复杂网络的应用研究在近几年被拓展在越来越多的领域,由最初规模庞大的基电网络,金融网络和航空网络,到近期的互联网社区网络等,都得到各界研究人员们的关注。而复杂网络中,由微小故障产生的大规模级联崩塌效应作为现实生活中普遍发生的现象,且通常引发的都是灾难性的后果,因此,随着人们对复杂网络可靠程度的要求越来越高,不仅复杂网络领域依然是研究热点,其分支上级联崩塌效应的热度也一度攀升,所以,对级联崩塌效应的建模是分析级联崩塌的基石和关键。追溯软件开发的历史,自从19世纪60年代第一代软件开发为始,软件开发商或是项目投资者就为软件项目最终成型的高风险而担忧不已,根据Stan-dish Group的相关调查,仅在美国取样8000多个领域的软件项目对其检测,总的软件项目平均失败率高达72%以上。而时至今日,遍布全球的海量软件项目的成功率依然不够理想。多数软件项目的研发早期阶段或者原创性较高的项目在开发过程中,仅有很少的可参考案例,而项目的风险大部分只能凭借专家团队借由往期经验进行主观性的评估,这在以前软件的复杂度较低的情况下,还可以有比较可观的准确性,但是随着技术的发展,软件复杂度呈指数级别增长,而复杂程度越高的软件,其对应的软件故障复杂度也会随之上升,导致这种经验性主管评估的准确率和参考性越来越低,因此,客观定量的风险预测方法成为大家的关注点。本文从系统科学的角度来看,通过运用复杂网络以及其他手段和技术来全面探索复杂软件的级联崩塌效应作为一个全新的研究方向切入点,在目前多层感知器技术和深度学习技术研究的基础上,提出了两种具有差异化的风险预测模型。首先,以Github社区为例,通过采集海量社区项目的数据,针对社区中的项目,分析其在研发过程中的风险传递和崩塌级联反应。经过重点解析技术关联和合作关联这两种软件项目之间最为常见的风险传递模式,综合采集数据,得出单一项目的开发停摆会产生一定程度的级联崩塌现象。再针对Github开源社区的大量成功和失败项目的数据,通过设计合理特征,基于支持向量机对成功与失败的项目数据进行训练,通过数据清洗和优化方法,使得训练得到的模型可以较好的对项目失败风险进行预测,对于开源社区的长久发展和风险评估提供了有效依据。其次,深度学习飞速发展已经在图像处理、目标检测识别、自然语言处理等领域被证实具备更好的性能和泛化能力。本文基于采集数据和设计特征,构建深度卷积神经网络模型以及对应的损失函数,训练模型用于项目的可持续性和风险预测。实验结果表明,对于传统机器学习算法,深度学习对于特征的非线性映射建模具有更大的优势,训练所得模型的泛化能力更强,对项目的可持续性和风险预测更加准确。