安卓系統(tǒng)軟件老化預(yù)測方法研究
發(fā)布時(shí)間：2021-10-24 19:10
軟件老化是指在系統(tǒng)持久和連續(xù)地運(yùn)行過程中,由于老化相關(guān)的錯(cuò)誤的累積而導(dǎo)致的資源持續(xù)消耗、系統(tǒng)性能持續(xù)下降或系統(tǒng)錯(cuò)誤數(shù)持續(xù)增加,并最終導(dǎo)致系統(tǒng)崩潰的現(xiàn)象。安卓移動(dòng)終端已深入到人們生活的各個(gè)方面,而安卓系統(tǒng)在長時(shí)間運(yùn)行中容易產(chǎn)生啟動(dòng)時(shí)間增長和系統(tǒng)崩潰等問題,引發(fā)這些問題的一個(gè)重要原因是安卓系統(tǒng)軟件老化,但安卓系統(tǒng)軟件老化預(yù)測研究較少。研究安卓系統(tǒng)軟件老化有助于提升系統(tǒng)的穩(wěn)定性和用戶體驗(yàn),因此,本文基于頁面錯(cuò)誤數(shù)（Page Fault,PF）和啟動(dòng)時(shí)間（Launch Time,LT）老化指標(biāo),對比分析基于不同機(jī)器學(xué)習(xí)算法的安卓系統(tǒng)軟件老化預(yù)測模型的性能,具體工作如下:1)在安卓系統(tǒng)老化數(shù)據(jù)預(yù)處理和特征提取階段,本文更加全面地考慮了網(wǎng)絡(luò)、虛擬內(nèi)存和負(fù)載等方面的系統(tǒng)性能指標(biāo),并進(jìn)行數(shù)據(jù)采集;本文基于K-means算法剔除應(yīng)用啟動(dòng)等情況下由于系統(tǒng)性能指標(biāo)突變而產(chǎn)生的離異點(diǎn);除了常用的LT老化指標(biāo),本文還引入了PF指標(biāo)作為安卓系統(tǒng)軟件老化指標(biāo),并分別提取了與老化指標(biāo)具有相關(guān)性的系統(tǒng)性能指標(biāo)作為特征數(shù)據(jù)。2)在老化模型訓(xùn)練和預(yù)測階段,首先,本文基于LT老化指標(biāo)進(jìn)行數(shù)據(jù)標(biāo)注,采用決策樹、支持向量機(jī)和深度...
【文章來源】：武漢理工大學(xué)湖北省 211工程院校 教育部直屬院校
【文章頁數(shù)】：75 頁
【學(xué)位級別】：碩士
【部分圖文】：
數(shù)據(jù)標(biāo)注示例
本節(jié)選取了啟動(dòng)時(shí)間老化指標(biāo)存在明顯變化趨勢，但系統(tǒng)未發(fā)生崩潰的實(shí)驗(yàn)數(shù)據(jù)作為測試數(shù)據(jù)集，其趨勢如圖 3-2 所示。由圖 3-2 可知，只采用趨勢分析標(biāo)注數(shù)據(jù)時(shí)，編號(hào)30 對應(yīng)的時(shí)間點(diǎn)之前的數(shù)據(jù)被標(biāo)注為 HS，編號(hào) 40 對應(yīng)的時(shí)間點(diǎn)之后的數(shù)據(jù)被標(biāo)注為 AS，中間的數(shù)據(jù)被標(biāo)注為 SS。本節(jié)對比了只采用趨勢分析進(jìn)行數(shù)據(jù)標(biāo)注的結(jié)果和基于支持向量機(jī)算法的老化模型的預(yù)測結(jié)果，如圖 3-3 所示。圖 3-2 測試數(shù)據(jù)集的啟動(dòng)時(shí)間趨勢圖 圖 3-3 兩種方式標(biāo)注的老化狀態(tài)對比圖由圖 3-3 可知，對于 HS 和 SS，基于支持向量機(jī)算法的模型的預(yù)測結(jié)果和只采用趨勢分析法標(biāo)注的老化狀態(tài)結(jié)果具有較高的吻合度，但對于 AS 的判定存在較大的差異性。當(dāng)只采用趨勢分析進(jìn)行標(biāo)注時(shí)
分支個(gè)數(shù)達(dá)到 28 后，模型的準(zhǔn)確率趨于平衡，即模型的泛化能力較好。因此，本節(jié)設(shè)定最大分支數(shù)為 28。最后，本節(jié)根據(jù)下圖 3-5 中展示的實(shí)驗(yàn)結(jié)果對最小葉節(jié)點(diǎn)數(shù)進(jìn)行設(shè)置。由圖可知，當(dāng)最小葉節(jié)點(diǎn)數(shù)為 15 時(shí)，模型交叉驗(yàn)證的錯(cuò)誤率最小，即該值對應(yīng)模型泛化能力較好。因此，本節(jié)設(shè)置最小葉節(jié)點(diǎn)數(shù)為 15。3
【參考文獻(xiàn)】：
期刊論文
[1]Neural network based approach for time to crash prediction to cope with software aging[J]. Moona Yakhchi,Javier Alonso,Mahdi Fazeli,Amir Akhavan Bitaraf,Ahmad Patooghy. Journal of Systems Engineering and Electronics. 2015(02)
[2]軟件老化的多元時(shí)間序列分析方法[J]. 鄭鵬飛,齊勇,陳鵬飛. 計(jì)算機(jī)科學(xué)與探索. 2012(02)
本文編號(hào)：3455823
【文章來源】：武漢理工大學(xué)湖北省 211工程院校 教育部直屬院校
【文章頁數(shù)】：75 頁
【學(xué)位級別】：碩士
【部分圖文】：
數(shù)據(jù)標(biāo)注示例
本節(jié)選取了啟動(dòng)時(shí)間老化指標(biāo)存在明顯變化趨勢，但系統(tǒng)未發(fā)生崩潰的實(shí)驗(yàn)數(shù)據(jù)作為測試數(shù)據(jù)集，其趨勢如圖 3-2 所示。由圖 3-2 可知，只采用趨勢分析標(biāo)注數(shù)據(jù)時(shí)，編號(hào)30 對應(yīng)的時(shí)間點(diǎn)之前的數(shù)據(jù)被標(biāo)注為 HS，編號(hào) 40 對應(yīng)的時(shí)間點(diǎn)之后的數(shù)據(jù)被標(biāo)注為 AS，中間的數(shù)據(jù)被標(biāo)注為 SS。本節(jié)對比了只采用趨勢分析進(jìn)行數(shù)據(jù)標(biāo)注的結(jié)果和基于支持向量機(jī)算法的老化模型的預(yù)測結(jié)果，如圖 3-3 所示。圖 3-2 測試數(shù)據(jù)集的啟動(dòng)時(shí)間趨勢圖 圖 3-3 兩種方式標(biāo)注的老化狀態(tài)對比圖由圖 3-3 可知，對于 HS 和 SS，基于支持向量機(jī)算法的模型的預(yù)測結(jié)果和只采用趨勢分析法標(biāo)注的老化狀態(tài)結(jié)果具有較高的吻合度，但對于 AS 的判定存在較大的差異性。當(dāng)只采用趨勢分析進(jìn)行標(biāo)注時(shí)
分支個(gè)數(shù)達(dá)到 28 后，模型的準(zhǔn)確率趨于平衡，即模型的泛化能力較好。因此，本節(jié)設(shè)定最大分支數(shù)為 28。最后，本節(jié)根據(jù)下圖 3-5 中展示的實(shí)驗(yàn)結(jié)果對最小葉節(jié)點(diǎn)數(shù)進(jìn)行設(shè)置。由圖可知，當(dāng)最小葉節(jié)點(diǎn)數(shù)為 15 時(shí)，模型交叉驗(yàn)證的錯(cuò)誤率最小，即該值對應(yīng)模型泛化能力較好。因此，本節(jié)設(shè)置最小葉節(jié)點(diǎn)數(shù)為 15。3
【參考文獻(xiàn)】：
期刊論文
[1]Neural network based approach for time to crash prediction to cope with software aging[J]. Moona Yakhchi,Javier Alonso,Mahdi Fazeli,Amir Akhavan Bitaraf,Ahmad Patooghy. Journal of Systems Engineering and Electronics. 2015(02)
[2]軟件老化的多元時(shí)間序列分析方法[J]. 鄭鵬飛,齊勇,陳鵬飛. 計(jì)算機(jī)科學(xué)與探索. 2012(02)
本文編號(hào)：3455823
本文鏈接：http://sikaile.net/kejilunwen/ruanjiangongchenglunwen/3455823.html
最近更新
教材專著
