خانم سمیه عربی‏نرئی دانشجوی دکترای جناب آقای دکتر سعید پارسا روز یکشنبه مورخ 28/02/93 ساعت 17 در دانشکده مهندسی کامپیوتر از رساله دکترای خود تحت عنوان طراحی و توسعه مدل‏های اختصاصی جهت پیش‏بینی شکست‏های نرم افزاری در زمان اجرا دفاع نمود.

  چکیده پایان نامه:

  در این رساله یک مدل طبقه بند پیش بینی شکست برای نظارت برخط بر رفتار سیستم های نرم افزاری بحرانی ارایه شده است. نوآوری روش پیشنهادی، ارایه مدل طبقه بند حاوی تابع هسته خصوصی سازی شده جهت پیش بینی شکست حاصل از نقص های موجود در برنامه ها است. تابع هسته پیشنهادی براساس یک راه کار جدید تطبیق دنباله جهت مقایسه مسیرهای اجرایی برنامه ساخته می شود. بدین وسیله میزان شباهت بین اجراهای موفق و ناموفق برنامه، که به صورت دنباله ای از تعیین کننده های موجود در برنامه نمایش داده می شوند، اندازه گیری می شود. مدل طبقه بندی مبتنی بر تابع هسته، یک ابرسطح را ایجاد می کند. این ابرسطح به طور بهینه فضای اجراهای برنامه را به دو ناحیه اجراهای موفق و ناموفق تقسیم می کند. پس از آن، این ابرسطح برای تشخیص نشانه های شکست در حین اجرای برنامه مورد استفاده قرار می گیرد.

  مدل طبقه بندی مبتنی بر تابع هسته، وضعیت خاتمه مسیرهای اجرایی برنامه را به عنوان موفق یا ناموفق پیش بینی می کند. بدین منظور، هر مسیر اجرایی برنامه به صورت یک بردار در یک فضایی از خصیصه ها که ابعاد آن نشان دهنده زیرمسیرهای اجرایی مشترک میان مسیرهای اجرایی موفق و ناموفق هستند، نگاشت می شود. مساله اصلی اندازه و تعداد ابعاد فضای خصیصه ها است که بر سرعت مدل طبقه بند تاثیر می گذارد. اندازه ابعاد فضا می تواند با کاهش طول زیرمسیرهای اجرایی مشترک که به عنوان خصیصه های ابعاد در نظر گرفته شده اند، کاهش یابد. طول زیرمسیرهای اجرایی مشترک تحت تاثیر الگوهای اجرایی تکرار شونده در اجراهای برنامه قرار دارند. با جایگزینی الگوهای اجرایی تکرار شونده متوالی با تنها یک بار تکرار آن الگو در مسیرهای اجرایی برنامه، اندازه مسیرهای اجرایی مشترک کاهش می یابد. از طرف دیگر تعداد ابعاد فضا می تواند با حذف ابعادی که دارای تصویر بر روی یکدیگر هستند کاهش یابد. این رساله یک تابع هسته جدید ارائه می دهد که این تابع هسته به طور ضمنی شباهت بین مسیرهای اجرایی را در فضای خصیصه ها که ابعاد آن کاهش یافته است، اندازه گیری می کند.

  آزمایش های ما بر روی چند سیستم نرم افزاری نسبتاً بزرگ براساس معیارهای مختلف نشان دهنده توانایی روش پیشنهادی در تشخیص زودهنگام نقص ها با سربار زمانی کم بر روی زمان اجرای برنامه است و این در حالی است که صحت مدل پیش بینی حفظ خواهد شد. نتایج به کارگیری مدل پیش بینی شکست به همراه یک سیستم مدیریت پیش گیرانه شکست بر روی سیستم نرم افزاری زیمنس، بهبود قابل توجهی را در میزان دسترس پذیری سیستم نشان می دهد.

  کلمات کلیدی: نظارت برخط، تشخیص زودهنگام شکست، تابع هسته خصوصی سازی شده، طبقه بندی مبتنی بر هسته، فضای خصیصه ها، کاهش ابعاد.

  : Abstract

    This thesis presents a new online failure prediction classifier to monitor the behavior of safety critical software systems. The novelty of the proposed approach is the use of a classifier with a customized kernel function to accelerate the detection of bugs early before they could cause the program to fail. The new kernel function is built based on a novel sequence matching technique to measure the similarities between passing and failing executions, represented as sequences of the program predicates. The kernel classifier constructs a hyperplane that optimally divides the program execution space into two regions of failing and passing executions. The hyperplane could be further applied to detect the symptoms of failure during the program execution.

  This kernel classifier predicts the termination state of the program execution paths as failing or passing. This could be achieved by mapping each execution path as a vector into a feature space whose dimensions represent common sub-paths amongst failing and passing execution paths. The main dilemma is the size and the number of space dimensions, affecting the speed of the classifier. The size of the dimensions could be reduced by shortening the length of the common sub-paths, used as the space dimensions. The length of common sub-paths is affected by repeated patterns in program executions. Replacing the consecutively repeated patterns with only a single iteration in execution paths, reduces the size of the common sub-paths. The number of dimensions could be reduced by removing dimensions which have projection onto others. This thesis proposes two kernels which implicitly measure the similarity amongst execution paths in a feature space with reduced dimensionality. Our experiments demonstrate a significant reduction in time overhead of the failure prediction classifier while preserving accuracy.

  Our experiments conducted on some relatively large real software systems with different metrics, demonstrate the ability of the proposed method in early bug detection with small overhead on the program execution time while preserving accuracy . The results of applying the failure prediction model together with a proactive fault management system on Simense software system shows significant improvement in availability of the software.

  Keywords: Online Monitoring, Early Failure Prediction, Customized Kernel Function, Kernel Based Classification, Feature Space, and Dimensionality Reduction.

  ارائه­دهنده:

  سمیه عربی نرئی

  استاد راهنما:

  دکتر سعید پارسا

  هیات داوران:

  دکتر محمدرضا کنگاوری، دکتر مینایی، دکتر عبدالهی

  دکتر رامسین(دانشگاه شریف)، دکتر سلیمان فلاح (دانشگاه صنعتی امیرکبیر)

    زمان : یکشنبه 28اردیبهشت‏ماه 1393

  ساعت 17

  مکان: دانشکده مهندسی کامپیوتر- طبقه دوم- اتاق دفاعیه

  دانشکده مهندسی کامپیوتر مدیریت تحصیلات تکمیلی