论文部分内容阅读
软件监控系统对于大型应用程序和关键应用程序至关重要。现存的监控软件在模块化和全面性方面需要改进。因为监控信息需要统一处理和分析,所以为每款软件定制自己的监控软件会出现性能低下、模块化较差等情况。统一的软件监控框架是针对以上问题的一个理想的解决方案。本文首先介绍了监控软件规范中较为著名的ARM规范,并针对ARM规范的优缺点进行分析,然后对应用程序中的常用监控任务进行了详细的分析和归类,针对需求进行了规范化处理,提出了一个软件监控框架。 监控软件的性能至关重要,为了改进监控软件的性能,采用压缩感知来降低监控数据传输的性能需求。文章首先对压缩感知的原理进行了介绍,然后介绍了如何改进压缩感知和数据源,能够减少传输负担。利用小波变换来处理不稳定的数据源,利用傅里叶变换来处理稳定增长的数据源,将数据源变换到稀疏域即可用压缩感知进行处理,最后将压缩感知应用到实际的系统上。 软件的未来状态是监控中重要的一环,论文中尝试使用时间序列对软件的CPU负载进行预测。针对传统的单维预测模型和分类器预测模型的局限性,提出了基于投票的多维分类器预测模型。采用了灰色预测算法来预测相关数据集的预测值,同时用相关数据集的预测值和预测数据的历史数据对四种分类器进行训练,从而得到每种分类器的最佳参数。将各个训练数据作为输入,进行预测,利用投票机制选出当时最适合的分类器模型,再利用投票选出的分类器模型根据需要的预测步长进行迭代预测。和传统的预测模型相比,投票选出的分类器模型更能适应复杂的软件的CPU负载预测,预测值具有更小的平均相对误差和均方误差,更加精确。实验结果证明了基于投票的多维分类器预测模型用于软件的CPU负载预测是有效可行的。 论文最后介绍了监控系统在电信实时营销系统中进行的实现验证,以验证论文中提出的框架与方法。