基于adaboost算法的bp神经网络在软件老化测试中的应用

《基于adaboost算法的bp神经网络在软件老化测试中的应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于AdaBoost算法的BP神经网络在软件老化测试中的应用　　摘要：为提高BP神经网络的预测精度，克服自身容易陷入局部极值和收敛速度慢的缺陷，将AdaBoost算法和BP神经网络结合起来，建立基于AdaBoost算法的BP神经网络模型。该模型将多个BP神经网络作为弱预测器，然后采用AdaBoost算法将多个弱预测器组成强预测器进行预测。将该模型应用于软件老化测试，实验结果表明，该模型相比单个BP神经网络具有更好的预测精度。　　关键词：BP神经网络；AdaBoost算法；软件老化测试　　DOIDOI：10.11907/rjdk.161726　　

2、中图分类号：TP319　　文献标识码：A文章编号：16727800（2016）010013603　　0引言　　软件老化是指软件系统在长时间运行中由于数据没有得到及时更新、文件锁未及时释放、内存发生泄漏、计算时四舍五入误差的积累、存储空间碎片等导致软件性能下降，有时甚至出现系统崩溃或者直接宕机的现象[1]。为了应对软件老化，Y.Huang等[1]提出了软件再生的思想，即在软件系统性能严重下降时，采取暂停正在运行的程序、清理系统内存、释放不必要的资源等措施恢复软件系统的性能，降低损失。7　　软件老化预测在软件再生中至关重要，软件系统老化点判断的准确

3、性影响软件再生的最佳时机。很多学者以BP神经网络为基础，进行各种改进并且将其应用于软件老化的预测。文献[2]将蚁群算法和BP神经网络结合起来，采用蚁群算法初始化BP神经网络的初始权值，一定程度上克服了BP神经网络容易陷入局部最小值，收敛速度慢等缺陷，提高了训练速度；文献[3]将马尔可夫模型和BP神经网络结合起来，对BP神经网络的预测值进行分析处理，利用黄金分割法划分状态区间，使用马尔可夫转移矩阵预测数据值，和单纯使用BP神经网络相比，具有较高精度；文献[4]在BP神经网络中加入动量项和模拟退火算法，通过加入动量项改善了收敛速度慢的缺点，模拟退火

4、算法解决了容易陷入局部最小值的问题。这些算法都是以BP神经网络为基础，针对BP算法收敛速度慢和容易陷入局部极小值进行了改进。　　本文针对BP神经网络容易陷入局部极值和收敛速度慢的缺点，将AdaBoost算法和BP神经网络结合起来预测软件老化。通过实验仿真，结果表明基于AdaBoost算法的BP神经网络和单个BP神经网络相比具有更高的预测精度，验证该模型的有效性和可行性。　　1实验环境搭建　　在Linux系统上搭建Apache服务器，在Windows系统上搭建JMeter，模拟对服务器页面进行访问。7　　Apache是一个开源、免费、应用广泛的服

5、务器软件。其配置灵活，本文实验中对两个参数进行重新配置：MaxClients和MaxRequestPerChild。MaxClients参数设置服务器能够同时连接的客户数。MaxRequestPerChild参数设置子进程可以处理的请求的数目，在子进程处理完最大数目请求时，父进程就会销毁子进程，重新产生一个新的子进程处理请求，这样在一定程度上避免了内存泄露，对于软件抗衰有一定作用。本实验中Apache服务器的版本是2.2.15。为了加速软件老化，所以取消服务器自身的抗衰策略。将MaxClients设置为最大值256，MaxRequestPerC

6、hild设置为0，子进程将永远不会被销毁，可以处理任意多个请求。　　Jmeter是一个开源的测试工具，可以对http请求进行测试，接受服务器的名称和端口号、http请求的方式和url地址、发送速率等，返回平均响应时间、最大及最小响应时间、错误率、吞吐量等。本实验中Jmeter版本为2.1.3。　　本实验采集数据有4个特征向量，分别是发送速率、吞吐量、每秒接收的数据量、平均响应时间。其中，平均响应时间的长短最能体现软件老化的特征，如果软件的平均响应时间是用户所不能接收的，就可以认为软件处于老化状态。根据2008年AberdeenGroup的研究报

7、告，对于Web网站，1s的页面加载延迟相当于少了11%的PV（pageview），相当于降低了16%的顾客满意度；如果从盈利角度计算，就意味着：如果一个网站每天挣10万元，那么一年下来，由于页面加载速度比竞争对手慢1s，可能导致总共损失25万元的销售额[5]。本实验以Apache服务器为研究对象，取消了Apache服务器本身固有的软件抗衰策略，测试其软件老化，客户机访问Apache服务器的一个静态网页，所以认为响应时间如果超过1s即为软件老化。　　2BP神经网络　　2.1基本概念7　　BP神经网络是一个多层前馈神经网络，训练方式是输入数据正向传

8、播，经过隐含层到达输出层；计算实际输出数据和期望输出数据之间的误差，误差按逆向传播，经过隐含层到达输入层，并且将误差分配给所经过的所有神经元，以此作为