基于机器学习的性能预测方法
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-9页 |
| 第1章 绪论 | 第9-18页 |
| ·课题背景 | 第9页 |
| ·软件性能 | 第9-11页 |
| ·响应时间 | 第9-10页 |
| ·吞吐量 | 第10-11页 |
| ·性能计数器 | 第11页 |
| ·思考时间 | 第11页 |
| ·软件性能工程 | 第11-14页 |
| ·SPE概念与领域 | 第11-13页 |
| ·SPE的重要意义 | 第13页 |
| ·SPE的主要方法 | 第13-14页 |
| ·性能评估与性能预测 | 第14-16页 |
| ·软件性能评估 | 第14页 |
| ·软件性能预测 | 第14页 |
| ·评估与预测的关系 | 第14-15页 |
| ·性能预测的意义 | 第15-16页 |
| ·本文主要工作 | 第16页 |
| ·文章结构 | 第16-18页 |
| 第2章 软件性能预测方法 | 第18-23页 |
| ·基于硬编码的性能预测方法 | 第18-19页 |
| ·基于历史数据的性能预测方法 | 第19-22页 |
| ·历史数据的来源 | 第19页 |
| ·性能测试 | 第19-20页 |
| ·多元线形回归方法 | 第20-21页 |
| ·相似操作确认方法 | 第21-22页 |
| ·基于历史数据方法的优势与不足 | 第22页 |
| ·基于机器学习的性能预测方法 | 第22-23页 |
| 第3章 基于机器学习的性能预测技术 | 第23-35页 |
| ·机器学习概述及研究现状 | 第23-24页 |
| ·分类器 | 第24-28页 |
| ·决策树 | 第24-25页 |
| ·后向传播分类 | 第25-26页 |
| ·k-最近邻分类 | 第26-27页 |
| ·遗传算法 | 第27页 |
| ·模糊集方法 | 第27-28页 |
| ·性能预测模块构建步骤 | 第28-35页 |
| ·集成化性能测试 | 第29-32页 |
| ·分类器训练 | 第32-33页 |
| ·预测性能 | 第33-34页 |
| ·自动更新 | 第34-35页 |
| 第4章 基于朴素贝叶斯分类的性能预测方法 | 第35-49页 |
| ·朴素贝叶斯分类算法 | 第35-36页 |
| ·贝叶斯定理 | 第35页 |
| ·朴素贝叶斯分类 | 第35-36页 |
| ·构建性能预测模块 | 第36-42页 |
| ·环境变量及性能因子 | 第37页 |
| ·测试用例 | 第37-38页 |
| ·测试过程 | 第38页 |
| ·分类器训练 | 第38-40页 |
| ·预测算法 | 第40-41页 |
| ·自动更新 | 第41-42页 |
| ·实验 | 第42-49页 |
| ·金融服务系统 | 第42-43页 |
| ·环境准备 | 第43页 |
| ·属性确定及用例准备 | 第43-45页 |
| ·性能测试 | 第45页 |
| ·分类器训练 | 第45-46页 |
| ·预测结果及对比 | 第46-49页 |
| 第5章 性能预测模块的拓展 | 第49-61页 |
| ·改进的贝叶斯分类方法 | 第49-53页 |
| ·基于属性加权的朴素贝叶斯分类 | 第49-51页 |
| ·基于模拟退火遗传算法的朴素贝叶斯分类 | 第51-53页 |
| ·利用机器学习的其它方法构建预测模块 | 第53-61页 |
| ·基于决策树的性能预测方法 | 第53-56页 |
| ·基于k-最近邻的性能预测方法 | 第56-58页 |
| ·其它方法 | 第58-59页 |
| ·对比总结 | 第59-61页 |
| 第6章 总结和展望 | 第61-63页 |
| ·本文工作总结 | 第61-62页 |
| ·进一步工作展望 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 攻读硕士学位期间主要的研究成果 | 第67-68页 |
| 致谢 | 第68页 |
