随着互联网技术的不断发展,各种Web应用系统如雨后春笋般在互联网中大量涌现。同时,随着智能手机、平板电脑与浏览器的广泛使用以及云计算和虚拟化技术的普及,互联网应用的体系结构也日趋复杂。使得影响这些互联网应用系统性能的因素变得越来越复杂。面对日益复杂的应用系统,为了保证应用系统能够平稳可靠地运行,需要对这些Web应用系统的性能进行监控。Web应用系统运行过程中产生的性能数据的主要表现形式是时间序列数据,对这些时间序列数据进行预测和异常检测一直是国内外学者的研究热点。高精度的预测与异常检测算法可以帮助我们快速地发现Web应用系统运行过程中潜在的性能问题,提前预测到可能发生的异常状况,向系统管理人员提前进行预警,让系统和网络管理人员及时地发现系统运行过程中存在的问题,提前进行干预,减少应用系统因故障造成的损失,从而提高应用系统的可用性及可靠性。Web应用系统运行过程中产生的性能时间序列数据具有非线性、非平稳性的特点,这些特点使得对应用性能时间序列数据的预测具有高度的挑战性。本文选取被监测应用系统的响应时间数据作为研究对象,对应用系统响应时间数据进行相应的处理、预测,并通过异常检测算法对应用系统的性能状况进行检测,最终实现了适用于响应时间序列数据特性的高效的性能预测模型和异常检测模型。主要研究工作如下:(1)本文基于应用性能管理系统平台获取性能数据,采用Kafka接收响应时间性能数据,通过数据预处理操作实现对性能数据的清洗,提高了数据的质量,为预测模型的预测和异常检测模型的检测提供了良好的数据基础。(2)本文提出了一种基于改进粒子群优化算法优化的长短期记忆神经网络预测模型IPSO-LSTM,该预测模型缩减了寻优的时间,提高了预测模型的预测精度。本文通过改进的粒子群优化算法确定了LSTM长短期记忆神经网络预测模型的训练次数、学习率和各个网络层神经元的数目,缩减了长短期记忆神经网络预测模型寻找最优参数的时间,提高了预测模型预测的精度,为后面性能数据的异常检测打好了良好的基础。(3)本文在分析性能数据异常检测方法的基础上,提出了基于动态阈值的异常检测法。将预测值与实测值间的相对偏差值作为异常是否发生的判断依据。由于Web应用系统性能数据是根据时间不断变化的数据,本文采用滑动区间与相对偏差相结合的检测方法来对Web应用系统运行过程中产生的性能时间序列数据进行异常检测。该方法实现了性能数据的在线检测,可以方便、快速地对Web应用系统运行过程中产生的实时的性能数据进行异常检测。