一种基于乘积季节模型的软件再生方法
【技术领域】
[0001] 本发明属于计算机软件技术领域，具体设及一种基于乘积季节模型的软件再生方 法。
【背景技术】
[0002] 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，该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。
[0003] 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、随机化tri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 核屯、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阔值的时间， 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。
[0004] 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 炬ox)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W 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， 并将该种规律延伸到未来，从而具备一定的预测功能。该模型通常可表示为ARIMA (P，山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ARIM模型 的特例。设X =狂1，X2, X3…，Xn-1，Xn)为一个时间序列，则ARIMA模型可表示为；
[0005]
(1)
[0006] ▽ %= (l-B)Xt= 似
[0007] (3)
[000引0 炬）=1- 0 iB-----0 声。（4)
[0009] 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7 1= 1-B，则有：
[0010] ▽ %=(l-B)Xt= 妨
[0011] 式（3)中〇做阶数为P，式（4)中0做阶数为q，也即模型ARIM(p，d，q)。
[0012] 在某些时间序列中，存在明显的周期性变化。该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。该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W天为周期的变化，还含有W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W上介绍的方法是不够的。描述该类序列的模型 之一是乘积季节ARIM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ARIM模型可表示为ARIM (P，d，q)化，D，m) S，即；
[0017] 其中，S为单位周期内采样点的个数。公式化）中▽ d、0炬)、0炬）表达式分别 和式（2)、（3)、（4) 一致。〇做和0做用来消除同一周期的不同周期点之间的相关性； U炬S)和V炬S)用来消除不同周期的同一周期点之间的相关性。
【发明内容】
[0018] 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。
[0019] 为了实现上述发明目的，本发明采取如下技术方案：
[0020] 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W下 步骤：
[0021] 步骤1 ;确定软件的老化指标，并提取关键指标值；
[0022] 步骤2 ;建立乘积季节模型；
[0023] 步骤3;根据乘积季节模型评估老化状况。
[0024] 所述步骤1具体包括W下步骤：
[0025] 步骤1-1 ;确定软件的老化指标；
[0026] 步骤1-2;收集实时监控数据；
[0027] 步骤1-3 ;从实时监控数据中提取老化指标实际值。
[002引所述老化指标包括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。
[0029] 所述步骤2包括W下步骤：
[0030] 步骤2-1 ;判断乘积季节模型的类型；
[003U 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；[0032]步骤2-3;判定乘积季节模型在训练数据上的拟合效果。
[003引所述步骤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。
[0034] 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。
[0035] 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W及使动态时间序列成为平稳 序列所做的季节差分次数。
[0036] 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。
[0037] 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 化指标阔值时，通过软件再生W恢复软件性能。