1、面向國家重大戰(zhàn)略需求，近年來我國在航空航天、交通運輸、能源動力等領域對大規(guī)模復雜軟件系統的應用需求逐漸凸顯?；诜战M合的“系統的系統”(System ofSystems，SoS)，采用系統即服務的思想，通過服務組合技術，集成已有的組件系統，從而形成一個新的系統，滿足更為復雜的用戶需求。借助服務化，服務組合技術已成為構建SoS的一種重要的、可行的方法。由此看來，服務化的思想已成為構建大規(guī)模復雜軟件系統的一種重要思想。所構建的系統運行在動

2、態(tài)、多變的環(huán)境下，單個系統的變化甚至可能會產生級聯效應，導致整個系統不能工作。因此，軟件的運行質量保障問題對基于服務組合的SoS而言，顯得尤為重要。
　　面向SoS組件系統的在線可靠性時間序列預測技術，通過預測組件系統不遠的未來的系統可靠性時間序列，從而為SoS中的組件系統選擇提供前攝式的指導，已成為基于服務組合的SoS運行質量保障研究和應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)組件系統動態(tài)、多變的運行環(huán)境;
　　(2)SoS運行質量保障應用對需要預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測的客戶端觀測參數。更進一步地，當多變的、迅速累積的組件系統觀測參數積累到一定規(guī)模后，面向組件系統的在線可靠性時間序列預測問題還將面臨以下大數據計算的挑戰(zhàn)，主要包括:
　　(1)數據體量巨大;
　　(2)組件系統運行參數時間序列的不確定性的時

4、序演化;
　　(3)構建預測模型時問題求解的高度復雜性。傳統的有關SoS以及服務系統可靠性預測、面向傳統計算機系統錯誤預測的在線錯誤預測等方面的研究方法，都很難系統地解決上述挑戰(zhàn)。
　　本文通過調查大量的機器學習方法，探尋不確定性演化的組件系統系統參數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)貝葉斯網絡模型，以及卷積神經網絡模型的多種不同的組件系統在線可靠性時間序列預測方法，并針對不同的應用場景

5、給出了如何開展相應預測方法的應用的軟件框架。具體而言，本文的主要工作包括:
　　(1)對基于服務組合的SoS的組件系統的可靠性進行了系統的研究，給出了其嚴格的定義。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指標（performance-aware Probability of Failure on-Demand，paPoFod），并將這一指標應用于指數可靠性函數，以計算組件系統的可靠性。
　　(2)提出通過響應時間

6、和吞吐量這兩組應用層系統參數時間序列來描述組件系統在特定時間段的運行狀態(tài)，在此基礎上，針對不確定性演化的組件系統的運行狀態(tài)，提出1-階馬爾科夫獨立假設和條件獨立假設，并以此來描述組件系統運行狀態(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)貝葉斯網絡模型(motifs-based Dynamic Bayesian Networks，m_DBNs)，以及基于m_DBNs模型的組件

7、系統在線可靠性時間序列預測方法。
　　(4)通過考慮多步鄰近的歷史預測的誤差來進一步校準未來預測的精度，從而提出一種多步軌跡動態(tài)貝葉斯網絡模型(multi-steps trajectories Dynamic Bayesian Networks，multi DBNs)。
　　(5)調查了深度學習方法在解決大服務系統應用環(huán)境下，組件系統在線可靠性時間序列預測的大數據計算挑戰(zhàn)方面的有效性。提出一種基于卷積神經網絡模型（Convo

8、lutional Neural Networks, CNN）的大服務組件系統的在線可靠性時間序列預測方法。
　　(6)分別對基于m DBNs、multi DBNs以及CNN模型的組件系統在線可靠性時間序列預測方法開展大量的實驗分析，實驗結果表明，所提出的方法較其他預測模型具有更高的預測準確率，更好的魯棒性，以及更快的收斂速度。
　　(7)給出了針對不同預測模型的兩個典型的應用場景，并分別設計了基于組件系統在線可靠性時間序列預