不同周期中相同周期点之间的相关性，还考虑了相同周期内不同周期点之间的关系，较为符合老化指标观测数据的实际情况，能够更为准确地预测出系统关键指标的变化趋势。
附图说明
图1是本发明实施例中基于乘积季节模型的软件再生方法流程图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明基于乘积季节性自回归求和滑动平均模型(Seasonal Autoregressive IntegratedMoving Average，SARIMA)，充分考虑了系统负载给软件老化带来的影响，既涉及了季节性因素，又纳入了对动态趋势的评估，能够更为准确地预测关键指标(资源使用率)的变化趋势，以提升软件老化评估的效果。
本发明提供了一种基于乘积季节模型的软件再生方法，(如图1)所述软件再生方法包括以下步骤：
步骤1：确定软件的老化指标，并提取关键指标值；
步骤2：建立乘积季节模型；
步骤3：根据乘积季节模型评估老化状况。
所述步骤1具体包括以下步骤：
步骤1-1：确定软件的老化指标；
步骤1-2：收集实时监控数据；
步骤1-3：从实时监控数据中提取老化指标实际值。
所述老化指标包括CPU利用率、内存占用率、内存换页频率、硬盘空间消耗和网络速率。
所述步骤2包括以下步骤：
步骤2-1：判断乘积季节模型的类型；
步骤2-2：得到乘积季节模型的类型后，基于训练数据估计乘积季节模型的参数；
步骤2-3：判定乘积季节模型在训练数据上的拟合效果。
所述步骤2-1中，在训练数据的基础上观察自相关数和偏自相关数，并依据赤池信息量准则判断乘积季节模型的类型。
乘积季节模型的类型包括季节自回归积分滑动平均模型、移动平均过程模型、自回归过程模型和自回归移动平均过程模型。
乘积季节模型的参数包括自回归项数、移动平均项数、使动态时间序列成为平稳序列所做的差分次数、季节自回归项数、季节移动平均项数以及使动态时间序列成为平稳序列所做的季节差分次数。
所述步骤2-3中，通过判定老化指标实际值和老化指标预测值的差值判定乘积季节模型在训练数据上的拟合效果，若老化指标实际值和老化指标预测值的差值不为白噪声，则需要重新进行步骤2-1和步骤2-2。
所述步骤3中，将提取的老化指标实际值作为乘积季节模型的输入，即可得到乘积季节模型的输出，该乘积季节模型的输出即为老化指标预测值，老化指标预测值超过老化指标阈值时，通过软件再生以恢复软件性能。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，所属领域的普通技术人员参照上述实施例依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保护范围之内。
Claims (9)
1.一种基于乘积季节模型的软件再生方法，其特征在于：所述软件再生方法包括以下步骤：
步骤1：确定软件的老化指标，并提取关键指标值；
步骤2：建立乘积季节模型；
步骤3：根据乘积季节模型评估老化状况。
2.根据权利要求1所述的基于乘积季节模型的软件再生方法，其特征在于：所述步骤1具体包括以下步骤：
步骤1-1：确定软件的老化指标；
步骤1-2：收集实时监控数据；
步骤1-3：从实时监控数据中提取老化指标实际值。
3.根据权利要求2所述的基于乘积季节模型的软件再生方法，其特征在于：所述老化指标包括CPU利用率、内存占用率、内存换页频率、硬盘空间消耗和网络速率。
4.根据权利要求2所述的基于乘积季节模型的软件再生方法，其特征在于：所述步骤2包括以下步骤：
步骤2-1：判断乘积季节模型的类型；
步骤2-2：得到乘积季节模型的类型后，基于训练数据估计乘积季节模型的参数；
步骤2-3：判定乘积季节模型在训练数据上的拟合效果。
5.根据权利要求4所述的基于乘积季节模型的软件再生方法，其特征在于：所述步骤2-1中，在训练数据的基础上观察自相关数和偏自相关数，并依据赤池信息量准则判断乘积季节模型的类型。
6.根据权利要求4或5所述的基于乘积季节模型的软件再生方法，其特征在于：乘积季节模型的类型包括季节自回归积分滑动平均模型、移动平均过程模型、自回归过程模型和自回归移动平均过程模型。
7.根据权利要求4所述的基于乘积季节模型的软件再生方法，其特征在于：乘积季节模型的参数包括自回归项数、移动平均项数以及使动态时间序列成为平稳序列所做的差分次数和季节自回归项数、季节移动平均项数以及使动态时间序列成为平稳序列所做的季节差分次数。
8.根据权利要求4所述的基于乘积季节模型的软件再生方法，其特征在于：所述步骤2-3中，通过判定老化指标实际值和老化指标预测值的差值判定乘积季节模型在训练数据上的拟合效果，若老化指标实际值和老化指标预测值的差值不为白噪声，则需要重新进行步骤2-1和步骤2-2。
9.根据权利要求4所述的基于乘积季节模型的软件再生方法，其特征在于：所述步骤3中，将提取的老化指标实际值作为乘积季节模型的输入，即可得到乘积季节模型的输出，该乘积季节模型的输出即为老化指标预测值，老化指标预测值超过老化指标阈值时，通过软件再生以恢复软件性能。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510432339.3A CN104951379A (zh) | 2015-07-21 | 2015-07-21 | 一种基于乘积季节模型的软件再生方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510432339.3A CN104951379A (zh) | 2015-07-21 | 2015-07-21 | 一种基于乘积季节模型的软件再生方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN104951379A true CN104951379A (zh) | 2015-09-30 |
Family
ID=54166047
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510432339.3A Pending CN104951379A (zh) | 2015-07-21 | 2015-07-21 | 一种基于乘积季节模型的软件再生方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104951379A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109313600A (zh) * | 2016-05-09 | 2019-02-05 | 甲骨文国际公司 | 存储器使用量确定技术 |
| CN110083518A (zh) * | 2019-04-29 | 2019-08-02 | 东北大学 | 一种基于AdaBoost-Elman的虚拟机软件老化预测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020087913A1 (en) * | 2000-12-28 | 2002-07-04 | International Business Machines Corporation | System and method for performing automatic rejuvenation at the optimal time based on work load history in a distributed data processing environment |
| US20020144178A1 (en) * | 2001-03-30 | 2002-10-03 | Vittorio Castelli | Method and system for software rejuvenation via flexible resource exhaustion prediction |
| CN1766844A (zh) * | 2005-09-26 | 2006-05-03 | 西安交通大学 | 集群环境下的应用服务器的系统再生方法 |
| CN101038564A (zh) * | 2006-11-21 | 2007-09-19 | 西安交通大学 | 应用服务器分级再生方法 |
-
2015
- 2015-07-21 CN CN201510432339.3A patent/CN104951379A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020087913A1 (en) * | 2000-12-28 | 2002-07-04 | International Business Machines Corporation | System and method for performing automatic rejuvenation at the optimal time based on work load history in a distributed data processing environment |
| US20020144178A1 (en) * | 2001-03-30 | 2002-10-03 | Vittorio Castelli | Method and system for software rejuvenation via flexible resource exhaustion prediction |
| CN1766844A (zh) * | 2005-09-26 | 2006-05-03 | 西安交通大学 | 集群环境下的应用服务器的系统再生方法 |
| CN101038564A (zh) * | 2006-11-21 | 2007-09-19 | 西安交通大学 | 应用服务器分级再生方法 |
Non-Patent Citations (2)
| Title |
|---|
| 云菲: "基于测量的软件老化趋势预测", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 范新媛 等: "网络服务器软件老化现象的测试与分析", 《数据采集与处理》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109313600A (zh) * | 2016-05-09 | 2019-02-05 | 甲骨文国际公司 | 存储器使用量确定技术 |
| US11327797B2 (en) | 2016-05-09 | 2022-05-10 | Oracle International Corporation | Memory usage determination techniques |
| CN109313600B (zh) * | 2016-05-09 | 2022-06-24 | 甲骨文国际公司 | 存储器使用量确定技术 |
| CN110083518A (zh) * | 2019-04-29 | 2019-08-02 | 东北大学 | 一种基于AdaBoost-Elman的虚拟机软件老化预测方法 |
| WO2020220437A1 (zh) * | 2019-04-29 | 2020-11-05 | 东北大学 | 一种基于AdaBoost-Elman的虚拟机软件老化预测方法 |
| CN110083518B (zh) * | 2019-04-29 | 2021-11-16 | 东北大学 | 一种基于AdaBoost-Elman的虚拟机软件老化预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xiao et al. | An improved seasonal rolling grey forecasting model using a cycle truncation accumulated generating operation for traffic flow | |
| CN109766234A (zh) | 基于时间序列模型的磁盘存储容量预测方法 | |
| CN103793752B (zh) | 一种基于退化建模的设备失效次数预测方法 | |
| CN102346745B (zh) | 单词的用户行为数的预测方法和装置 | |
| RU2014153646A (ru) | Способы и относящиеся к ним системы построения моделей и прогнозирования операционных результатов операции бурения | |
| CN105071983A (zh) | 一种面向云计算在线业务的异常负载检测方法 | |
| CN110209467B (zh) | 一种基于机器学习的弹性资源扩展方法和系统 | |
| CN109002924B (zh) | 一种配网故障抢修预测分析系统及方法 | |
| CN104090974A (zh) | 展延水库后续来水的动态数据挖掘方法及系统 | |
| CN107895014A (zh) | 一种基于MapReduce框架的时间序列桥梁监测数据分析方法 | |
| CN113361745A (zh) | 一种配电网物资需求预测方法及系统 | |
| CN113742993A (zh) | 干式变压器寿命损失预测方法、装置、设备及存储介质 | |
| CN106127366A (zh) | 一种面向主生产计划的生产数量预测方法 | |
| KR20230069490A (ko) | 마이크로 데이터센터 내 운용 서비스별 작업 부하 예측 모델 적용 방법 | |
| CN109190907A (zh) | 基于大数据的供电所小微权力廉洁风险指数构建方法 | |
| CN104915550B (zh) | 基于多时间尺度建模的轴承寿命预测方法 | |
| CN104951379A (zh) | 一种基于乘积季节模型的软件再生方法 | |
| CN110956675A (zh) | 技术成熟度曲线自动生成方法及装置 | |
| Candelieri et al. | Smart water in urban distribution networks: limited financial capacity and Big Data analytics | |
| CN119004045A (zh) | 基于演化结构表示学习的电网设备故障预测方法及系统 | |
| CN105426991A (zh) | 一种变压器缺陷率预测的方法和系统 | |
| CN119090480A (zh) | 智慧建筑运维方法、平台、存储介质及电子设备 | |
| Milenkovic et al. | Kalman filtering applied to forecasting the demand for railway passenger services | |
| CN103970974A (zh) | 一种基于缺陷类别的安全风险评估方法 | |
| Park et al. | Schematic cost estimation method using case-based reasoning: Focusing on determining attribute weight |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150930 |
|
| RJ01 | Rejection of invention patent application after publication |