随着互联网技术的日益成熟、用户规模的扩大以及需求的增加,软件数量不断增多,功能结构也日趋复杂,对其更便利、更可靠的高需求使得软件维护的难度也在不断增强。然而长时间持续运行的软件系统因老化现象的存在,必然导致性能衰退下降,甚至可能造成系统崩溃,严重威胁和制约着系统的高可靠性和可用性,易造成无法估量的损失。尽管通过抗衰操作可消除软件老化带来的不良影响,然而何时实施抗衰操作是一个值得探究的问题。再生过于频繁易导致停机时间增长,损失进一步扩大;再生频率过低则无法及时解决老化问题。如果可以准确地对软件老化趋势做出预测,在系统失效前及时发现软件老化现象,并采取合理的软件再生策略以解决系统性能衰退的问题,就能尽可能降低因实施软件再生所造成的损失,有效避免因停机所造成的不良影响,提高系统的可靠性。因此,准确地对软件老化趋势进行预测至关重要。针对当前老化趋势预测方法未考虑老化数据的依赖关系以及准确率低的问题,本文以深度学习的循环神经网络为基础,结合老化数据突变和多依赖的特点,对Web系统内存资源的消耗情况进行建模。首先根据老化数据的时序特性,以循环神经网络及其变种长短时记忆单元(Long Short-term memory,LSTM)结构为基础,提出并设计了一种基于循环神经网络的软件老化资源预测模型,并对该预测模型的网络结构进行优化。然后针对LSTM网络对远距离信息利用率低且不同时刻的老化特征对最终趋势影响程度不同的问题,在传统LSTM网络的基础结构上,结合自注意力机制,进一步提出并建立了一个基于自注意力机制的长短时记忆单元(Self-Attention-LSTM,SATLSTM)神经网络资源消耗预测模型。最后,将系统内存的使用情况作为老化的衡量指标,通过搭建一个引入内存泄漏的软件老化测试实验平台,运用加速寿命测试实验,对两种预测模型进行建模和预测,并通过与现有预测模型的对比,证明上述预测模型的有效性。实验结果表明,基于循环神经网络的Web系统老化预测模型能有效捕捉老化数据间的长期依赖关系。与传统的预测模型相比,预测精度更高,更适合用来描述软件老化资源消耗的过程;改进的SATLSTM老化预测模型在LSTM的基础上,预测精度得到了进一步的提升,更准确地提取了老化性能参数存在的隐藏规律,为软件老化状态的识别和再生奠定了理论基础。