党伟超，李 涛，白尚旺，高改梅，刘春霞

（太原科技大学计算机科学与技术学院，太原 030024）

0 引言

随着时代的发展、科技水平的显著提高，各个领域对计算机以及Web软件系统的依赖日益增强；尤其在金融、军事等领域，人们对软件系统的可靠性要求越来越高。然而长时间不间断运行的系统存在着软件老化现象，系统的可靠性受到严重威胁，易造成无法估量的损失。

软件老化是指软件在不间断运行过程中，由于内存的大量占用或泄露，文件锁得不到及时释放，会出现性能逐渐衰退的现象［1］。Huang等［2］提出了软件抗衰的方法以减少软件因老化带来的损失。抗衰策略研究是确定恰当的抗衰时刻，对软件系统执行合理的抗衰操作［3］。为了确定软件抗衰操作的时刻，主要方法是对系统资源消耗的情况进行分析及预测［4-6］。由于各类软件系统执行抗衰操作都需要一定时长的准备时间，用上述方法指导抗衰决策容易造成欠维修或过维修的问题。如果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。目前，在预测剩余寿命研究领域，针对退化过程比较复杂的系统，主流的研究方法是基于数据驱动的机器学习方法。常用的数据驱动方法有卡尔曼滤波、支持向量机和神经网络等。于震梁等［7］用支持向量机和非线性卡尔曼滤波对机械零件的剩余寿命进行了预测。……