Прогнозирование состояния сервера на основе регрессионно-нечетких моделей

• Автор: Козлов, Александр Олегович
• Шифр специальности: 05.13.18
• Научная степень: Кандидатская
• Год защиты: 2014
• Место защиты: Ульяновск
• Количество страниц: 135 с. : ил.

ОГЛАВЛЕНИЕ
ВВЕДЕНИЕ

1. АНАЛИЗ СОСТОЯНИЯ СЕРВЕРА

1.1. Анализ состояния сервера

1.2. Системы контроля параметров сервера

1.2.1. Аппаратные системы

1.2.2. Программные системы

1.3. Наиболее адекватные числовые параметры для оценивания

работоспособности сервера терминалов

1.4. Статистические методы прогнозирования состояния сервера

1.4.1. Регрессионные модели

1.4.2. Авторегрессионные модели
1.4.3. Адаптивное прогнозирование
1.4.4. Подход динамического регрессионного моделирования
1.5. Существующее программное обеспечение для моделирования временных рядов
1.6. Нечеткие модели для формализации экспертных оценок
работоспособности сервера
1.6.1. АСЬ-шкала
1.6.2. Механизм нечеткого вывода по Мамдани
1.6.3. Модели нечетких временных рядов
1.6.4. Гибридные модели ВР
1.7. Выводы
2. МЕТОД РЕГРЕССИОННО-НЕЧЕТКОГО МОДЕЛИРОВАНИЯ СЕРВЕРА

2.1. Разработка обобщенной регрессионно-нечеткой модели состояния
сервера
2.2. Метод регрессионно-нечеткого моделирования состояния сервера..
2.3. Алгоритмическое обеспечение метода регрессионно-нечеткого
моделирования состояния сервера по набору параметров
2.3.1. Алгоритм решения задачи прогнозирования на основе динамического регрессионного моделирования
2.3.2. Алгоритм решения задачи интерпретации параметров и их тенденций сервера на основе применения АСЬ-шкалы
2.3.3. Алгоритм вычисления комплексной оценки общей нечеткой тенденции числового параметра сервера
2.4. Выводы
3. РАЗРАБОТКА ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ РЕГРЕССИОННОНЕЧЕТКОГО АНАЛИЗА СОСТОЯНИЯ СЕРВЕРА
3.1. Обобщенная структура и функции ПО НЕРА
3.2. Описание модулей и структур ПО НЕРА
3.2.1. Подсистема сбора значений характеристик сервера
3.2.2. Подсистема адаптивного динамического регрессионного моделирования
3.2.3. Подсистема автоматизации ДРМ-моделирования
3.2.4. Подсистема нечеткого моделирования и резюмирования характеристик сервера
3.3. Выводы
4. ВЫЧИСЛИТЕЛЬНЫЕ ЭКСПЕРИМЕНТЫ АНАЛИЗА ПОВЕДЕНИЯ СЕРВЕРА НА ОСНОВЕ РЕГРЕССИОННО-НЕЧЕТКОГО /
МОДЕЛИРОВАНИЯ
4.1. Прогнозирование числовых параметров сервера

4.2. Интерпретация параметров сервера и генерация экспертных оценок прогнозных значений и тенденций
4.3. Генерация итогового экспертного заключения
4.4. Оценка эффективности метода
4.4.1. Критерий точности распознавания
4.4.2. Информационный критерий
4.4.3. Критерии достоверности и объективности. Временной критерий.
4.4.4. Экономический критерий
4.5. Выводы
ЗАКЛЮЧЕНИЕ
СПИСОК СОКРАЩЕНИЙ
СПИСОК ЛИТЕРАТУРЫ
ПРИЛОЖЕНИЕ А

Идентификация модели. Для модели АРПСС необходимо, чтобы ряд был стационарным, это означает, что его математическое ожидание и дисперсия не меняются во времени:
M[x(t)] = х = const
(1.24)
D(x(t)j = M[x(t) - x]2 = const
Для проверки стационарности ряда часто используют тест Дики-Фуллера
[28].
Поэтому обычно необходимо брать разности ряда до тех пор, пока он не станет стационарным. Число разностей, которые были взяты, чтобы достичь стационарности, определяются параметром d. Для того чтобы определить необходимый порядок разности, нужно исследовать график ряда и автокоррелограмму. Сильные изменения уровня обычно требуют взятия несезонной разности первого порядка. Сильные изменения наклона требуют взятия разности второго порядка. Сезонная составляющая требует взятия соответствующей сезонной разности. Если имеется медленное убывание выборочных коэффициентов автокорреляции в зависимости от лага, обычно берут разность первого порядка. Чрезмерное количество взятых разностей приводит к менее стабильным оценкам коэффициентов.
На этапе идентификации порядка модели необходимо решить, как много параметров авторегрессии р (для этого используют автокорреляционную функцию) и скользящего среднего q (для этого используют частную автокорреляционную функцию) должно присутствовать в эффективной и экономной модели процесса. Экономность модели означает, что в ней имеется наименьшее число параметров и наибольшее число степеней свободы среди всех моделей, которые подгоняются к данным. На практике очень редко бывает, что число параметров р или q больше 2.
Оценивание и прогноз. Следующий, после идентификации, шаг состоит в оценивании параметров модели. Для нахождения значений параметров, минимизирующих сумму квадратов остаточных ошибок, используется МНК. Для