软件老化是指在长时间运行的软件系统上,由于内存泄漏、碎片问题、数值累计错误等原因而产生的软件状态异常、性能下降、系统宕机甚至失效的现象。随着云计算技术的不断发展,云平台下的软件老化现象也在不断发生。针对这些软件老化现象,目前主要有三种软件老化预测方法,分别为基于模型的方法、基于测量的方法以及两种方法的混合。现有研究中主要以基于测量的方法居多,即利用机器学习算法对收集到的数据进行预测,从而判断出软件老化的时间并对其执行抗衰。在众多的机器学习算法中,BP神经网络可以取得令人满意的预测效果,但是BP神经网络的权值及阈值是随机初始化的,存在极易陷入局部最优解及收敛速度慢的问题,因此使用BP神经网络进行软件老化预测在精度上仍有提升优化空间。对此本文提出了一种基于人工蜂群算法优化BP神经网络的预测方法。首先设计并实现了一个基于人工蜂群算法优化BP神经网络的软件老化预测模型,并通过阿里云收集到的数据集对本文实验方法的有效性进行了验证。然后将本文提出的方法在Google云平台的大规模数据集上进行有效性实验,通过对采集到的真实的数据集进行标准化归一化的处理,对比了单一BP神经网络及本文所用实验方法的预测精度,说明了本文方法在真实系统中软件老化预测的有效性,并通过与其他机器学习算法的对比说明了本文实验方法的优越性。最后利用Google云平台下的数据集对其中的参数指标设定固定门限值来向下预估执行抗衰操作的时间,基于实际数据集完成了抗衰策略制定的分析和确认。实验结果表明,本文所提的方法在云平台下的软件老化预测问题中具有更快的收敛速度及更高的预测精度,能够很好地完成云平台下的软件老化预测任务。