基于自注意力长短期记忆网络的Web软件系统实时剩余寿命预测方法

摘要

为了能够实时准确对Web软件系统的剩余使用寿命(RUL)进行预测,考虑Web系统健康状态性能指标的时序特性和指标间的相互依赖特性,提出了一种基于自注意力长短期记忆(Self-Attention-LSTM)网络的Web软件系统实时剩余寿命预测方法.首先,搭建加速寿命测试实验平台来收集反映Web软件系统老化趋势的性能指标数据;然后,根据该性能指标数据的时序特性来构建长短期记忆(LSTM)循环神经网络以提取性能指标的隐含层特征,并使用自注意力机制建模特征间的依赖关系;最后,得到系统RUL的实时预测值.在三组测试集上,把所提模型与反向传播(BP)网络和常规的循环神经网络(RNN)做了对比.实验结果表明,所提模型的平均绝对误差(MAE)比长短期记忆(LSTM)网络平均低16.92％,相对准确率(Accuracy)比LSTM网络平均高5.53％,验证了Self-Attention-LSTM网络剩余寿命预测模型的有效性.可见所提方法能为优化系统抗衰决策提供技术支撑.