贝叶斯证据框架下最小二乘支持向量机的软件老化检测方法

苏莉 1; 2; 陈鹏飞 1; 齐勇 1; 武义涵 3

doi:10.7652/xjtuxb201308003

您当前的位置：

首页 >

文章列表页 >

贝叶斯证据框架下最小二乘支持向量机的软件老化检测方法

更新时间：2025-05-08

- 贝叶斯证据框架下最小二乘支持向量机的软件老化检测方法
- A Software Aging Detection Method Based on Bayesian Framework Using Least Squares Support Vector Machine
- 西安交通大学学报 2013年47卷第8期页码：12-18
- 作者机构：
  
  1. 西安交通大学电子与信息工程学院,西安,710049
  2. 海南师范大学数学与统计学院,海口,571158
- 作者简介：
- 基金信息：
  
  : 2013-01-09。作者简介: 苏莉(1982—),女,博士生;齐勇(通信作者),男,教授,博士生导师。基金项目: 国家自然科学基金资助项目(60933003);海南省自然科学基金资助项目(610221)
- DOI：10.7652/xjtuxb201308003
  中图分类号： TP301
- 网络首发：2013-08-10，
  
  纸质出版：2013
- 稿件说明：
移动端阅览
苏莉 1, 2, 陈鹏飞 1, 等. 贝叶斯证据框架下最小二乘支持向量机的软件老化检测方法[J]. 西安交通大学学报, 2013,47(8):12-18.

A Software Aging Detection Method Based on Bayesian Framework Using Least Squares Support Vector Machine[J]. 2013, 47(8): 12-18.
苏莉 1, 2, 陈鹏飞 1, 等. 贝叶斯证据框架下最小二乘支持向量机的软件老化检测方法[J]. 西安交通大学学报, 2013,47(8):12-18. DOI： 10.7652/xjtuxb201308003.

A Software Aging Detection Method Based on Bayesian Framework Using Least Squares Support Vector Machine[J]. 2013, 47(8): 12-18. DOI： 10.7652/xjtuxb201308003.

摘要

针对当前软件老化的检测、分析和软件再生的不确定性问题

提出了一种基于贝叶斯证据框架的最小二乘支持向量机(LS-SVM)的软件老化检测方法

即:使用最小二乘支持向量机分类器进行数据分类

以此解决数据采集时出现的小样本、高纬度

非线性、局部最小值等问题; 通过贝叶斯证据框架来优化LS-SVM的超参数

从而提高分类器的学习精度和泛化能力。实验结果表明

在状态清晰区间

软件老化的概率均在0.7至0.9之间

而高维模型检测出的软件老化的概率为0或1。如果从概率粒度层来描述软件老化

则软件再生的时间点选取效率更高

根据概率值的变化可进一步解析软件老化的不确定性。实验结果及分析显示

概率粒度所描述的软件健康状态更符合软件老化的客观状况。

Abstract

A software aging detection method based on Bayesian evidence framework using least squares support vector machine(LS-SVM)is proposed to solve the uncertainties in software aging detection and analyzing

and software regeneration. The least squares support vector machine classifier is used to classify the data

so that the problems such as small sample of the data collected

the high-latitude

nonlinearity

and local minimum can be solved. Then

the Bayesian evidence framework is employed to get the optimal LS-SVM hyper-parameters

and hence

the learning accuracy and generalization ability of the classifier are improved. Experimental results in the state clear interval show that the probabilities of software aging given by the proposed method are all between 0.7 and 0.9

while the probabilities given by the high-dimensional model are 0 or 1. When the software aging is described by the probability granularity

the regeneration time can be more effectively selected; moreover

the uncertainty of the software aging can be further analyzed from the changes of the probabilities. Experimental and analyzing results show that the software health status described by the probability granularity is better in line with the practical status of software aging.

关键词

Keywords

references

LI Lei, VAIDYANATHAN K, TRIVEDI K S. Analysis of software aging in a Web server [J]. IEEE Transactions on Reliability, 2006,55(3):411-420.

SU Li, QI Yong. Software aging detection based on NARX model [C]∥Web Information Systems and Applications Conference. Los Alamitos, CA, USA: IEEE Computer Society, 2012:105-110.

COTRONEO D, NATELLA R, PIETRANTUONO R, et al. Software aging analysis of the Linux operating system [C]∥IEEE 21st International Symposium on Communication,Networking Broadcasting; Computing Processing(Hardware/Software); Power, Energy, Industry Applications. Piscataway, NJ,USA: IEEE, 2010:71-80.

TRYBULA W J. Annual review of information science and technology(ARIST)[J]. Data Mining and Knowledge Discovery, 1997,32:197-229.

SUYKENS J A K, VANDEWALLE J. Least squares support vector machine classifiers [J]. Neural Processing Letters, 1999,9(3):293-300.

MACKAY D J C. Bayesian interpolation [J]. Neural Computation, 1992,4(3):415-447.

SIEGELMANN H T, HORNE B G, GILES C L. Computational capabilities of recurrent NARX neural networks [J]. IEEE Transactions on Cybernetics, 1997,27(2):208-215.

蒋浩天,拉塞尔E L,布拉茨R D. 工业系统的故障检测与诊断 [M]. 段建明,译. 北京:机械工业出版社, 2003.

杜小智,齐勇,侯迪,等.重配置与周期再生相结合的软件再生模型.2010,44(1):91-95.[doi:10.7652/xjtuxb201001020]

蒋曹清,应时,文静,等.面向服务软件中异常处理的形式化建模方法.2013,47(4):118-124.[doi:10.7652/xjtuxb 201304020]

毛文涛,冯云芝,闫桂荣.一种可自适应分组的多输入多输出支持向量机算法. 2013,47(6):50-54.[doi:10.7652/xjtuxb 201306009]

翟治年,奚建清,卢亚辉,等.任务状态敏感的访问控制模型及其有色网仿真. 2012,46(12):85-91.[doi:10.7652/xjtuxb 201212015]

司刚全,娄勇,张寅松.鲁棒最小二乘支持向量机及其在软测量中的应用.2012,46(8):15-21.[doi:10.7652/xjtuxb201208 003]

赵金伟,冯博琴,闫桂荣. 泛化的统一切比雪夫多项式核函数. 2012,46(8):43-48.[doi:10.7652/xjtuxb201208008]

梁炎明,刘丁.规则递归T-S模糊模型及其辨识方法. 2012,46(8):54-58.[doi:10.7652/xjtuxb201208010]

吴德,刘三阳.支持向量域多分类器. 2012,46(6):87-91. [doi:10.7652/xjtuxb201206015]

丁要军,蔡皖东.采用两阶段策略模型(KTSVM)的P2P流量识别方法. 2012,46(2):45-50. [doi:10.7652/xjtuxb 201202008]

侯重远,江汉红,芮万智,等.工业网络流量异常检测的概率主成分分析法. 2012,46(2):70-75. [doi:10.7652/xjtuxb 201202012]

王翔,郑建国,张超群,等.采用约束蚁群优化的贝叶斯网结构学习算法.2011,45(8):54-61.[doi:10.7652/xjtuxb201108 010]

张琛,段振华.应用UML2.0模型的测试用例生成方法. 2011,45(8):18-23. [doi:10.7652/xjtuxb201108004]

陈刚,蔡远利,穆静,等.海量信息异常检测问题的异常概率排序算法. 2011,45(4):36-40.[doi:10.7652/xjtuxb201104 007]

杨宏晖,戴健,孙进才,等.用于水声目标识别的自适应免疫特征选择算法. 2011,45(12):28-32.[doi:10.7652/xjtuxb 201112006]

贾立新,郑伊飞,曹晖.利用极值蚁群优化的制粉出力建模变量选择算法. 2011,45(10):7-12. [doi:10.7652/xjtuxb 201110002]

丁军平,蔡皖东.面向元信息分类的支持向量机改进技术. 2011,45(8):37-42.[doi:10.7652/xjtuxb201108007]

郑爱军,仲兆平,戴佳佳,等. 生物油催化酯化过程中乙酸转化率的智能预测. 2011,45(7):118-122. [doi:10.7652/xjtuxb201107022]

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

状态时间序列预测的贝叶斯最小二乘支持向量机方法

基于时间序列分析的应用服务器性能衰退模型

尺度核函数在最小二乘支持向量机信号逼近中的应用

重配置与周期再生相结合的软件再生模型

冷库水平空气幕热湿阻隔性能数值模拟研究