王 荣，白尚旺，党伟超

(太原科技大学 计算机科学与技术学院，太原 030024)

软件老化通常是由软件故障激活的累积效应造成的，最终致使软件失效、系统宕机的现象。为尽可能减少因软件老化导致的系统性能下降等不良影响，Y.Huang等人提出软件再生思想[1]。软件再生的频率很关键，过于频繁会延长停机时间，频率过低则无法及时解决老化问题，不能保证良好的运行效果[2]，因此何时采取再生策略的关键在于能否准确预测出软件老化的趋势，根据预测结果适时采取再生策略，一定程度上保证了软件的可靠性[3]。

目前软件老化趋势预测主要是使用性能采集工具收集所需的参数，分析并推测软件未来的变化趋势。梁佩[4]以时间序列为研究对象，针对多步预测结果中的较差序列使用马尔科夫进行建模，对软件老化趋势进行预测。李焱[5]提出一种滑动模型，对软件老化进行评估，实验结果表明该方法能够较好地拟合季节性负载系统的软件老化趋势，并能做出准确的预测以支撑软件再生。渊岚[6]提出了基于AdaBoost算法的BP神经网络预测模型，以预测平均响应时间的长短判断老化的状态，提高了预测精度。

软件老化，呈现出一种非线性的特性。而BP神经网络，是一个复杂的非线性动力学习系统[7]。但其初始权值和阈值随机选取的问题[8]，在一定程度上制约着它的发展。而粒子群算法能够针对此问题进行很好的改进。

因此本文构建了NPSO-BP神经网络预测模型，将NPSO算法获得的最优解还原成对应的权值和阈值，并将值赋值给BP神经网络的参数，实现对软件老化趋势预测，实验表明本文提出的NPSO-BP神经网络预测模型，有良好的预测精度和收敛性。……