自动机学习技术已经成功地应用于各个领域,如推断软件行为模型和生成网络协议状态机等等。软件行为模型在整个软件生命周期中起着非常重要作用,可对软件行为进行分析,同时可获得对系统行为的深刻理解。在现实中,软件系统通常是在预先开发模型的基础上进行开发和维护的,尽管可能存在一个初始模型或需求的说明,但是随着需求的变化和系统的发展,模型和软件实现逐渐发生分歧。自动机学习是解决以上问题的一种很好的技术,其目标是从日志中推断软件行为模型,可以进行模型检查和错误发现等等。然而,学习大规模自动机时效率很低,是一个NP-难问题。在实际应用场景中,当处理大规模日志时,许多现有的自动机模型推断算法会耗尽内存或需要数小时才能完成。针对以上存在的问题,本文在传统k-tail算法和MapReduce计算模型的基础上提出了分布式k-tail算法,使学习大规模自动机可行。首先,本文提出了一种k-tail编码机制用来表示k-tail算法,使分布式学习自动机成为可能;其次,基于编码机制,提出分布式k-tail算法;最后,本文所提出的分布式k-tail算法可应用在软件系统中,推断大规模日志的软件行为模型。本文方法打破了传统自动机学习技术学习大规模自动机的局限性,具有理论创新性和实际应用价值。实验表明,对于合成样本和真实日志,本文所提方法优于传统自动机学习算法,使分布式学习大规模自动机和推断大规模软件行为模型可行。在对自动机学习技术学习自动机问题进行了深入研究之后,基于本文所提出的分布式k-tail算法设计开发出了相应的基于MapReduce的大规模自动机学习系统。此系统可以管理和生成相应的数据,使用分布式k-tail算法在短时间内生成大规模自动机,同时也可用于推断软件行为模型,让使用者通过模型更加方便地理解软件系统,更加利于软件系统的开发和维护。