田俊峰，郭玉慧

?

基于檢查點(diǎn)場(chǎng)景信息的軟件行為可信預(yù)測(cè)模型

田俊峰1,2，郭玉慧1,2

（1. 河北大學(xué)網(wǎng)絡(luò)空間安全與計(jì)算機(jī)學(xué)院，河北 保定 071002；2. 河北省高可信信息系統(tǒng)重點(diǎn)實(shí)驗(yàn)室，河北 保定 071002）

為了保證軟件可信性，通過動(dòng)態(tài)監(jiān)測(cè)軟件行為，對(duì)軟件在一段時(shí)間內(nèi)運(yùn)行的可信狀態(tài)進(jìn)行評(píng)估，提出了一種基于檢查點(diǎn)場(chǎng)景信息的軟件行為可信預(yù)測(cè)模型CBSI-TM。該模型通過在軟件運(yùn)行軌跡中設(shè)置若干檢查點(diǎn)，并引入相鄰檢查點(diǎn)時(shí)間增量和CPU利用率變化量定義場(chǎng)景信息，用以反映相鄰檢查點(diǎn)場(chǎng)景信息的關(guān)系，然后利用徑向基函數(shù)（RBF, radial basis function）神經(jīng)網(wǎng)絡(luò)分類器評(píng)估當(dāng)前檢查點(diǎn)的狀態(tài)來判斷軟件的可信情況，并運(yùn)用半加權(quán)馬爾可夫模型預(yù)測(cè)下一個(gè)檢查點(diǎn)的狀態(tài)，達(dá)到對(duì)軟件未來運(yùn)行趨勢(shì)的可信情況的評(píng)估。實(shí)驗(yàn)結(jié)果證明了CBSI-TM模型能夠有效地預(yù)測(cè)軟件未來運(yùn)行趨勢(shì)的可信情況，并驗(yàn)證了該模型具有更優(yōu)的合理性和有效性。

軟件可信性；檢查點(diǎn)；RBF神經(jīng)網(wǎng)絡(luò)；半加權(quán)馬爾可夫模型

1 引言

軟件可信一直是人們普遍關(guān)注的問題。軟件可信是指軟件系統(tǒng)能夠按照其設(shè)定目標(biāo)所預(yù)期的方式運(yùn)行，軟件行為和用戶的預(yù)期相一致[1]。由于軟件本身的設(shè)計(jì)缺陷或軟件運(yùn)行環(huán)境的變化可能導(dǎo)致軟件運(yùn)行故障，從而偏離預(yù)期行為軌跡，最終給人們的工作和生活帶來不良影響甚至造成巨大損失。因此，研究軟件行為的可信性具有重要意義。

當(dāng)前對(duì)軟件行為的可信研究已有不少成果。李珍等[2]采取伴隨式分布軟件監(jiān)控機(jī)制，在節(jié)點(diǎn)內(nèi)置入檢查點(diǎn)，引入適合復(fù)雜交互場(chǎng)景的交互關(guān)聯(lián)方法，提出了檢查點(diǎn)可信性及檢查點(diǎn)之間結(jié)構(gòu)可信性的評(píng)估方法。劉玉玲等[3]提出一種基于軟件行為的檢查點(diǎn)風(fēng)險(xiǎn)評(píng)估信任模型，通過累積多個(gè)有疑似風(fēng)險(xiǎn)的檢查點(diǎn)，運(yùn)用風(fēng)險(xiǎn)評(píng)估策略，判定有疑似不可信的檢查點(diǎn)，利用處罰或獎(jiǎng)勵(lì)機(jī)制求出軟件行為的可信度，最終判別軟件行為是否可信。吳佳等[4]提出了一種基于隱馬爾可夫模型的軟件系統(tǒng)狀態(tài)預(yù)測(cè)方法，該方法通過收集系統(tǒng)的外在特征信息，利用隱馬爾可夫模型建立系統(tǒng)內(nèi)部狀態(tài)與外部特征之間的聯(lián)系，實(shí)時(shí)了解并預(yù)測(cè)系統(tǒng)狀態(tài)。Guo等[5]提出了一個(gè)新的統(tǒng)一框架來表示硬件基礎(chǔ)設(shè)施和軟件程序，在統(tǒng)一框架的支持下，系統(tǒng)設(shè)計(jì)者/集成商將能夠從不可信的第三方供應(yīng)商正式驗(yàn)證與硬件和軟件集成的計(jì)算機(jī)系統(tǒng)的可信性。王德鑫等[6]根據(jù)從軟件開發(fā)過程的實(shí)體、行為以及制品3個(gè)方面獲取的可信證據(jù)，提出了由37個(gè)可信規(guī)則、182個(gè)過程可信證據(jù)和108個(gè)制品可信證據(jù)組成的軟件過程可信度模型，并給出了基于該模型證據(jù)的軟件過程可信評(píng)價(jià)方法。賈曉輝等[7]提出了軟件質(zhì)量模型及分級(jí)的可信軟件評(píng)估模型，將軟件的信任程度分為6個(gè)可信級(jí)別，基于決策樹給出了可信軟件等級(jí)的評(píng)價(jià)過程，并將其運(yùn)用在可信構(gòu)件平臺(tái)中。王犇等[8]提出了一種基于多屬性熵權(quán)合成的軟件可信等級(jí)評(píng)估方法，該方法重點(diǎn)解決了軟件可信性評(píng)估中可信證據(jù)合成時(shí)證據(jù)沖突、多屬性權(quán)重分配等問題，從而使軟件可信評(píng)估的結(jié)果更加準(zhǔn)確和真實(shí)。Li等[9]提出了一個(gè)可靠性評(píng)估模型，著重分析了軟件可靠性的不同組成部分的影響，利用復(fù)雜網(wǎng)絡(luò)理論中最有影響力的節(jié)點(diǎn)發(fā)現(xiàn)算法來計(jì)算每個(gè)組件的影響因素，根據(jù)影響因素對(duì)軟件系統(tǒng)的可靠性進(jìn)行了評(píng)估。Okamura等[10]提出了一個(gè)開放源碼軟件可靠性評(píng)估的統(tǒng)一建?？蚣埽Y(jié)合經(jīng)典的非齊次泊松過程的軟件可靠性增長模型（SRGM, software reliability growth model）與一個(gè)熟悉的回歸方案——廣義線性模型（GLM, generalized linear model），發(fā)展了一種新的框架，不僅可以估計(jì)軟件的可靠性，還可以研究軟件度量對(duì)故障檢測(cè)過程的影響。Liu等[11]構(gòu)建了基于神經(jīng)網(wǎng)絡(luò)的軟件可靠性的評(píng)價(jià)指標(biāo)體系，并最終實(shí)現(xiàn)了軟件可靠性評(píng)估系統(tǒng)。這些研究大多是通過分析軟件行為來評(píng)估當(dāng)前軟件系統(tǒng)的可信性，而通過針對(duì)軟件當(dāng)前運(yùn)行節(jié)點(diǎn)可信情況來預(yù)測(cè)下一個(gè)節(jié)點(diǎn)的行為可信性，即對(duì)軟件未來的運(yùn)行趨勢(shì)進(jìn)行評(píng)估的研究相對(duì)較少。

因此，本文提出了一種基于檢查點(diǎn)場(chǎng)景信息的軟件行為可信預(yù)測(cè)模型，該模型的主要貢獻(xiàn)如下。

1) 將獲取的檢查點(diǎn)場(chǎng)景信息輸入訓(xùn)練好的RBF神經(jīng)網(wǎng)絡(luò)，對(duì)當(dāng)前檢查點(diǎn)處的軟件行為進(jìn)行可信性評(píng)估。

2) 在檢查點(diǎn)場(chǎng)景信息中，引入了時(shí)間增量和CPU利用率變化量，反映相鄰檢查點(diǎn)之間的系統(tǒng)狀態(tài)變化情況。

3) 結(jié)合當(dāng)前檢查點(diǎn)的場(chǎng)景信息和RBF對(duì)其可信性的評(píng)估結(jié)果，進(jìn)一步運(yùn)用改進(jìn)的半加權(quán)馬爾可夫模型預(yù)測(cè)下一個(gè)檢查點(diǎn)的可信情況。

4) 實(shí)驗(yàn)結(jié)果表明，該模型可以針對(duì)性地預(yù)測(cè)軟件未來運(yùn)行趨勢(shì)的可信性，便于及時(shí)管理軟件行為，加強(qiáng)軟件的可信性。

2 軟件行為可信預(yù)測(cè)模型

2.1 相關(guān)定義

定義1 檢查點(diǎn)（check point）。軟件流程上的一些關(guān)鍵點(diǎn)，一般選取軟件獨(dú)立功能結(jié)束處和軟件分支處或比較重要的系統(tǒng)調(diào)用處作為檢查點(diǎn)，用以提取軟件的場(chǎng)景信息。

定義3 行為軌跡。由軟件的運(yùn)行軌跡和功能軌跡組成，是指軟件主體所實(shí)施的行為按照時(shí)間順序記錄下來形成的形式化序列。

定義4 運(yùn)行軌跡。是指按執(zhí)行順序?qū)z查點(diǎn)串聯(lián)起來的序列。

定義5 功能軌跡。與運(yùn)行軌跡相對(duì)應(yīng)的檢查點(diǎn)場(chǎng)景信息序列。

定義9 軟件行為監(jiān)測(cè)。是指軟件運(yùn)行時(shí)，在檢查點(diǎn)處對(duì)行為信息進(jìn)行收集、評(píng)估等操作，一般通過監(jiān)測(cè)（軟件）進(jìn)行。

2.2 場(chǎng)景信息的選擇

檢查點(diǎn)的可信評(píng)估依賴于檢查點(diǎn)的行為信息。根據(jù)在軟件運(yùn)行時(shí)監(jiān)測(cè)到的檢查點(diǎn)場(chǎng)景信息來分析檢查點(diǎn)行為的可信情況，當(dāng)檢查點(diǎn)行為發(fā)生異常時(shí)，場(chǎng)景中的很多屬性信息會(huì)發(fā)生變化。吳佳等[4]選擇了變化比較直觀的CPU利用率、內(nèi)存占用率和磁盤利用率等作為WebLogic服務(wù)器的系統(tǒng)特征。根據(jù)文獻(xiàn)[4]的研究，CBSI-TM模型選擇了檢查點(diǎn)時(shí)間、CPU利用率、內(nèi)存利用率、網(wǎng)絡(luò)傳輸速度，同時(shí)為了研究相鄰檢查點(diǎn)之間發(fā)生的系統(tǒng)狀態(tài)變化，即通過軟件當(dāng)前檢查點(diǎn)的狀態(tài)進(jìn)而預(yù)測(cè)下一個(gè)檢查點(diǎn)的狀態(tài)，CBSI-TM模型還選擇了相鄰檢查點(diǎn)時(shí)間增量Δ、CPU利用率變化量Δ，最終將以上6個(gè)影響因素作為檢查點(diǎn)的場(chǎng)景信息。

因此，選擇以上這6個(gè)影響因素既能夠反映當(dāng)前檢查點(diǎn)的系統(tǒng)狀態(tài)，又能夠反映相鄰檢查點(diǎn)的系統(tǒng)狀態(tài)變化。

2.3 相關(guān)方法的介紹

2.3.1 RBF神經(jīng)網(wǎng)絡(luò)

RBF神經(jīng)網(wǎng)絡(luò)[12]是一個(gè)具有單隱含層的3層前饋網(wǎng)絡(luò)，具有非線性逼近能力強(qiáng)、網(wǎng)絡(luò)結(jié)構(gòu)簡單、學(xué)習(xí)速度快、不易陷入局部極小點(diǎn)和頑健性能好等優(yōu)點(diǎn)，利用RBF神經(jīng)網(wǎng)絡(luò)有助于對(duì)大量、復(fù)雜的信息進(jìn)行科學(xué)的分類。RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，包括輸入層、隱含層和輸出層。輸入層節(jié)點(diǎn)只傳遞輸入信息到隱含層，隱含層節(jié)點(diǎn)對(duì)輸入信號(hào)在局部產(chǎn)生響應(yīng)，輸出層節(jié)點(diǎn)通常是簡單的線性函數(shù)。

2.3.2 馬爾可夫模型

馬爾可夫過程[13]是研究某一事件的狀態(tài)及狀態(tài)之間轉(zhuǎn)移規(guī)律的隨機(jī)過程理論，它通過分析某一時(shí)刻不同狀態(tài)的初始概率及狀態(tài)之間轉(zhuǎn)移概率的關(guān)系來研究未來某時(shí)刻狀態(tài)的變化趨勢(shì)。

圖1 RBF神經(jīng)網(wǎng)絡(luò)

馬爾可夫鏈預(yù)測(cè)的理論基礎(chǔ)是馬爾可夫過程，對(duì)其運(yùn)動(dòng)變化的分析主要是研究鏈內(nèi)有限馬爾可夫過程的狀態(tài)及其相互關(guān)系，進(jìn)而預(yù)測(cè)鏈的未來狀況，并據(jù)此做出決策。馬爾可夫模型可表示為

其中，()為時(shí)刻的狀態(tài)概率向量，(0)為初始時(shí)刻的狀態(tài)概率向量，為狀態(tài)轉(zhuǎn)移概率矩陣。

由2.2節(jié)的分析可知，影響檢查點(diǎn)狀態(tài)變化的場(chǎng)景信息包括檢查點(diǎn)時(shí)間、CPU利用率、相鄰檢查點(diǎn)時(shí)間增量、CPU利用率變化量、內(nèi)存利用率、網(wǎng)絡(luò)傳輸速度，這些影響因素具有很多不確定性和隨機(jī)時(shí)變特性，因此導(dǎo)致檢查點(diǎn)狀態(tài)發(fā)生改變時(shí)也呈現(xiàn)了很強(qiáng)的隨機(jī)時(shí)變特性，并且其變化趨勢(shì)只與前一個(gè)檢查點(diǎn)狀態(tài)的場(chǎng)景信息有關(guān)，而與其他檢查點(diǎn)的狀態(tài)無關(guān)。因此可以利用馬爾可夫模型的特性來預(yù)測(cè)檢查點(diǎn)的狀態(tài)，進(jìn)而對(duì)軟件的異常行為及時(shí)進(jìn)行調(diào)整。

2.4 軟件行為可信預(yù)測(cè)框架

基于檢查點(diǎn)場(chǎng)景信息的軟件行為可信預(yù)測(cè)模型的框架如圖2所示。在每個(gè)檢查點(diǎn)都部署一個(gè)監(jiān)測(cè)器，并為每個(gè)被監(jiān)測(cè)檢查點(diǎn)創(chuàng)建一個(gè)獨(dú)立的信息存儲(chǔ)隊(duì)列。監(jiān)測(cè)器獲取到檢查點(diǎn)的場(chǎng)景信息后，將監(jiān)測(cè)數(shù)據(jù)暫存在對(duì)應(yīng)的信息隊(duì)列中，同時(shí)添加在本地監(jiān)測(cè)信息庫中。對(duì)每個(gè)檢查點(diǎn)，設(shè)置一個(gè)RBF神經(jīng)網(wǎng)絡(luò)分類器，對(duì)檢查點(diǎn)場(chǎng)景信息進(jìn)行離線訓(xùn)練和在線評(píng)估，步驟如下。

圖2 基于檢查點(diǎn)場(chǎng)景信息的軟件行為可信預(yù)測(cè)模型的框架

步驟1 離線訓(xùn)練。從本地監(jiān)測(cè)信息庫獲取場(chǎng)景信息，訓(xùn)練RBF神經(jīng)網(wǎng)絡(luò)。檢查點(diǎn)場(chǎng)景信息通過輸入層傳遞到隱含層，隱含層神經(jīng)元使用混合高斯激勵(lì)函數(shù)對(duì)輸入層的信息進(jìn)行運(yùn)算處理，輸出層神經(jīng)元對(duì)隱含層神經(jīng)元的輸出進(jìn)行加權(quán)求和并輸出結(jié)果，訓(xùn)練完成后，保存訓(xùn)練好的RBF神經(jīng)網(wǎng)絡(luò)。

步驟2 在線評(píng)估。監(jiān)測(cè)器捕獲軟件運(yùn)行時(shí)檢查點(diǎn)的場(chǎng)景信息并暫存在對(duì)應(yīng)信息隊(duì)列，RBF神經(jīng)網(wǎng)絡(luò)分類器從檢查點(diǎn)信息隊(duì)列獲取場(chǎng)景信息進(jìn)行處理，評(píng)估當(dāng)前檢查點(diǎn)的可信情況。

然后通過半加權(quán)馬爾可夫模型，得到軟件在下一個(gè)檢查點(diǎn)處于不同狀態(tài)的概率或在當(dāng)前檢查點(diǎn)進(jìn)行調(diào)整的概率，分為離線訓(xùn)練和在線評(píng)估2個(gè)步驟，介紹如下。

步驟1 離線訓(xùn)練。將軟件運(yùn)行時(shí)的第個(gè)檢查點(diǎn)與第+1個(gè)檢查點(diǎn)的狀態(tài)信息作為樣本集，訓(xùn)練得到第個(gè)檢查點(diǎn)的狀態(tài)概率向量，第個(gè)檢查點(diǎn)正?；蚺R界狀態(tài)a轉(zhuǎn)移到第+1個(gè)檢查點(diǎn)狀態(tài)a的概率P，用第個(gè)檢查點(diǎn)正?；蚺R界狀態(tài)對(duì)第+1個(gè)檢查點(diǎn)影響程度的權(quán)重對(duì)概率P加權(quán)；如果第個(gè)檢查點(diǎn)異常，則進(jìn)行人工干預(yù)，調(diào)整為正常狀態(tài)的概率為P。對(duì)所有的轉(zhuǎn)移概率進(jìn)行規(guī)范化，得到半加權(quán)馬爾可夫模型的轉(zhuǎn)移概率矩陣，建立半加權(quán)馬爾可夫模型。

步驟2 在線評(píng)估。在軟件運(yùn)行時(shí)，RBF分類器評(píng)估第個(gè)檢查點(diǎn)的狀態(tài)，若異常，則在第個(gè)檢查點(diǎn)處進(jìn)行人工干預(yù)檢查；否則，根據(jù)第個(gè)檢查點(diǎn)的狀態(tài)概率向量與加權(quán)轉(zhuǎn)移概率相乘得到第+1個(gè)檢查點(diǎn)的狀態(tài)概率向量，該向量中的最大概率對(duì)應(yīng)第+1個(gè)檢查點(diǎn)的可能狀態(tài)。例如，檢查點(diǎn)以較高的概率進(jìn)入異常狀態(tài)，通過顯示器或報(bào)警器通知管理員干預(yù)檢查，甚至?xí)和＿\(yùn)行，進(jìn)而使軟件的異常運(yùn)行及時(shí)得到調(diào)控。

3 基于RBF神經(jīng)網(wǎng)絡(luò)的檢查點(diǎn)狀態(tài)分類

人們一般采用語言量對(duì)信任等級(jí)進(jìn)行描述，借鑒文獻(xiàn)[14]的思想，該文將檢查點(diǎn)狀態(tài)劃分為3個(gè)等級(jí)：正常狀態(tài)、臨界狀態(tài)、異常狀態(tài)。首先需要檢查點(diǎn)場(chǎng)景信息樣本集對(duì)RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行離線訓(xùn)練，然后利用訓(xùn)練好的RBF神經(jīng)網(wǎng)絡(luò)對(duì)當(dāng)前檢查點(diǎn)的狀態(tài)進(jìn)行評(píng)估。

采用基于偽逆的權(quán)值直接確定法[17]，可直接得到隱含層和輸出層神經(jīng)元之間的最優(yōu)連接權(quán)值。在RBF神經(jīng)網(wǎng)絡(luò)中求解連接值時(shí)，隱含層與輸出層神經(jīng)元的連接權(quán)值形成矩陣，利用式(2)確定連接權(quán)值，其中，為激勵(lì)矩陣，T為期望輸出矩陣，則有

網(wǎng)絡(luò)輸出層第(=1,2,3)個(gè)神經(jīng)元的輸出為

定義網(wǎng)絡(luò)的平均輸出誤差[18]為

通過訓(xùn)練數(shù)據(jù)集訓(xùn)練RBF神經(jīng)網(wǎng)絡(luò)，計(jì)算網(wǎng)絡(luò)的平均輸出誤差min，然后利用校正數(shù)據(jù)集，計(jì)算網(wǎng)絡(luò)校正的平均輸出誤差cur，并增加隱含層神經(jīng)元的個(gè)數(shù)，若curmin，則刪除新增加的隱含層神經(jīng)元個(gè)數(shù)，此時(shí)網(wǎng)絡(luò)結(jié)構(gòu)已達(dá)到最優(yōu)隱含層神經(jīng)元數(shù)。

RBF神經(jīng)網(wǎng)絡(luò)在經(jīng)過以上步驟訓(xùn)練后，隱含層神經(jīng)元中心、方差以及隱含層和輸出層之間的連接權(quán)值都被確定，這樣RBF分類系統(tǒng)就建立起來了。

步驟2 在線評(píng)估。利用訓(xùn)練好的RBF神經(jīng)網(wǎng)絡(luò)分類器，就可以將監(jiān)測(cè)器捕獲到運(yùn)行時(shí)的檢查點(diǎn)場(chǎng)景信息輸入RBF神經(jīng)網(wǎng)絡(luò)，評(píng)估該檢查點(diǎn)的可信情況，若檢查點(diǎn)狀態(tài)正?；蚺R界，則利用半加權(quán)馬爾可夫模型預(yù)測(cè)下一個(gè)檢查點(diǎn)的可信情況，否則通知管理員進(jìn)行干預(yù)，甚至?xí)和＿\(yùn)行。

4 基于半加權(quán)馬爾可夫的檢查點(diǎn)狀態(tài)預(yù)測(cè)

4.1 檢查點(diǎn)的場(chǎng)景值計(jì)算

由于場(chǎng)景信息中的各個(gè)因素對(duì)檢查點(diǎn)狀態(tài)的影響程度不同，因此半加權(quán)馬爾可夫模型對(duì)各個(gè)屬性因素采用加權(quán)的方法進(jìn)行計(jì)算，求得綜合場(chǎng)景值。采用模糊層次分析法FAHP[19]，求得各場(chǎng)景信息的權(quán)重，則檢查點(diǎn)場(chǎng)景值計(jì)算式為

半加權(quán)馬爾可夫模型依據(jù)各場(chǎng)景信息的相對(duì)重要程度不同，在計(jì)算場(chǎng)景信息的權(quán)重時(shí)數(shù)量標(biāo)度如表1所示。

表1 數(shù)量標(biāo)度

根據(jù)表1，按場(chǎng)景信息元素的重要程度，通過兩兩比較，建立優(yōu)先關(guān)系矩陣[3]為

由于檢查點(diǎn)的不同狀態(tài)對(duì)檢查點(diǎn)+1的影響程度不同，因此通過式(7)表示檢查點(diǎn)+1的狀態(tài)，即

在求解權(quán)重時(shí)，首先要將檢查點(diǎn)的正常狀態(tài)和臨界狀態(tài)對(duì)檢查點(diǎn)+1影響程度大小進(jìn)行比較，然后建立優(yōu)先關(guān)系矩陣，轉(zhuǎn)換成模糊一致矩陣，利用式(6)計(jì)算權(quán)值。

隨著社會(huì)人口老齡化和疾病譜的改變，老年人慢性非傳染性疾病的患病率高，其生活不能自理且臥床患者比例呈上升趨勢(shì)。目前，社區(qū)衛(wèi)生服務(wù)中心收治的對(duì)象90%以上是久臥病患，家屬及保姆或陪護(hù)工等已成為他們的主要照顧和護(hù)理者(照護(hù)者)。調(diào)查發(fā)現(xiàn)，照護(hù)者們普遍缺乏防壓瘡的翻身護(hù)理知識(shí)和技能。由于照護(hù)者們對(duì)易發(fā)生壓瘡的這類高危人群未能正確及時(shí)掌握有效的防壓瘡翻身護(hù)理技能，導(dǎo)致發(fā)生壓瘡病例增多。因此，如何有效減少壓瘡的發(fā)生，對(duì)久臥病患照護(hù)者進(jìn)行防壓瘡翻身護(hù)理培訓(xùn)值得社區(qū)護(hù)理工作者的探索。1年多來，我們加強(qiáng)對(duì)照護(hù)者們防壓瘡翻身護(hù)理技能的指導(dǎo)和培訓(xùn)，使照護(hù)者們防壓瘡的護(hù)理能力明顯提高，現(xiàn)報(bào)道如下。

4.2 半加權(quán)馬爾可夫模型的確定

當(dāng)?shù)趥€(gè)檢查點(diǎn)處于異常時(shí)，就通知管理員對(duì)檢查點(diǎn)進(jìn)行調(diào)控，檢查點(diǎn)從異常狀態(tài)轉(zhuǎn)移到干預(yù)狀態(tài)，經(jīng)過調(diào)整，檢查點(diǎn)從干預(yù)狀態(tài)轉(zhuǎn)為正常狀態(tài)。所以檢查點(diǎn)從異常狀態(tài)轉(zhuǎn)移到干預(yù)狀態(tài)和從干預(yù)狀態(tài)轉(zhuǎn)移到正常狀態(tài)是必然事件，其概率34、41都為1，而從異常狀態(tài)轉(zhuǎn)移到其他狀態(tài)是不可能事件，其概率33為0。

對(duì)第個(gè)檢查點(diǎn)所有狀態(tài)轉(zhuǎn)移概率p，通過式(8)進(jìn)行規(guī)范化變換，有

通過以上過程即可建立初始半加權(quán)馬爾可夫模型，如圖3所示。

圖3 半加權(quán)馬爾可夫狀態(tài)轉(zhuǎn)移模型

4.3 檢查點(diǎn)的可信預(yù)測(cè)

預(yù)測(cè)過程如下。

1) 監(jiān)測(cè)器捕獲軟件運(yùn)行時(shí)第個(gè)檢查點(diǎn)的場(chǎng)景信息，然后通過RBF神經(jīng)網(wǎng)絡(luò)分類器判斷檢查點(diǎn)的狀態(tài)。

2) 若檢查點(diǎn)處于異常狀態(tài)，通過顯示器或報(bào)警器通知管理員干預(yù)檢查，甚至?xí)和＿\(yùn)行。

4) 若檢查點(diǎn)處于正常或臨界狀態(tài)，則通過式(9)計(jì)算檢查點(diǎn)+1的狀態(tài)概率向量+1，其中，狀態(tài)概率的最大值所對(duì)應(yīng)的狀態(tài)即為第+1個(gè)檢查點(diǎn)的預(yù)測(cè)狀態(tài)；若顯示為異常，則通過顯示器或報(bào)警器通知管理員干預(yù)檢查，甚至?xí)和＿\(yùn)行，否則，不進(jìn)行任何調(diào)整。

5 實(shí)驗(yàn)與分析

為了驗(yàn)證所提模型的有效性，在配置CPU為Intel(R)i7-6700@3.40 GHz，內(nèi)存為8.00 GB、Windows版本為Windows10家庭中文版的計(jì)算機(jī)上進(jìn)行了仿真實(shí)驗(yàn)。假設(shè)實(shí)驗(yàn)是在無背景噪聲環(huán)境下進(jìn)行的，以一個(gè)模擬累加計(jì)算器為目標(biāo)程序，在程序第一輪累加開始處、第10輪累加結(jié)束處、第20輪累加結(jié)束處分別設(shè)置檢查點(diǎn)0、1、2，即在0、1、2處置入場(chǎng)景信息監(jiān)測(cè)器。

在檢查點(diǎn)0與1之間隨機(jī)注入干擾程序t1.start()，而t1.start()是檢查點(diǎn)0與1之間的代碼，使累加器重復(fù)運(yùn)行了檢查點(diǎn)0與1之間的代碼，會(huì)引起程序的系統(tǒng)狀態(tài)發(fā)生變化，例如，程序運(yùn)行到檢查點(diǎn)2的時(shí)間變長；在檢查點(diǎn)0與1之間隨機(jī)注入干擾程序t1.join()，而t1.join()直接調(diào)用檢查點(diǎn)1與2之間的代碼，使累加器繞過檢查點(diǎn)1，運(yùn)行了檢查點(diǎn)1與2之間的代碼，會(huì)引起程序的系統(tǒng)狀態(tài)發(fā)生變化，例如，程序運(yùn)行到檢查點(diǎn)2時(shí)間變短；在檢查點(diǎn)1與2之間隨機(jī)注入干擾程序t1.start()，使累加器重復(fù)運(yùn)行了檢查點(diǎn)0與1之間的代碼，會(huì)引起程序的系統(tǒng)狀態(tài)發(fā)生變化，例如，程序運(yùn)行到檢查點(diǎn)2的時(shí)間變長；在檢查點(diǎn)1與2之間隨機(jī)注入干擾程序t1.join()，而t1.join()直接調(diào)用檢查點(diǎn)1與2之間的代碼，使累加器重復(fù)運(yùn)行了檢查點(diǎn)1與2之間的代碼，會(huì)引起程序的系統(tǒng)狀態(tài)發(fā)生變化，例如，程序運(yùn)行到檢查點(diǎn)2的時(shí)間變長。通過這4種隨機(jī)注入干擾程序的方式模擬目標(biāo)程序異常運(yùn)行。在收集數(shù)據(jù)時(shí)，通過監(jiān)測(cè)器捕獲了目標(biāo)程序以及在檢查點(diǎn)0、1與2之間隨機(jī)注入干擾程序t1.start()或t1.join()這兩類程序后并行運(yùn)行時(shí)檢查點(diǎn)0、1、2的場(chǎng)景信息。

通過多次運(yùn)行以上2類程序，直到收集了檢查點(diǎn)1的狀態(tài)轉(zhuǎn)移到檢查點(diǎn)2任一狀態(tài)的所有情況，共收集了8 794條數(shù)據(jù)，每條數(shù)據(jù)包含檢查點(diǎn)場(chǎng)景信息的各個(gè)指標(biāo)。對(duì)于收集的數(shù)據(jù)中重復(fù)的場(chǎng)景信息則沒有實(shí)驗(yàn)參考價(jià)值，所以舍棄不合理的數(shù)據(jù)后，作為實(shí)驗(yàn)的數(shù)據(jù)總共是8 082條。將收集的正常場(chǎng)景信息和異常場(chǎng)景信息輸入RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，對(duì)于處于兩者之間的判定為臨界場(chǎng)景信息，根據(jù)訓(xùn)練好的RBF神經(jīng)網(wǎng)絡(luò)對(duì)每個(gè)檢查點(diǎn)的數(shù)據(jù)集進(jìn)行分類判別。將收集的場(chǎng)景信息分為正常、臨界、異常狀態(tài)的樣本，然后利用分類好的樣本訓(xùn)練半加權(quán)馬爾可夫模型的參數(shù)。RBF神經(jīng)網(wǎng)絡(luò)和半加權(quán)馬爾可夫模型建立之后，就利用監(jiān)測(cè)器對(duì)運(yùn)行程序進(jìn)行監(jiān)測(cè)，根據(jù)檢查點(diǎn)1的狀態(tài)預(yù)測(cè)檢查點(diǎn)2的狀態(tài)。

5.1 RBF神經(jīng)網(wǎng)絡(luò)的建立

RBF神經(jīng)網(wǎng)絡(luò)在Matlab R2015a平臺(tái)上建立，網(wǎng)絡(luò)采用600條記錄，按照70%、15%、15%的比例分為訓(xùn)練樣本集、校正樣本集、測(cè)試樣本集，預(yù)設(shè)精度為0.001，學(xué)習(xí)率設(shè)置為0.01。

為了排除由于場(chǎng)景信息的各個(gè)指標(biāo)因數(shù)量級(jí)或量綱上的差別而造成的影響，可用以下計(jì)算式進(jìn)行歸一化。

其中，max和min分別表示各指標(biāo)中的最大值和最小值。

在訓(xùn)練RBF神經(jīng)網(wǎng)絡(luò)時(shí)，將檢查點(diǎn)的場(chǎng)景信息作為輸入，檢查點(diǎn)狀態(tài)作為輸出，所以輸入層神經(jīng)元數(shù)量為6個(gè)，輸出層神經(jīng)元數(shù)量為3個(gè)，設(shè)1、2、3分別表示檢查點(diǎn)正常狀態(tài)、臨界狀態(tài)、異常狀態(tài)，將這3個(gè)狀態(tài)的輸出形式分別設(shè)為[1,0,0]、[0,1,0]和[0,0,1]。若訓(xùn)練后應(yīng)用RBF神經(jīng)網(wǎng)絡(luò)分類處理輸出為[1,0,0]，則相關(guān)樣本屬于正常類；若RBF神經(jīng)網(wǎng)絡(luò)分類處理輸出為[0,1,0]，則相關(guān)樣本屬于臨界類；若RBF網(wǎng)絡(luò)分類處理輸出為[0,0,1]，則相關(guān)樣本屬于異常類。

根據(jù)神經(jīng)網(wǎng)絡(luò)的運(yùn)行機(jī)制分析可知[20]，影響神經(jīng)網(wǎng)絡(luò)泛化能力的因素可以分成兩類：一類是樣本的影響，另一類是來自神經(jīng)網(wǎng)絡(luò)本身的影響。本實(shí)驗(yàn)主要分析RBF神經(jīng)網(wǎng)絡(luò)本身對(duì)其泛化能力的影響，即通過分析連接權(quán)值及訓(xùn)練精度對(duì)泛化能力的影響，從而確定RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)。

下面，通過訓(xùn)練數(shù)據(jù)集、校正數(shù)據(jù)集對(duì)RBF神經(jīng)網(wǎng)絡(luò)的連接權(quán)值及訓(xùn)練精度進(jìn)行確定，并以網(wǎng)絡(luò)的平均輸出誤差為評(píng)判指標(biāo)，然后測(cè)試RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)能力，輸入測(cè)試樣本，以分類正確率為評(píng)判指標(biāo)。初始設(shè)置隱含層神經(jīng)元數(shù)為10個(gè)，并每次以10個(gè)訓(xùn)練樣本進(jìn)行迭代訓(xùn)練RBF神經(jīng)網(wǎng)絡(luò)，而且隱含層神經(jīng)元個(gè)數(shù)隨著樣本的增加而增加，同時(shí)，通過式(2)得出網(wǎng)絡(luò)在每次迭代訓(xùn)練的權(quán)值，通過式(4)得出網(wǎng)絡(luò)的平均輸出誤差，直到每一個(gè)訓(xùn)練樣本都曾被用于隱含層神經(jīng)元中心，然后通過校正樣本集增加隱含層神經(jīng)元個(gè)數(shù)，如果此時(shí)網(wǎng)絡(luò)的平均輸出誤差比訓(xùn)練的誤差小，則校正網(wǎng)絡(luò)的權(quán)值及平均輸出誤差；隨著隱含層神經(jīng)元個(gè)數(shù)的增加，如果此時(shí)網(wǎng)絡(luò)的平均輸出誤差比前一次增加的隱含層神經(jīng)元校正的誤差大，則保持前一次增加的隱含層神經(jīng)元個(gè)數(shù)，說明網(wǎng)絡(luò)的平均輸出誤差已達(dá)到最小值，此時(shí)RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)建立完成。然后通過測(cè)試數(shù)據(jù)集測(cè)試網(wǎng)絡(luò)的預(yù)測(cè)能力，檢查點(diǎn)1與檢查點(diǎn)2的RBF網(wǎng)絡(luò)訓(xùn)練和校正的平均輸出誤差結(jié)果分別如圖4和圖5所示，測(cè)試分類的預(yù)測(cè)精度分別如表2和表3所示。

圖4 檢查點(diǎn)e1的RBF網(wǎng)絡(luò)輸出誤差變化曲線

圖5 檢查點(diǎn)e2的RBF網(wǎng)絡(luò)輸出誤差變化曲線

表2 檢查點(diǎn)e1的測(cè)試分類矩陣

表3 檢查點(diǎn)e2的測(cè)試分類矩陣

注：沿行方向是期望類別結(jié)果，沿列方向是實(shí)際類別結(jié)果。

從圖4和圖5可以看出，隨著隱含層神經(jīng)元個(gè)數(shù)的增加，RBF神經(jīng)網(wǎng)絡(luò)的平均輸出誤差降低，當(dāng)輸出誤差達(dá)到最小時(shí)，繼續(xù)增加隱含層神經(jīng)元個(gè)數(shù)，輸出誤差會(huì)增大，刪除使輸出誤差增大的多余隱含層神經(jīng)元個(gè)數(shù)，確定檢查點(diǎn)1的RBF網(wǎng)絡(luò)的隱含層神經(jīng)元數(shù)為480個(gè)，檢查點(diǎn)2的RBF網(wǎng)絡(luò)的隱含層神經(jīng)元數(shù)為470個(gè)，所以此時(shí)檢查點(diǎn)1與2的RBF分類系統(tǒng)就建立起來了。

圖6 評(píng)估檢查點(diǎn)e2狀態(tài)的散點(diǎn)

表2和表3的狀態(tài)分類矩陣實(shí)驗(yàn)結(jié)果表明，采用RBF神經(jīng)網(wǎng)絡(luò)能夠完成對(duì)檢查點(diǎn)1與2狀態(tài)的正確分類，總的正確率分別達(dá)到95.93%和94.81%。因此可以確定此時(shí)RBF網(wǎng)絡(luò)的預(yù)測(cè)具有很好的泛化能力。

5.2 半加權(quán)馬爾可夫模型的建立

表4 0.1~0.9標(biāo)度取值

采用FAHP方法計(jì)算場(chǎng)景信息T、ΔT、P、ΔP、M、B對(duì)應(yīng)的權(quán)重，構(gòu)建優(yōu)先模糊矩陣為

通過以上步驟，建立初始半加權(quán)馬爾可夫模型。

5.3 半加權(quán)馬爾可夫模型的預(yù)測(cè)

程序在檢查點(diǎn)1與2之間運(yùn)行時(shí)間的增量最短是27.353 s，而通過檢查點(diǎn)1狀態(tài)預(yù)測(cè)檢查點(diǎn)2狀態(tài)的時(shí)間是16.239 s，這表明利用半加權(quán)馬爾可夫模型進(jìn)行預(yù)測(cè)是有意義的。

本實(shí)驗(yàn)選擇50個(gè)程序周期對(duì)檢查點(diǎn)2的狀態(tài)進(jìn)行評(píng)估，第1、5、8、11、15、17、23、30、37、41、44、48周期在檢查點(diǎn)0與1之間注入干擾程序t1.start()，并行運(yùn)行目標(biāo)程序和注入干擾后的程序；第4、7、20、22、33、39周期使累加器正常運(yùn)行；第14、23、30、34、35、36、38、40、43周期在檢查點(diǎn)1與2之間注入干擾程序t1.join()，并行運(yùn)行目標(biāo)程序和注入干擾后的程序，收集這3種情況下的檢查點(diǎn)1、2的場(chǎng)景信息進(jìn)行實(shí)驗(yàn)。檢查點(diǎn)2狀態(tài)的散點(diǎn)評(píng)估如圖6所示。

圖7 評(píng)估檢查點(diǎn)e2狀態(tài)總時(shí)間開銷的柱狀圖

1) 本文CBSI-TM模型只是在第2、29、50周期對(duì)檢查點(diǎn)2狀態(tài)的預(yù)測(cè)稍有偏差，因?yàn)樵谟?jì)算加權(quán)轉(zhuǎn)移概率的權(quán)值時(shí)，除了檢查點(diǎn)1是軟件當(dāng)前運(yùn)行的場(chǎng)景值，檢查點(diǎn)2所有狀態(tài)的場(chǎng)景值都是均值，與實(shí)際稍有偏差，導(dǎo)致預(yù)測(cè)檢查點(diǎn)2的狀態(tài)有偏差，所以其正確率為94%，而且CBSI-TM可以對(duì)檢查點(diǎn)2的狀態(tài)進(jìn)行雙重評(píng)估，從5.1節(jié)測(cè)試得出，RBF分類方法對(duì)檢查點(diǎn)2狀態(tài)評(píng)估的平均正確率為94.81%，所以CBSI-TM進(jìn)行雙重評(píng)估的平均正確率為94.405%。

2) 當(dāng)采用CBRA-TM模型評(píng)估檢查點(diǎn)2的狀態(tài)時(shí)，在第6、17、37、42周期對(duì)檢查點(diǎn)2狀態(tài)的評(píng)估與實(shí)際狀態(tài)有所不同，因?yàn)橥ㄟ^檢查點(diǎn)發(fā)生風(fēng)險(xiǎn)的可能性與設(shè)定的閾值對(duì)比的方式來判斷檢查點(diǎn)的狀態(tài)時(shí)，閾值的設(shè)定會(huì)導(dǎo)致對(duì)檢查點(diǎn)狀態(tài)的評(píng)估有偏差，所以其正確率為92%。

3) 當(dāng)采用RBF神經(jīng)網(wǎng)絡(luò)分類方法時(shí)，在第3、6周期對(duì)檢查點(diǎn)2狀態(tài)的評(píng)估與實(shí)際狀態(tài)有所不同，因此其正確率為96%。

4) CBSI-TM模型評(píng)估的正確率低于RBF分類方法，這可能是因?yàn)樵跈z查點(diǎn)1、2之間存在干擾，在檢查點(diǎn)1預(yù)測(cè)時(shí)引起檢查點(diǎn)1場(chǎng)景信息變化不明顯，導(dǎo)致預(yù)測(cè)檢查點(diǎn)2異常狀態(tài)有偏差。

因?yàn)镃BSI-TM模型可以在程序運(yùn)行到檢查點(diǎn)1時(shí)對(duì)檢查點(diǎn)2的狀態(tài)進(jìn)行預(yù)測(cè)，而CBRA-TM模型和RBF神經(jīng)網(wǎng)絡(luò)分類方法只有在程序運(yùn)行到檢查點(diǎn)2時(shí)，才對(duì)檢查點(diǎn)2的狀態(tài)進(jìn)行評(píng)估，所以從圖7可以得到以下結(jié)論。

1) CBSI-TM模型評(píng)估檢查點(diǎn)2狀態(tài)的總時(shí)間開銷比CBRA-TM模型和RBF神經(jīng)網(wǎng)絡(luò)評(píng)估檢查點(diǎn)2狀態(tài)的總時(shí)間開銷明顯少，RBF比CBRA-TM模型的時(shí)間開銷少，這是因?yàn)镃BRA-TM模型需要計(jì)算場(chǎng)景值并與其正常范圍進(jìn)行對(duì)比，才能評(píng)估檢查點(diǎn)2的狀態(tài)，而RBF通過將檢查點(diǎn)2狀態(tài)信息輸入RBF神經(jīng)網(wǎng)絡(luò)即可得到檢查點(diǎn)2的狀態(tài)，因此處理檢查點(diǎn)2信息的時(shí)間比CBRA-TM模型少，但RBF與CBRA-TM模型均是在程序運(yùn)行到檢查點(diǎn)2處，才對(duì)檢查點(diǎn)2狀態(tài)進(jìn)行評(píng)估，所以總的時(shí)間開銷是相似的。

2) 利用CBSI-TM模型對(duì)檢查點(diǎn)1的狀態(tài)進(jìn)行評(píng)估后，預(yù)測(cè)檢查點(diǎn)2的狀態(tài)是合理和有效的，而且能實(shí)時(shí)調(diào)整半加權(quán)馬爾可夫模型的參數(shù)，實(shí)現(xiàn)了動(dòng)態(tài)預(yù)測(cè)。

3) 該實(shí)驗(yàn)也體現(xiàn)出CBSI-TM模型具有較強(qiáng)的針對(duì)性，只要在某個(gè)程序運(yùn)行軌跡中設(shè)置檢查點(diǎn)，發(fā)現(xiàn)檢查點(diǎn)之間的狀態(tài)變化規(guī)律，就能較為直觀地反映軟件未來運(yùn)行趨勢(shì)的可信情況，從而實(shí)現(xiàn)對(duì)軟件的異常行為提前做出調(diào)控。

6 結(jié)束語

本文提出了一種基于檢查點(diǎn)場(chǎng)景信息的軟件行為可信預(yù)測(cè)模型，該模型通過RBF神經(jīng)網(wǎng)絡(luò)和半加權(quán)馬爾可夫模型實(shí)現(xiàn)對(duì)檢查點(diǎn)狀態(tài)的可信評(píng)估方法，利用半加權(quán)馬爾可夫模型有效地預(yù)測(cè)下一個(gè)檢查點(diǎn)的狀態(tài)，并且可以在程序運(yùn)行到下一個(gè)檢查點(diǎn)時(shí)，利用RBF神經(jīng)網(wǎng)絡(luò)分類器評(píng)估下一個(gè)檢查點(diǎn)的狀態(tài)，實(shí)現(xiàn)了對(duì)下一個(gè)檢查點(diǎn)狀態(tài)雙重評(píng)估的效果。實(shí)驗(yàn)表明，該模型能夠較準(zhǔn)確和合理地預(yù)測(cè)檢查點(diǎn)的狀態(tài)來判斷軟件未來運(yùn)行趨勢(shì)的可信情況。下一步的工作將對(duì)軟件的行為軌跡進(jìn)行分析，進(jìn)一步提高評(píng)估軟件可信情況的合理性和精確度。

[1] 萬爛軍, 李長云, 賀宗梅. 分布式軟件的交互行為監(jiān)測(cè)機(jī)制的研究[J]. 計(jì)算機(jī)工程與應(yīng)用, 2011, 47(5): 60-64.

WAN L J, LI C Y, HE Z M. Research on interactive behavior monitoring mechanism of distributed software[J]. Computer Engineering and Applications, 2011, 47(5): 60-64.

[2] 李珍, 田俊峰, 常卓, 等. 基于檢查點(diǎn)的分布式軟件監(jiān)控與可信性評(píng)價(jià)[J]. 通信學(xué)報(bào), 2016, 7(3): 7-18.

LI Z, TIAN J F, CHANG Z, et al. Distributed software monitoring and trustworthiness evaluation based on checkpoints[J]. Journal on Communications, 2016, 37(3): 7-18.

[3] 劉玉玲, 杜瑞忠, 馮建磊, 等. 基于軟件行為的檢查點(diǎn)風(fēng)險(xiǎn)評(píng)估信任模型[J]. 西安電子科技大學(xué)學(xué)報(bào)(自然科學(xué)版), 2012, 39(1): 179-190.

LIU Y L, DU R Z, FENG J L, et al. Trust model of software behaviors based on checkpoint risk assessment[J]. Journal of Xidian University, 2012, 39(1): 179-190.

[4] 吳佳, 曾惟如, 陳瀚霖, 等. 基于隱馬爾可夫模型的軟件狀態(tài)評(píng)估預(yù)測(cè)方法[J]. 軟件學(xué)報(bào), 2016, 27(12): 3208-3222.

WU J, ZENG W R, CHEN H L, et al. Approach of measuring and predicting software system state based on hidden Markov model[J]. Journal of Software, 2016, 27(12): 3208-3222.

[5] GUO X, DUTTA R G, JIN Y. Eliminating the hardware-software boundary: a proof-carrying approach for trust evaluation on computer systems[J]. IEEE Transactions on Information Forensics and Security, 2017, 12(2): 405-417.

[6] 王德鑫, 王青, 賀劼. 基于證據(jù)的軟件過程可信度模型及評(píng)估方法[J]. 軟件學(xué)報(bào), 2017, 28(7): 1713-1731.

WANG D X, WANG Q, HE J. Software process reliability model based on evidence and evaluation method[J]. Journal of Software, 2017, 28(7): 1713-1731.

[7] 賈曉輝, 張文寧, 劉安戰(zhàn). 分級(jí)的軟件可信評(píng)估模型研究及應(yīng)用[J]. 計(jì)算機(jī)科學(xué), 2017, 44(4): 169-172.

JIA X H, ZHANG W N, LIU A Z. Research and application of hierarchical software trustworthiness evaluation model[J]. Computer Science, 2017, 44(4): 169-172.

[8] 王犇, 周興社, 楊亞磊. 基于多屬性熵權(quán)合成的軟件可信等級(jí)評(píng)估方法[J]. 微電子學(xué)與計(jì)算機(jī), 2014, 31(6): 21-24.

WANG B, ZHOU X S, YANG Y L. Software trustworthiness grade evaluation method based on multiattribute entropy weight synthesis[J]. Microelectronics & Computer, 2014, 31(6): 21-24.

[9] LI K W, LIU L, ZHAI J N. Reliability evaluation model of component-based software based on complex network theory[J]. Quality and Reliability Engineering International, 2017, 33(3): 543-550.

[10] OKAMURA H, DOHI T. Towards comprehensive software reliability evaluation in open source software[C]. IEEE International Symposium on Software Reliability Engineering. 2015: 121-129.

[11] LIU L, JIANG Z. Research on software reliability evaluation technology based on BP neural network[C]//IEEE/ACIS International Conference on Computer and Information Science. 2016: 1-4.

[12] 匡芳君, 王艷華, 唐賢瑛. 基于RBF神經(jīng)網(wǎng)絡(luò)的客戶分類模型[J]. 長沙理工大學(xué)學(xué)報(bào), 2005, 2(4): 70-73.

KUANG F J, WANG Y H, TANG X Y. Customer classification model based on RBF neural network[J]. Journal of Changsha University of Science and Technology, 2005, 2(4): 70-73.

[13] 許智慧. 馬爾可夫狀態(tài)轉(zhuǎn)移矩陣的求解方法研究[D]. 哈爾濱: 東北農(nóng)業(yè)大學(xué), 2013.

XU Z H. Study on the solution of Markov state transition matrix[D]. Harbin: Northeast Agricultural University, 2013.

[14] J?SANG A. A logic for uncertain probabilities[J]. International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems, 2001, 9(3): 279-311.

[15] 劉輝, 白峰衫. 基于混合高斯過程模型的高光譜圖像分類算法[J]. 高校應(yīng)用數(shù)學(xué)學(xué)報(bào), 2010, 25(4): 379-385.

LIU H, BAI F S. Hyperspectral image classification based on mixed gaussian process model[J]. Applied Mathematics & A Journal of Chinese Universities, 2010, 25(4): 379-385.

[16] 王愛萍, 張功營, 劉方. EM算法研究與應(yīng)用[J]. 計(jì)算機(jī)技術(shù)與發(fā)展, 2009, 19(9): 108-110.

WANG A P, ZHANG G Y, LIU F. Research and application of EM algorithm[J]. Computer Technology and Development, 2009, 19(9): 108-110.

[17] 張雨濃, 李克訥, 譚寧. 中心、方差及權(quán)值直接確定的RBF神經(jīng)網(wǎng)絡(luò)分類器[J]. 計(jì)算機(jī)技術(shù)與自動(dòng)化, 2009, 28(3): 5-9.

ZHANG Y N, LI K N, TAN N. RBF neural network classifier with center, variance and weight directly determined[J]. Computer Technology and Automation, 2009, 28(3): 5-9.

[18] 張雨濃, 王茹, 廖柏林, 等. 權(quán)值與結(jié)構(gòu)雙確定法的RBF神經(jīng)網(wǎng)絡(luò)分類器[J]. 計(jì)算機(jī)技術(shù)與自動(dòng)化, 2014, 33(3): 1-7.

ZHANG Y N, WANG R, LIAO B L, et al. Both weights and structure determination method of RBF neural network classifier[J]. Computer Technology and Automation, 2014, 33(3): 1-7.

[19] 張吉軍. 模糊層次分析法[FAHP][J]. 模糊系統(tǒng)與數(shù)學(xué), 2000, 14(2): 80-88.

ZHANG J J. Fuzzy analytical hierarchy process[J]. Fuzzy Systems and Mathematics, 2000, 14(2): 80-88.

[20] 周文冬. 基于PSO的自組織RBF神經(jīng)網(wǎng)絡(luò)優(yōu)化設(shè)計(jì)及應(yīng)用研究[D]. 北京: 北京工業(yè)大學(xué), 2016.

ZHOU W D. Optimazation and applizaction of self-organizing network based on PSO[D]. Beijing: Beijing University of Technology, 2016.

[21] 駱正清, 楊善林. 層次分析法中幾種標(biāo)度的比較[J]. 系統(tǒng)工程理論與實(shí)踐, 2004(9): 51-60.

LUO Z Q, YANG S L. Comparative study on several scales in AHP[J]. Systems Engineering Theory and Practice, 2004(9): 51-60.

Software behavior trust forecast model based on check point scene information

TIAN Junfeng1,2, GUO Yuhui1,2

1. School of Cyber Security and Computer, Hebei University, Baoding 071002, China 2. Key Lab on High Trusted Information System in Hebei Province, Baoding 071002, China

In order to ensure the trustworthiness of software, and evaluate the trusted status of the software after running for a period of time by monitoring software behavior dynamically, a software behavior trust forecast model on checkpoint scene information which was called CBSI-TM was presented. The model set up a number of checkpoints in the software running track, and introduced the time increment of adjacent checkpoints, and the change of CPU utilization rate to define the scene information, and reflected the relationship between adjacent checkpoints scene information. Then the RBF neural network classifier evaluated the status of the current checkpoint to judge the trustworthiness of the software, and the semi weighted Markov model predicted the situation of the next checkpoint to evaluate the trustworthiness of future running trend of the software. The experimental results show that the CBSI-TM model can predict the future trusted status of the software effectively, and verify that the model is more reasonable and effective.

software trustworthiness, check point, RBF neural network, semi weighted Markov model

TP393.08

A

10.11959/j.issn.1000?436x.2018163

田俊峰（1965?），男，河北保定人，河北大學(xué)教授、博士生導(dǎo)師，主要研究方向?yàn)樾畔踩c分布式計(jì)算。

郭玉慧（1992?），女，山西朔州人，河北大學(xué)碩士生，主要研究方向?yàn)樾畔踩c分布式計(jì)算。

2018?01?09；

2018?07?30

國家自然科學(xué)基金資助項(xiàng)目（No.61170254）；河北省自然科學(xué)基金資助項(xiàng)目（No.F2016201244）

The National Natural Science Foundation of China (No.61170254), The Natural Science Foundation of Hebei Province (No.F2016201244)