近年来,开放、动态的新型分布式软件迅速地兴起和发展,随着新型分布式软件的快速发展,对软件的预测已经由以往的对资源、性能、缺陷及可信性指标的预测转化为对软件运行期交互行为的预测及运行态势的预测。本文针对软件运行期场景建立了多实体动态贝叶斯模型,模型的建立能更好的对可能出现的欺诈、欺骗等反常行为进行预测,并使行为分析和预测能真正地指导软件可信性演化和持续优化。对于新型分布式软件的交互场景,本文利用多实体贝叶斯网进行描述和分析,这种情形敏感的软件行为建模方法,有效利用了一阶逻辑语言的表述及概率推理能力,在具体的上下文环境中将监测的实证信息与经验知识进行有效融合,构建适合当前情形的行为踪迹模型,并通过模板的检索、修正、重用达到快速灵活的建网。通过实例化后的情形贝叶斯网为带时序的贝叶斯网,对多个递归的节点要进行递归计算估计,而基于抽样的粒子滤波算法可以解决递推推理的问题,多实体贝叶斯网络虽然建网灵活、快速,但对于软件交互行为的后续预测效率并不高,分团的粒子滤波方法不但能够有效地估计软件交互场景的变化,还具有更高的精确度,而且该算法复杂度和计算量的增加并不会影响其实际应用效果。因此本文采用分团的的粒子滤波算法对软件行为进行评估。通过实验仿真得到:多实体贝叶斯网较动态贝叶斯网络的建模效率更高、推理时间更短,这种建模方式将得到快速的发展;另一方面,对SSBN时序展开图的概率推理表明,与传统的粒子滤波推理算法相比,分团粒子滤波算法利用较少的粒子就可以取得较好的推理精度,对在线拍卖的异常行为预测证明该算法应用于软件行为评估是行之有效的。