动态演化环境下软件失效的在线预测关键技术研究

In dynamic evolution environments, unsafe run-time changes of systems and environments, and human misuse may compromise the correct execution of the entire systems and lead to failures. How to predict and prevent the occurrence of software failures is a major issue to be solved in this research area. The project gives a solution based on looking ahead the behaviors of the systems that can predict failures in the future. It includes the following four aspects. Firstly, the project plans to use interface automata to model the behaviors of environments, system and human, so to clearly model the system assumptions for environments and human. Secondly, the project uses scenario-based notations to model the desired properties and defines its four-valued runtime semantics. Thirdly, the project proposes a new approach that by combining design-time and run-time techniques, constructs the on-line behavior model of near execution future, and check whether the model satisfies desired properties to predict future failures. The approach can efficiently control the complexity of model construction and avoid state explosion problem. The project also designs a set of prevention and recovery guides which can make the systems avoid failures to be occurred in advance. Overall the project provides new ideas and targets for effective prevention and treatment of software failures in dynamic evolution environment, and improves the reliability and safety of deployed software systems.

在动态演化环境中，系统和环境的改变及人的误操作都可能会导致软件失效的发生，如何在线预测并预防软件失效的发生是当前亟待解决的重大问题。本项目给出了基于前瞻系统行为在线预测软件失效的新颖解决方案，主要包括四个方面。首先采用接口自动机，对环境、系统和人的行为进行建模，能够显式地表达系统对环境和人的不同假设。其次，用基于场景的规约来表示环境、系统和人交互过程中的关键属性，并定义其精确的运行时四值语义。再次，结合设计时模型和运行时信息，提出一种在线构建不久将来行为模型的方法，并面向基于场景的规约预警可能发生的失效，该方法能有效地控制模型构造的复杂度，避免了状态空间爆炸问题。最后，提出一组在线预防向导，通过调控系统、环境和人的行为，使得系统能及时避免失效的发生。本研究为在动态演化环境下软件失效的有效防止提供新思路，从而提高软件系统在部署以后的可靠性和安全性。

在动态演化环境中，系统和环境的改变作都可能会导致软件失效的发生，如何在线预测并预防软件失效的发生是当前亟待解决的重大问题。本项目给出了基于前瞻系统行为在线预测软件失效的新颖解决方案。在执行过程中，项目以面向服务系统作为典型系统，系统研究了软件失效的监控、在线预测、预防和恢复方法。.1）在监控方面，针对现有的监控方法没有考虑到系统和环境之间的交互，提出了基于博弈论的监控方法，针对基于场景的规约属性序列图，从博弈论的角度定义其多值监控语义: 满足、无限可控、系统有限可控、系统紧急可控、环境有限可控、环境紧急可控和违例。通过多值监控语义的定义, 监控器能够根据当前轨迹尽可能早地检测到系统失效或异常, 并提供足够信息为失效的预防和恢复服务。针对现有的监控方法不考虑环境因素的影响，本文提出了一种基于加权朴素贝叶斯算法的监控方法，通过TF-IDF算法计算环境因素的影响，通过对部分样本进行学习，构建加权朴素贝叶斯分类器，在网络开源数据以及随机数据集上的实验结果表明wBSRM能够更好地监控QoS，效率显著优于现有方法。 2）在线失效预测方面，提出了一种Web服务组合的在线失效预测方法，根据Web服务基本规约来构造将来k步行为模型，根据拦截到的当前消息进行重构，得到重构后K步将来模型，用户需求使用属性序列图来描述；分析K步将来模型是否满足属性序列图表示的属性，得到主动监控的正确结果、不确定结果和属性违例。方法能够提前预测到Web服务组合中失效的发生，提高了Web服务组合的可靠性和安全性。项目为正确预测QoS，帮助用户选择符合服务质量需求的Web Service,提出一种基于径向基神经网络模型的服务质量组合预测方法。首先使用时间序列模型对数据集建立线性和非线性预测模型，并选择最优模型，同时根据数据特点建立不同滑动窗口的灰色等维新息模型，再将上述2模型的预测结果作为输入源传递给径向基神经网络的训练模型，进行预测。实验结果表明，该方法与已有方法相比较，在预测精度方面有一定程度的提高。3）在失效恢复策略方面，针对云环境下的服务组合系统，提出一种基于分层的云服务组合失效的恢复系统和方法，根据云环境下可能导致服务组合失效的原因将失效进行分类，并提出五种主要的恢复方法，能够针对不同云层的失效进行恢复。