摘要 在云计算和大数据的技术背景下,"人–机–物"三元融合的应用模式正不断加速社会的信息化进程,并对软件系统的自适应和持续演化能力提出了新的需求.本文探索了面临软硬件环境及外部资源不断变迁挑战下的可成长网构软件理论方法和实现技术,从软件可成长性问题的由来,至可成长性概念的内涵和可成长软件的范型机理,在开放环境感知与自适应、无缝演化和过程演进,以及演化质量评估方法和保障机制3个方面系统分析了可成长软件的技术挑战并介绍了当前的技术进展,以支撑软件系统在不断成长视角下的长期生存.

摘要 高质量的日志代码是软件故障诊断的重要依据.由于缺乏统一规范、开发人员不够重视等原因,现有软件中的日志质量参差不齐.目前,已有工作致力于日志的自动化增强,主要分为基于易错模式的方法和基于代码特征的方法,这些方法通过总结软件易错代码模式或学习已有日志代码的代码特征,进而在相应的代码段中自动添加日志语句.但开发人员添加日志代码的意图往往难以用固定的模式或特征来描述,导致日志增强的准确性不高.因此,本文探索了意图敏感的日志增强方法,提出了一种日志意图描述模型(log-intention description model, LIDM),在此基础上设计和实现了自动化日志增强工具SmartLog. SmartLog利用LIDM提取日志代码意图,挖掘日志增强规则,进而实现意图敏感的日志自动增强.本文在6款成熟且被广泛使用的开源软件上对SmartLog的有效性展开了评估.评估结果显示, SmartLog的准确性相比两个已有最好的日志增强工具分别提升43%和16%.此外,本文收集了软件演化过程中86个开发人员增加日志的实例,并使用SmartLog和两个已有工具分析每次日志演化的旧软件版本,发现3个工具可自动在新软件版本添加的日志分别是49, 10, 22个,软件演化效率相比已有工作显著增强.

摘要 随着人工智能和物联网的快速发展与融合,智能物联网AIoT正成长为一个极具前景的新兴前沿领域,其中深度学习模型的终端运行是其主要特征之一.针对智能物联网应用场景动态多样,以及物联网终端(智能手机、可穿戴及其他嵌入式设备等)计算和存储资源受限等问题,深度学习模型环境自适应正成为一种新的模型演化方式.其旨在确保适当性能的条件下,能自适应地根据环境变化动态调整模型,从而降低资源消耗、提高运算效率.具体来说,它需要主动感知环境、任务性能需求和平台资源约束等动态需求,进而通过终端模型的自适应压缩、云边端模型分割、领域自适应等方法,实现深度学习模型对终端环境的动态自适应和持续演化.本文围绕深度学习模型自适应问题,从其概念、系统架构、研究挑战与关键技术等不同方面进行阐述和讨论,并介绍我们在这方面的研究实践.

摘要 配置管理是支撑云服务提供商管理大规模容器集群的重要基础设施.这一规模的集群通常包含百万量级的容器实例,如何根据不同业务场景的需求,及时可靠地将配置更新推送至对其感兴趣的容器实例,是亟待解决的关键问题.然而,现有方法仍存在不足之处.保障顺序一致性的共识算法限制了集群的扩展能力,难以适用于大规模集群.反熵算法存在长尾现象,时延难以保障,不适用于推送关键的配置更新.为了应对上述挑战,本文提出了一种面向大规模集群的柔性配置更新推送方法.这一方法基于发布/订阅机制,引入基于完全N叉树拓扑的可定义的多层次推送,并使用订阅者的部分计算资源协助推送,以提升推送性能;引入容错机制以应对节点失效和网络分区,保障网络分区时多分区读写可用.方法的拓扑参数和策略可根据业务场景对性能、可靠性等维度的不同需求而调整.实验结果表明,与现有的方法相比,我们的方法可以有效降低更新推送的时延,并可有效应对节点失效和网络分区场景.

摘要 围绕如何构建能够在高动态战场环境下持续保障多样化任务完成的指挥控制系统,依据可成长软件理论、方法,提出了一套指挥控制系统的自主适变解决方案;首先建立了具备自主适变能力的指挥控制系统总体架构模型,并构建了面向深度软件定义的核心任务保障框架;在此基础上,给出了基于"环境认知环–决策执行环"的"双环"自主适变机制,以实现面向任务保障的主动感知、适变控制和重构演化;最后基于所构建的技术验证原型系统进行了运行等级转进、资源受损下的业务持续运行等典型场景下的仿真试验验证.