自律计算系统的自律可信性评估研究

摘要

随着计算机技术的快速发展和广泛应用，计算机软件和硬件设备高度集成，传统技术无法满足人们对系统可靠性、安全性等需求，迫切需要新的理论和方法去解决软件管理和安全危机，因此自律计算的概念应运而生。自律计算能够降低人工干预的频率和复杂度，增强系统的可靠性和安全性。但目前自律计算研究还处于初级阶段，许多关键性问题还没有解决，尤其是缺乏自律计算系统的自律成熟度评估研究，制约着自律计算的进化发展。
　　 本课题针对自律计算缺乏评估指标和度量方法，不能进行系统自律性评估和量化分析等问题，将可信性与自律性相结合，以面向服务的视角对系统服务的自律可信性进行评估指标和建模方法研究，实现系统服务自律可信性的定量描述和分析问题，本文的主要研究内容如下：
　　 首先从面向服务的角度，建立基于多Agent的自律计算系统评估分析模型，并应用Web服务和XML对自律计算系统的状态和行为进行建模。面向服务的思想只关注自律计算系统的服务特性，不关注系统具体实现的技术，为自律计算系统评估建立统一的评估标准。实验结果显示，该分析模型能够准确地反映自律计算系统服务的关键属性和自律特征，本章为自律可信性的建模及量化分析提供指导作用。
　　 其次，依据自律计算系统评估模型中自律单元与服务之间的关系，从服务请求、服务过程、服务响应三个方面对自律可信性进行量化指标分析，提取影响自律服务可信性的综合指标，建立分层的自律可信性评估体系。经过实例验证表明，该评估体系对系统服务进行分析，可应用于不同自律计算系统的自律可信性评估，本章为进行系统级自律可信性分析提供了合理依据。
　　 再次，提出基于聚类分析的HMM自律可信性建模方法，将系统的自律行为和服务状态映射为隐马尔科夫的双重随机过程，对系统状态进行聚类分析，提取有效的自律状态进行建模。提高模型对目标系统的识别能力，并采用信息熵对模型进行参数优化，降低随机参数的选取，优化模型精度。实验结果显示，该方法可以准确地反映自律可信性各要素之间的逻辑关系和变化，提高了评估分析的准确性，是进行量化分析的重要基础。
　　 最后，研究基于支持向量机(SVM)的系统自律可信性预测方法，将系统服务运行数据作为SVM的输入样本进行分类，输出不同服务等级的概率，实现了服务自律可信性的量化分析预测。该方法在小样本信息量较少，数据模糊的条件下，克服了原始评估数据非线性和离散性等缺陷，实现了自律可信性的量化分析，仿真实验结果显示预测的精度较高，为优化和指导自律计算系统的设计提供帮助。

目录

文摘

英文文摘

第1章 绪论

1.1 研究背景和意义

1.2 国内外研究现状

1.2.1 自律计算的产生和发展

1.2.2 自律计算的研究进展

1.2.3 自律计算评估研究进展

1.2.4 自律计算系统可信性研究进展

1.2.5 研究成果及所处阶段

1.3 研究中存在的问题和发展趋势

1.3.1 当前存在的问题

1.3.2 未来发展趋势

1.4 论文主要工作及组织结构

第2章 基于服务的自律可信性分析模型

2.1 引言

2.2 自律计算系统

2.2.1 自律计算系统的基本形式

2.2.2 系统的自律性定义

2.2.3 系统的可信性定义

2.2.4 系统的自律可信性定义

2.3 多Agent技术

2.4 Web服务及其应用技术

2.5 多Agent的自律系统分析模型

2.6 模型的形式化描述

2.7 模型的实例验证

2.8 本章小结

第3章 基于自律服务的层次化评估体系

3.1 引言

3.2 已有的自律评估方法概述

3.2.1 利用已有的评估体系分析法

3.2.2 传统测评与自律属性结合分析法

3.2.3 其它软件或工具评价分析法

3.3 自律服务特征分析

3.3.1 自律可信性服务请求分析

3.3.2 自律可信性服务过程分析

3.3.3 自律可信性服务响应分析

3.4 基于自律服务的评估体系

3.4.1 系统服务关联链描述

3.4.2 自律可信性评估体系模型

3.5 实例应用与分析

3.5.1 模糊综合评判法

3.5.2 参数指标确定

3.5.3 具体应用

3.5.4 实验环境配置

3.5.5 算例分析

3.6 本章小结

第4章 基于聚类分析的HMM建模评估方法

4.1 引言

4.2 相关知识介绍

4.2.1 隐马尔科夫模型

4.2.2 模型要解决的问题

4.3 系统建模过程分析

4.3.1 聚类分析技术

4.3.2 状态的聚类分析

4.4 HMM建模过程

4.5 基于信息熵的模型参数估计

4.5.1 信息熵

4.5.2 参数优化算法

4.6 模型分析与验证

4.6.1 模型参数

4.6.2 验证分析

4.7 与已有的相关工作比较

4.8 本章小结

第5章 基于支持向量机的自律可信性分析方法

5.1 引言

5.2 相关知识

5.2.1 统计学习理论

5.2.2 支持向量机

5.3 基于SVM的自律可信性分析

5.3.1 自律可信性等级分类

5.3.2 基于SVM的分类描述

5.3.3 SVM训练过程

5.4 仿真实验分析

5.4.1 有效性

5.4.2 准确性

5.5 与已有的相关工作比较

5.6 本章小结

结论

参考文献

攻读博士学位期间发表的论文和取得的科研成果

致谢

个人简历