基于服務(wù)組合的“系統(tǒng)的系統(tǒng)”的可靠性時間序列預(yù)測方法及關(guān)鍵技術(shù)研究.pdf

1、面向國家重大戰(zhàn)略需求，近年來我國在航空航天、交通運(yùn)輸、能源動力等領(lǐng)域?qū)Υ笠?guī)模復(fù)雜軟件系統(tǒng)的應(yīng)用需求逐漸凸顯?；诜?wù)組合的“系統(tǒng)的系統(tǒng)”(System ofSystems，SoS)，采用系統(tǒng)即服務(wù)的思想，通過服務(wù)組合技術(shù)，集成已有的組件系統(tǒng)，從而形成一個新的系統(tǒng)，滿足更為復(fù)雜的用戶需求。借助服務(wù)化，服務(wù)組合技術(shù)已成為構(gòu)建SoS的一種重要的、可行的方法。由此看來，服務(wù)化的思想已成為構(gòu)建大規(guī)模復(fù)雜軟件系統(tǒng)的一種重要思想。所構(gòu)建的系統(tǒng)運(yùn)行在動

2、態(tài)、多變的環(huán)境下，單個系統(tǒng)的變化甚至可能會產(chǎn)生級聯(lián)效應(yīng)，導(dǎo)致整個系統(tǒng)不能工作。因此，軟件的運(yùn)行質(zhì)量保障問題對基于服務(wù)組合的SoS而言，顯得尤為重要。
　　面向SoS組件系統(tǒng)的在線可靠性時間序列預(yù)測技術(shù)，通過預(yù)測組件系統(tǒng)不遠(yuǎn)的未來的系統(tǒng)可靠性時間序列，從而為SoS中的組件系統(tǒng)選擇提供前攝式的指導(dǎo)，已成為基于服務(wù)組合的SoS運(yùn)行質(zhì)量保障研究和應(yīng)用中一個新的需要迫切解決的挑戰(zhàn)性問題。
　　針對這一問題的解決，目前主要受到以下幾個方

3、面的挑戰(zhàn):
　　(1)組件系統(tǒng)動態(tài)、多變的運(yùn)行環(huán)境;
　　(2)SoS運(yùn)行質(zhì)量保障應(yīng)用對需要預(yù)測的未來的可靠性時間序列的精度要求;
　　(3)有限的可以用于開展可靠性預(yù)測的客戶端觀測參數(shù)。更進(jìn)一步地，當(dāng)多變的、迅速累積的組件系統(tǒng)觀測參數(shù)積累到一定規(guī)模后，面向組件系統(tǒng)的在線可靠性時間序列預(yù)測問題還將面臨以下大數(shù)據(jù)計(jì)算的挑戰(zhàn)，主要包括:
　　(1)數(shù)據(jù)體量巨大;
　　(2)組件系統(tǒng)運(yùn)行參數(shù)時間序列的不確定性的時

4、序演化;
　　(3)構(gòu)建預(yù)測模型時問題求解的高度復(fù)雜性。傳統(tǒng)的有關(guān)SoS以及服務(wù)系統(tǒng)可靠性預(yù)測、面向傳統(tǒng)計(jì)算機(jī)系統(tǒng)錯誤預(yù)測的在線錯誤預(yù)測等方面的研究方法，都很難系統(tǒng)地解決上述挑戰(zhàn)。
　　本文通過調(diào)查大量的機(jī)器學(xué)習(xí)方法，探尋不確定性演化的組件系統(tǒng)系統(tǒng)參數(shù)時間序列的時序演化規(guī)律的建模與推理方法。提出基于概率圖模型、多步軌跡動態(tài)貝葉斯網(wǎng)絡(luò)模型，以及卷積神經(jīng)網(wǎng)絡(luò)模型的多種不同的組件系統(tǒng)在線可靠性時間序列預(yù)測方法，并針對不同的應(yīng)用場景

5、給出了如何開展相應(yīng)預(yù)測方法的應(yīng)用的軟件框架。具體而言，本文的主要工作包括:
　　(1)對基于服務(wù)組合的SoS的組件系統(tǒng)的可靠性進(jìn)行了系統(tǒng)的研究，給出了其嚴(yán)格的定義。在這一定義中，提出了一種新的性能敏感的需求失效率評價(jià)指標(biāo)（performance-aware Probability of Failure on-Demand，paPoFod），并將這一指標(biāo)應(yīng)用于指數(shù)可靠性函數(shù)，以計(jì)算組件系統(tǒng)的可靠性。
　　(2)提出通過響應(yīng)時間

6、和吞吐量這兩組應(yīng)用層系統(tǒng)參數(shù)時間序列來描述組件系統(tǒng)在特定時間段的運(yùn)行狀態(tài)，在此基礎(chǔ)上，針對不確定性演化的組件系統(tǒng)的運(yùn)行狀態(tài)，提出1-階馬爾科夫獨(dú)立假設(shè)和條件獨(dú)立假設(shè)，并以此來描述組件系統(tǒng)運(yùn)行狀態(tài)的時序演化特征。
　　(3)將時間序列motifs引入概率圖模型，從而提出一種基于motifs的動態(tài)貝葉斯網(wǎng)絡(luò)模型(motifs-based Dynamic Bayesian Networks，m_DBNs)，以及基于m_DBNs模型的組件

7、系統(tǒng)在線可靠性時間序列預(yù)測方法。
　　(4)通過考慮多步鄰近的歷史預(yù)測的誤差來進(jìn)一步校準(zhǔn)未來預(yù)測的精度，從而提出一種多步軌跡動態(tài)貝葉斯網(wǎng)絡(luò)模型(multi-steps trajectories Dynamic Bayesian Networks，multi DBNs)。
　　(5)調(diào)查了深度學(xué)習(xí)方法在解決大服務(wù)系統(tǒng)應(yīng)用環(huán)境下，組件系統(tǒng)在線可靠性時間序列預(yù)測的大數(shù)據(jù)計(jì)算挑戰(zhàn)方面的有效性。提出一種基于卷積神經(jīng)網(wǎng)絡(luò)模型（Convo

8、lutional Neural Networks, CNN）的大服務(wù)組件系統(tǒng)的在線可靠性時間序列預(yù)測方法。
　　(6)分別對基于m DBNs、multi DBNs以及CNN模型的組件系統(tǒng)在線可靠性時間序列預(yù)測方法開展大量的實(shí)驗(yàn)分析，實(shí)驗(yàn)結(jié)果表明，所提出的方法較其他預(yù)測模型具有更高的預(yù)測準(zhǔn)確率，更好的魯棒性，以及更快的收斂速度。
　　(7)給出了針對不同預(yù)測模型的兩個典型的應(yīng)用場景，并分別設(shè)計(jì)了基于組件系統(tǒng)在線可靠性時間序列預(yù)