一种基于二次移动平均法的容器云伸缩策略

容器云作为一种高效、易维护和低成本的云环境解决方案,弥补了传统基于虚拟机的云环境构建方式的不足,受到国内外软件服务提供商的广泛关注。针对容器云基于阈值的响应式伸缩策略存在时间滞后性、难以及时响应服务资源请求的问题,提出一种基于二次移动平均法的预测式容器云伸缩方法。该方法在检测实时工作负载的同时通过二次移动平均法对未来工作负载进行预测,然后基于实时负载值和预测负载值利用响应式伸缩策略进行容器云伸缩决策。与原来基于阈值的响应式伸缩策略相比,在Docker swarm集群环境并施加周期性负载的实验条件下,提出的优化方法能够提前预测负载变化并调整集群规模,有效应对负载波动,服务响应时间波动幅度降低了约42.9%,保证了容器云中应用服务的质量和稳定性。

基于容器技术的软件测试优化研究

提高软件测试的缺陷检测能力,有效降低测试成本是软件测试优化研究中的关键问题。大数据、云计算时代的到来,伴随着软件功能的不断增强,软件规模和复杂度也呈爆发式增长,传统软件测试理论与方法暴露出许多亟待解决的问题。容器技术是一种基于Linux内核的虚拟化技术,能够达到接近物理主机的资源利用率,Docker作为容器技术的典型代表,在软件封装和复杂系统搭建方面较传统虚拟机具有轻量、快速和高效等优势。文中首先分析了目前软件测试面临的问题,并基于Docker对软件测试过程中被测试软件的交付和安装部署方法、软件测试基础设施搭建方式、测试工具使用和软件可伸缩性测试方法等进行了优化。最后通过实验证明,基于Docker的软件测试优化方法可有效降低测试成本,提高软件测试的缺陷检测能力。

神经网络验证和测试技术研究综述

神经网络技术在图像处理、文本分析和语音识别等领域取得了令人瞩目的成就,随着神经网络技术应用到一些安全攸关的领域,如何保证这些软件应用的质量就显得尤为重要。基于神经网络技术的软件在开发和编程上和传统软件有着本质的区别,传统测试技术很难直接应用到此类软件中,研究针对神经网络的验证和测试评估技术十分必要。从有效评估和测试神经网络出发,对神经网络验证和测试技术的研究现状进行梳理,分别从验证技术、基于覆盖的测试技术、基于对抗样本的测试技术、融合传统测试技术等方面进行了归纳和分类。对其中一些关键技术的基本思想和实现做了简明扼要的介绍,并列举了一些测试框架和工具,总结了神经网络验证和测试工作面临的挑战,为该领域的研究人员提供参考。

一种基于Actor模型的并行动态符号执行方法

动态符号执行用程序变量的具体值替换动态数据结构及复杂表达式中的符号变量以便简化路径条件,但是该方法面临路径爆炸问题.针对符号执行中路径探索和约束求解耗时问题,提出了一个并行化动态符号执行方法.该方法基于Actor并行模型,将动态符号执行中的路径探索与约束求解任务在多个节点并行执行,并基于子树转移方式实现节点任务的动态负载均衡,减少了节点间的通信代价.基于上述方法,研制了并行动态符号执行工具Jdart-parallel.与动态符号执行工具JDart的对比试验显示在使用多个工作节点时,相比于JDart,在时间效率上有了显著提升.