党伟超,李 涛,白尚旺

(太原科技大学 计算机科学与技术学院,太原 030024)

长时间运行的软件系统,会出现软件错误不断累积、占用资源不断增加、性能持续下降,最终导致软件失效或崩溃的软件老化现象[1].对于发生老化的软件系统,在适当时刻主动进行抗衰操作可以避免软件发生失效[2].因此,如果能够实时准确预测软件系统的剩余寿命,通过预测软件剩余使用寿命来推导软件最优抗衰时刻,将会减少抗衰决策判断误差.

软件剩余使用寿命(Remaining Useful Life,RUL)指软件以当前的运行条件,能够实现其正常功能的剩余时间[3].RUL 常见的预测方法可分为基于模型与数据驱动的方法.基于模型的方法是指通过构建设备退化的数学或物理模型来进行预测.马波等人提出了一种基于状态监测信息和滚动轴承退化物理模型的寿命预测方法[4].基于模型的方法取得了不错的效果,但它依赖与特定的模型,不利于推广[5].

数据驱动中的深度学习方法由于具有强大的数据驱动能力,并且无需知道确切的物理模型和领域知识,以及在非线性映射特征提取方面的优异性能,成为了剩余寿命预测领域中热门方法[6].闫楚良等人[7]和王佳炜等人[8]用BP 神经网络分别对材料疲劳寿命和电磁继电器进行了预测.Felix 等人提出用循环神经网络(Recurement Netural Network,RNN)对航空发动机领域剩余寿命进行了预测[9].RNN 网络在结构设计中引入了时序的概念,在学习具有内在依赖性的时序数据时能够产生对过去……