1、本文闡述了軟件抗衰技術(shù)的研究背景和現(xiàn)狀，對(duì)目前面臨的一些問(wèn)題進(jìn)行了深入分析，并對(duì)軟件抗衰的若干關(guān)鍵技術(shù)展開(kāi)了研究，包括軟件系統(tǒng)的性能參數(shù)識(shí)別和監(jiān)控、性能衰退的檢測(cè)算法、性能衰退的預(yù)測(cè)算法等，并在此基礎(chǔ)上給出了一個(gè)抗衰解決方案，完成的主要工作和取得的研究成果如下： (1)從系統(tǒng)資源的角度，探討了計(jì)算系統(tǒng)在運(yùn)行時(shí)系統(tǒng)資源的表現(xiàn)行為對(duì)于系統(tǒng)性能的影響，識(shí)別了能夠度量系統(tǒng)性能的參數(shù)集合。在此基礎(chǔ)上，設(shè)計(jì)了一種性能監(jiān)控工具，對(duì)數(shù)據(jù)采集、通

2、信、存儲(chǔ)等方面加以改進(jìn)，以滿(mǎn)足軟件抗衰系統(tǒng)對(duì)于性能監(jiān)控提出的低侵?jǐn)_性、低延時(shí)性等需求。 (2)針對(duì)現(xiàn)有的檢測(cè)算法檢測(cè)率不夠高，而誤警率較高的問(wèn)題，從免疫學(xué)的角度，吸收了免疫機(jī)理中免疫識(shí)別的靈感，提出了一種基于免疫遺傳的性能異常檢測(cè)算法。算法對(duì)傳統(tǒng)的陰性選擇算法進(jìn)行了改進(jìn)，提出新的部分匹配規(guī)則代替，連續(xù)匹配規(guī)則度量樣本距離，更好的反映正常和異常的界線(xiàn)；并創(chuàng)新性地把陰性選擇算子添加到遺傳算法中充當(dāng)過(guò)濾器，有效的抑制了誤警率增加，降低

3、了由于檢測(cè)率不高和誤警率較高導(dǎo)致的高抗衰成本。 (3)為了降低抗衰成本，提高系統(tǒng)的可用性，提出了一種組合小波分析和神經(jīng)網(wǎng)絡(luò)的算法來(lái)預(yù)測(cè)最優(yōu)的抗衰時(shí)間。算法把原來(lái)的單層預(yù)測(cè)模型擴(kuò)充為四階段模型，提高了最優(yōu)抗衰時(shí)間預(yù)測(cè)的準(zhǔn)確性，避免了延誤抗衰時(shí)機(jī)；同時(shí)考慮到系統(tǒng)實(shí)時(shí)負(fù)載對(duì)于抗衰決策有較大的影響，故采用了半馬爾可夫過(guò)程建模負(fù)載，基于負(fù)載模型對(duì)系統(tǒng)資源耗費(fèi)和抗衰時(shí)間進(jìn)行預(yù)測(cè)，進(jìn)一步提高了預(yù)測(cè)的準(zhǔn)確性。 (4)為了給軟件抗衰提供有