| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 目录 | 第9-11页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.3 主要研究内容 | 第15-16页 |
| 1.4 论文组织方式 | 第16-17页 |
| 第2章 相关研究 | 第17-27页 |
| 2.1 软件老化 | 第17-18页 |
| 2.2 软件再生技术 | 第18-23页 |
| 2.2.1 软件再生技术研究的必要性 | 第18-20页 |
| 2.2.2 软件再生策略的研究思路 | 第20-23页 |
| 2.3 软件老化趋势的预测方法 | 第23-25页 |
| 2.4 本章小结 | 第25-27页 |
| 第3章 基于预测的软件多级再生机制 | 第27-39页 |
| 3.1 再生机制的提出 | 第27-30页 |
| 3.1.1 Web应用系统的复杂性 | 第27-28页 |
| 3.1.2 基于预测的再生机制 | 第28-30页 |
| 3.2 基于预测的软件多级再生过程 | 第30-32页 |
| 3.3 再生过程中的关键问题 | 第32-38页 |
| 3.3.1 系统再生等级的划分 | 第32-34页 |
| 3.3.2 系统性能指标数据的收集 | 第34-35页 |
| 3.3.3 系统性能衰退趋势的预测 | 第35-37页 |
| 3.3.4 组件级再生执行策略的制定 | 第37-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第4章 基于决策树的软件老化趋势预测模型 | 第39-53页 |
| 4.1 系统性能指标数据的标准化处理 | 第39-40页 |
| 4.2 基于粗糙集对软件老化相关指标集的简化 | 第40-46页 |
| 4.2.1 系统性能指标集简化的相关定义 | 第40-42页 |
| 4.2.2 系统性能指标值的离散化处理 | 第42-43页 |
| 4.2.3 基于条件熵和相关系数的系统性能指标集简化 | 第43-46页 |
| 4.3 软件老化趋势预测模型的建立 | 第46-50页 |
| 4.3.1 决策树的建立 | 第47-49页 |
| 4.3.2 决策树的优化 | 第49-50页 |
| 4.4 预测模型的误差分析 | 第50-51页 |
| 4.5 本章小结 | 第51-53页 |
| 第5章 基于RBF神经网络的组件级再生执行策略 | 第53-65页 |
| 5.1 基于组件再生相关性的组件再生群 | 第53-56页 |
| 5.1.1 组件间的再生相关性 | 第53-55页 |
| 5.1.2 组件再生群的建立 | 第55-56页 |
| 5.2 组件再生群的再生优先级 | 第56-63页 |
| 5.2.1 再生优先级评价指标 | 第56-58页 |
| 5.2.2 再生优先级的评价方法 | 第58-63页 |
| 5.2.2.1 RBF神经网络结构及训练算法 | 第59-61页 |
| 5.2.2.2 基于RBF神经网络的再生优先级评价方法 | 第61-63页 |
| 5.3 组件再生链的建立 | 第63-64页 |
| 5.4 本章小结 | 第64-65页 |
| 第6章 仿真实验与实例分析 | 第65-79页 |
| 6.1 实验环境 | 第65-66页 |
| 6.2 软件老化趋势预测模型有效性的实例分析 | 第66-73页 |
| 6.2.1 系统性能指标集的确定 | 第66-67页 |
| 6.2.2 系统性能指标数据的分析与处理 | 第67-70页 |
| 6.2.3 系统性能指标集的简化结果 | 第70-71页 |
| 6.2.4 预测模型的建立及预测误差分析 | 第71-73页 |
| 6.3 组件级再生执行策略有效性的实例分析 | 第73-77页 |
| 6.3.1 组件再生群的确定 | 第73-74页 |
| 6.3.2 再生优先级的评价结果 | 第74-75页 |
| 6.3.3 再生执行策略的有效性分析 | 第75-77页 |
| 6.4 本章小结 | 第77-79页 |
| 第7章 总结与展望 | 第79-81页 |
| 参考文献 | 第81-85页 |
| 致谢 | 第85-87页 |
| 攻读硕士期间论文发表情况 | 第87页 |