基于加权朴素贝叶斯分类器的软件服务质量监控方法及系统

    公开(公告)号:CN104102875B

    公开(公告)日:2017-05-03

    申请号:CN201410351264.1

    申请日:2014-07-22

    Applicant: 河海大学

    Abstract: 本发明公开了一种基于加权朴素贝叶斯分类器的软件服务质量的监控方法及监控系统,方法通过构造的加权朴素贝叶斯分类器判断软件的QoS属于满足标准类、不满足标准类还是无法判断,训练时设定影响因子组合,影响因子即非软件本身对QoS的影响,计算影响因子组合权值以及先验知识,监控时由分类器得到监控结果,分析、存储并返回评价给数据服务端。系统包括:控制器,采集不同的服务质量声明,向观察器发布不同服务质量所需的数据标准指令,传递需与数据集匹配的QoS标准给训练器,控制采集周期以及频率;数据库汇总分析器的监控结果;服务能力评价模块向数据服务设备返回软件的监控结果和评价结果;还包括观察器、训练器、优化样本集和分析器。

    基于加权朴素贝叶斯分类器的软件服务质量监控方法及系统

    公开(公告)号:CN104102875A

    公开(公告)日:2014-10-15

    申请号:CN201410351264.1

    申请日:2014-07-22

    Applicant: 河海大学

    CPC classification number: G06F11/3409 G06K9/6278

    Abstract: 本发明公开了一种基于加权朴素贝叶斯分类器的软件服务质量的监控方法及监控系统,方法通过构造的加权朴素贝叶斯分类器判断软件的QoS属于满足标准类、不满足标准类还是无法判断,训练时设定影响因子组合,影响因子即非软件本身对QoS的影响,计算影响因子组合权值以及先验知识,监控时由分类器得到监控结果,分析、存储并返回评价给数据服务端。系统包括:控制器,采集不同的服务质量声明,向观察器发布不同服务质量所需的数据标准指令,传递需与数据集匹配的QoS标准给训练器,控制采集周期以及频率;数据库汇总分析器的监控结果;服务能力评价模块向数据服务设备返回软件的监控结果和评价结果;还包括观察器、训练器、优化样本集和分析器。

    一种Android平台下的模块化系统的监控系统及方法

    公开(公告)号:CN104268057B

    公开(公告)日:2017-09-26

    申请号:CN201410495693.6

    申请日:2014-09-24

    Applicant: 河海大学

    Abstract: 本发明公开一种Android平台下的模块化系统的监控系统及方法,根据系统行为计算出相应的监控系数,如果监控系数大于目标监控系数则通过远程云端对已知系统进行监控,反之,如果小于目标监控系数则在本地对系统进行监控,从而阻止系统失效,同时监控行为的分散为系统带来的性能负载也是极其有限的;Android平台本地监控实时性更强,能对系统进行有效监控但对系统造成一定资源的消耗;云端监控对目标系统不造成任何资源上的消耗,同时云端监控生成的日志可利用云平台处理大数据的能力进行监控日志分析;监控系数是根据模块化系统的系统行为是否为计算资源紧凑型、内存空间紧凑型以及时间紧凑型等因素计算得来,用以判断监控行为是放在本地或者云端。

    基于隐马尔科夫模型和多目标进化算法的软件自适应方法

    公开(公告)号:CN104239046A

    公开(公告)日:2014-12-24

    申请号:CN201410454223.5

    申请日:2014-09-05

    Applicant: 河海大学

    Abstract: 本发明公开了一种软件自适应的方法,在软件监控、分析、计划、执行(MAPE-K)过程循环中,在系统的运行时对软件及系统进行动态自适应。在监控阶段,应用隐马尔科夫模型(HMM)来对各个系统组件进行可靠性建模,并在运行时不断通过学习算法优化此模型的参数,以此计算得出各组件的可靠性;在分析阶段中,应用监控阶段得到的各组件可靠性作为输入,应用离散时间马尔科夫链(DTMC),将各组件的调用关系映射为系统各状态的转移关系,计算系统可靠性;在计划阶段,根据特定使用场景,设定多种目标需求,如可靠性、能耗、性能等,作为多目标进化算法的输入(MOEA),以此来计算系统应进行迁移的合理配置集合。

    利用相似性搜索和改进BP神经网络预测水位的方法

    公开(公告)号:CN104239489B

    公开(公告)日:2018-03-20

    申请号:CN201410454011.7

    申请日:2014-09-05

    Applicant: 河海大学

    CPC classification number: Y02A10/46

    Abstract: 本发明公开一种利用相似性搜索和改进的BP神经网络预测水位的方法,根据待预测日前十五日的水位与前五十年拥有相似水文特征月份的水位进行相似性度量,查找出其与每一年最相近的水位时间段,然后将这五十年的最相近的水位时间段以及后一日的水位作为训练集,采用基于遗传算法的BP神经网络进行预测。该方法包括数据预处理,旨在弥补数据缺失错误等;相似性搜索,利用动态弯曲距离和滑动窗口技术,找出该十五日水位与前五十年相似月份水位最小的距离即最相似序列;基于遗传算法的BP神经网络,用遗传算法建立系统层次结构进行全局寻优,并利用BP神经网络的学习训练能力进行预测。本发明能够提前预测水位,为防洪抗灾提供有效的技术支持。

    基于隐马尔科夫模型和多目标进化算法的软件自适应方法

    公开(公告)号:CN104239046B

    公开(公告)日:2017-07-18

    申请号:CN201410454223.5

    申请日:2014-09-05

    Applicant: 河海大学

    Abstract: 本发明公开了一种软件自适应的方法,在软件监控、分析、计划、执行(MAPE‑K)过程循环中,在系统的运行时对软件及系统进行动态自适应。在监控阶段,应用隐马尔科夫模型(HMM)来对各个系统组件进行可靠性建模,并在运行时不断通过学习算法优化此模型的参数,以此计算得出各组件的可靠性;在分析阶段中,应用监控阶段得到的各组件可靠性作为输入,应用离散时间马尔科夫链(DTMC),将各组件的调用关系映射为系统各状态的转移关系,计算系统可靠性;在计划阶段,根据特定使用场景,设定多种目标需求,如可靠性、能耗、性能等,作为多目标进化算法的输入(MOEA),以此来计算系统应进行迁移的合理配置集合。

    一种Android平台下的模块化系统的监控系统及方法

    公开(公告)号:CN104268057A

    公开(公告)日:2015-01-07

    申请号:CN201410495693.6

    申请日:2014-09-24

    Applicant: 河海大学

    Abstract: 本发明公开一种Android平台下的模块化系统的监控系统及方法,根据系统行为计算出相应的监控系数,如果监控系数大于目标监控系数则通过远程云端对已知系统进行监控,反之,如果小于目标监控系数则在本地对系统进行监控,从而阻止系统失效,同时监控行为的分散为系统带来的性能负载也是极其有限的;Android平台本地监控实时性更强,能对系统进行有效监控但对系统造成一定资源的消耗;云端监控对目标系统不造成任何资源上的消耗,同时云端监控生成的日志可利用云平台处理大数据的能力进行监控日志分析;监控系数是根据模块化系统的系统行为是否为计算资源紧凑型、内存空间紧凑型以及时间紧凑型等因素计算得来,用以判断监控行为是放在本地或者云端。

    一种Web Service QoS组合预测方法

    公开(公告)号:CN104270281B

    公开(公告)日:2017-09-19

    申请号:CN201410447471.7

    申请日:2014-09-03

    Applicant: 河海大学

    Abstract: 本发明公开一种Web Service QoS组合预测方法,用时间序列预测模型从统计学角度进行数据分析,线性非线性时间序列分别建立ARIMA模型或者SETAR模型,预测未来QoS属性值;同时通过GM(1,1)模型模拟出整个QoS属性值发展趋势,对即使有数据缺失的情况,亦可建立高效的灰色预测模型进行预测;再采用递阶遗传算法优化后的径向基神经网络作为模型平台,以时间序列预测模型和GM(1,1)的预测结果作为神经网络的输入源,以递阶遗传算法训练径向基神经网络的参数。通过将不同预测模型进行适当地组合,形成所谓的组合预测方法,综合利用各种方法提供的有用信息,有利于提高输入质量,使得组合预测模型在效率、质量上优于单一模型,产生更好的预测结果。

    一种WebServiceQoS组合预测方法

    公开(公告)号:CN104270281A

    公开(公告)日:2015-01-07

    申请号:CN201410447471.7

    申请日:2014-09-03

    Applicant: 河海大学

    Abstract: 本发明公开一种Web Service QoS组合预测方法,用时间序列预测模型从统计学角度进行数据分析,线性非线性时间序列分别建立ARIMA模型或者SETAR模型,预测未来QoS属性值;同时通过GM(1,1)模型模拟出整个QoS属性值发展趋势,对即使有数据缺失的情况,亦可建立高效的灰色预测模型进行预测;再采用递阶遗传算法优化后的径向基神经网络作为模型平台,以时间序列预测模型和GM(1,1)的预测结果作为神经网络的输入源,以递阶遗传算法训练径向基神经网络的参数。通过将不同预测模型进行适当地组合,形成所谓的组合预测方法,综合利用各种方法提供的有用信息,有利于提高输入质量,使得组合预测模型在效率、质量上优于单一模型,产生更好的预测结果。

    利用相似性搜索和改进BP神经网络预测水位的方法

    公开(公告)号:CN104239489A

    公开(公告)日:2014-12-24

    申请号:CN201410454011.7

    申请日:2014-09-05

    Applicant: 河海大学

    CPC classification number: Y02A10/46 G06F17/30643 G06F17/30303 G06N3/04

    Abstract: 本发明公开一种利用相似性搜索和改进的BP神经网络预测水位的方法,根据待预测日前十五日的水位与前五十年拥有相似水文特征月份的水位进行相似性度量,查找出其与每一年最相近的水位时间段,然后将这五十年的最相近的水位时间段以及后一日的水位作为训练集,采用基于遗传算法的BP神经网络进行预测。该方法包括数据预处理,旨在弥补数据缺失错误等;相似性搜索,利用动态弯曲距离和滑动窗口技术,找出该十五日水位与前五十年相似月份水位最小的距离即最相似序列;基于遗传算法的BP神经网络,用遗传算法建立系统层次结构进行全局寻优,并利用BP神经网络的学习训练能力进行预测。本发明能够提前预测水位,为防洪抗灾提供有效的技术支持。

Patent Agency Ranking