基于组件的软件可靠性模型

首先对不同的软件体系结构描述语言 (ADL )进行分析 ,找出软件体系结构的共性 .用抽象代数和一阶逻辑理论对组件、连接器和软件体系结构的属性和动态行为进行讨论和描述 ,探讨不同连接形式下的软件体系结构 ,给出基于组件的软件可靠性模型 .在此模型基础上 ,对基于组件的软件系统的可靠性计算模型进行研究 ,提出一种半 Markov模型 ,并在理论上证明该模型的可用性 .最后通过 CORBA应用系统说明该可靠性模型在系统设计和可靠性计算方面的应用 .

基于改进G-O模型的软件可靠性测试方法

为克服传统G-O(Goel-Okumoto)软件可靠性模型中缺陷发现率过于简化处理的局限性,提出了一种以更精准的方式描述缺陷发现率随时间实际变化的模型。改进模型不同于常规假设将其视为恒定或单调的函数,并考虑了测试人员的学习和排错能力的进步,以及软件固有的缺陷发现率随时间递减的趋势,从而假设缺陷发现率呈现先上升后下降的动态变化趋势。通过在两组公开的软件缺陷检测数据集上的应用,并与多种经典的模型进行了对比验证,验证了模型的有效性。实验结果表明,改进后的G-O模型在拟合能力和预测能力方面都显示出优异的性能,证明其在软件可靠性评估中的适用性和优越性。

基于加权标准化优化选择软件可靠性模型研究

到目前为止,没有一种软件可靠性模型能够适用在所有的软件测试的环境中。因此,研究优化选择软件可靠性模型的方法来选出适合当时软件测试环境下的软件可靠性模型是一个重要的问题。提出一种简单的加权标准化的方法来优化选择软件可靠性模型。选用十三个软件可靠性模型,十个评测软件可靠性模型性能标准和两个故障数据集来进行相应的实验。实验结果表明提出的加权标准化优化选择模型的方法能够有效地选出最优软件可靠性模型。

一个高精确性综合软件可靠性模型

指出基于软件体系结构的可靠性评估模型不能有效说明软件中组件的可靠性问题,甚至导致软件可靠性不准确甚至不正确的评估.为此提出一个新的基于体系结构和软件中组件的联合可靠性评估模型.其基本思想是通过引入软件复杂性等多个影响软件可靠性的因素,把基于体系结构和基于组件的两种可靠性评估方法组合起来形成一种综合的软件可靠性评估模型.对大型软件的测试结果表明,新的模型具有更强的错误发现能力,从而使软件可靠性评估更充分、更准确,并且能够适应实际应用的需要.

软件可靠性增长模型研究综述

软件可靠性增长模型SRGM(software reliability and growth model)是目前建模可靠性及其过程提高的重要数学工具,对可靠性的评测、保证以及测试资源管控和最优发布研究具有重要作用.对SRGM的核心研究内容与建模流程进行分析,给出了SRGM基本功用.同时,梳理了SRGM的发展演变历程,进而对当前研究现状进行深入剖析,给出当前研究特征.从软件中总的故障个数、故障检测率FDR(fault detection rate)和测试工作量TE(testing-effort)这3个方面对影响SRGM的因素进行了分析.基于作者前期研究中提出的统一性框架模型,对当前典型的解析模型进行了分类比较和分析;对基于有限与无限服务队列模型的SRGM进行分析与讨论;对以率驱动事件过程RDEP(rate-driven event processes)为重点的仿真方法进行剖析.进一步地,为了验证与分析不同模型的差异,对26个典型的模型在公开发表的16个数据集上进行了实验.结果表明,SRGM的性能差异取决于失效数据集的客观性以及研究人员对测试过程进行不同假设下所建立的数学模型的主观性.最后,指出了SRGM面临的挑战、发展趋势和亟待解决的问题.

一个基于响铃形故障检测率函数的软件可靠性增长模型

非齐次泊松过程类软件可靠性增长模型是评价软件产品可靠性指标的有效工具.影响软件可靠性增长模型评估和预测准确性的最重要的两个因素是软件中隐藏的初始故障数和故障检测率.一些非齐次泊松过程类模型假设故障检测率是不随测试时间变化的常量,有些模型假设故障检测率是增函数或减函数.这些假设或忽略了测试者的学习过程,或忽略了越迟被检测到的故障的概率就可能越低的特点.该文将测试者的学习过程和软件固有故障检测率的变化特征相结合,提出了一个铃形的故障检测率函数,建立了一个非齐次泊松过程类软件可靠性增长模型——Bbell SRGM.在一组失效数据上的实验分析表明对这组失效数据,Bbell SRGM模型比G O模型等的拟合效果更好.

基于S型测试工作量函数的软件可靠性增长模型

软件测试工作量随时间的变化情况对于软件可靠性增长曲线的形状具有显著影响,因此将测试工作量函数(TEF,Testing Effort Function)引入软件可靠性增长模型(SRGM,Software Reliability Growth Model)中以提高软件可靠性评估性能.分析了软件结构特征及学习因素对实际测试过程的综合影响,研究增长速率为先增后减的S型增长趋势的TEF,提出两种S型TEF,即延迟S型TEF与变形S型TEF,并提出考虑延迟S型TEF的SRGM(DSTEF-SRGM)以及变形S型TEF的SRGM(ISTEF-SRGM).在两组真实失效数据集上,进行了这两种SRGM与经典SRGM及其它考虑TEF的SRGM的对比研究.结果表明,ISTEF-SRGM的模型拟合效果最优,同时验证了该模型具有优越的软件可靠性评估性能及模型适应性.

基于构件软件的可靠性通用模型

随着软构件技术的快速发展,聚集软构件设计复杂软件系统的软件开发方法日趋成熟.如何利用系统架构和软构件的可靠性分析软件系统的可靠性成为一个亟待解决的问题.软件是静态的,而开发过程是动态的.为了在动态的开发过程中跟踪可靠性,以函数抽象为基础,提出了基于构件软件的一个可靠性通用模型——构件概率迁移图.与偏重于数学建模的相关工作不同,该模型更关注于动态开发过程中的可靠性跟踪.

软件可靠性模型现状与研究

对近几十年中用于正确评估预测软件系统可靠性的主要模型进行了回顾性研究。对基于模型采用的数学工具,将文献中的模型分为解析性模型和启发性模型。再对于模型假设以及模型主要思想进行了研究和分析。最后对软件系统可靠性模型研究趋势和存在的问题进行了展望。

基于构件的NHPP类软件可靠性增长模型的研究

随着基于构件的软件开发模式的迅速发展,传统的NHPP模型无法适应大型的基于软构件的新型软件开发模式。结合软件可靠性分析中的黑盒方法和白盒方法,提出一种基于构件的NHPP类软件可靠性增长模型,CB-NHPP模型。该模型以可加模型为基础,实现了时间域模型和体系结构域模型的结合,克服了这两种技术无法同时考虑软件测试过程中的故障排除和软件体系结构的问题。由于同时考虑了更多因素,因此该模型具有更高的准确性。最后通过实验证明了CB-NHPP模型的有效性。

基于聚类思想的软件可靠性模型选择

软件可靠性模型应用的不一致性一直是困扰软件可靠性研究人员的主要问题。模型选择和组合策略作为主要解决方法已成为模型应用的研究重点。该文主要探讨运用聚类思想进行软件可靠性模型选择的方法。根据针对实际失效数据的可靠性模型评价准则值编码,该文采用高斯混合模型进行聚类分析,使用EM算法估计高斯混合模型的参数,贝叶斯准则进行模型选择。为验证此方法的有效性和可行性使用了多个实际项目中的失效数据进行试验。结果表明,此模型选择方法简单有效,有利于软件可靠性模型应用不一致性问题的解决。

非齐次泊松过程类软件可靠性增长模型

现有的基于故障覆盖率的软件可靠性增长模型多是只考虑了累计故障覆盖率 ,没有描述每个测试用例能够获得的故障覆盖率 .为了使软件可靠性增长模型能更好地刻画软件的测试过程 ,建立了两个基于故障覆盖率的非齐次泊松过程类软件可靠性增长模型 .第一个模型假设每个测试用例有相同的故障检测能力 ,能获得相同的故障覆盖率 ;第二个模型考虑了越晚检测到的故障其被检测到的概率越低的特点 ,模型假设每个测试用例的故障检测能力与其出现的次序相关 .利用一组公开发表的软件失效数据对这两个模型进行了验证 ,结果表明这两个模型在这组失效数据上均能得到较好的拟合效果 .

基于参数动态调整的动态模糊神经网络的软件可靠性增长模型

利用遗传算法对动态模糊神经网络的自身参数进行动态调整(GA-DFNN),并将其应用于软件可靠性增长模型(SRGM)的研究。在对动态模糊神经网络进行训练的过程中,用遗传算法求得动态模糊神经网络自身参数的优化解,根据得到的参数建立基于动态模糊神经网络的软件失效数据预测模型。利用3组软件缺陷数据,对用GA-DFNN建立的SRGM和模糊神经网络(FNN)以及BP神经网络(BPN)建立的SRGM的预测能力进行了比较,仿真结果证实,根据GA-DFNN建立的SRGM的短期预测能力稳定,短期预测误差小,且具有一定的通用性。

基于Kohonen网络的软件可靠性模型选择

软件可靠性模型是软件可靠性工程的一个重要方面。现在还没有一个通用的模型,模型选择问题已成为模型研究的重点。运用聚类思想对软件可靠性模型的选择进行研究。在对软件失效数据进行编码的基础上,采用Kohonen神经网络对其进行聚类分析,从而实现了可靠性模型的选择。最后通过仿真测试,证明了此方法的有效性和可行性。

软件可靠性模型研究进展

软件可靠性模型旨在根据软件失效数据,通过建模给出软件的可靠性估计值或预测值。它不仅是软件可靠性预计、分配、分析与评价的最强有力的工具,而且为改善软件质量提供了指南。对近年来提出的多种不同的软件可靠性模型进行分类剖析,讨论了部分模型的预测能力和适用性,分析了多个模型适用性差的原因,还对未来的研究趋势进行了展望。

故障检测率不规则变化的软件可靠性模型

传统的NHPP(non-homogeneous Poisson process)模型在实际的测试当中被证明是成功的.但是,由于传统的NHPP模型用的是理想的假设,例如,假设故障检测率是常数、平稳变化和规律变化,模型的性能在实际的测试环境中总是受到损害.因此,提出一个基于NHPP的软件可靠增长模型,并且考虑故障检测率的不规则变化情况,这种变化符合故障检测率在实际的软件测试过程中的变化.通过相关的实验验证了所提出的NHPP模型的拟合和预测能力.实验结果表明:在用实际的故障数据进行拟合和预测的过程中,所提出的模型与传统的NHPP模型相比,有更好的拟合和预测性能.同时,也给出了所提出模型相应的置信区间.

基于云模型的可信软件可靠性度量模型

针对可信软件可靠性定性评估问题,将云模型理论与GB/T16260中软件可靠性度量指标相结合,提出了一种基于云模型的软件可靠性度量模型。模型根据可靠性度量指标提取样本信息,通过云发生器生成云模型,运用合并云算法将多个属性云合并为一个综合云模型,使用带权重的欧氏距离云决策算法确定综合云模型的可靠性等级。通过某安全关键软件验证,该模型能够更加客观、真实地反映软件的可靠性。

软件可靠性JM模型完全排错假设的修改

JM模型是最具代表性的早期软件可靠性马尔可夫过程的数学模型 .其完全排错的假设与软件开发实际不相适合 ,后人虽然提出排错可能引入一个或两个错误的假设 ,但还没有从本质上解决问题 .本文作者对此假设提出自己的观点 .

软件可靠性组合预测模型研究

根据灰色模型、谐波分析和时间序列分析理论,对软件测试阶段的失效数据构成的时间序列进行分析,得到软件可靠性组合预测模型。结合实际数据,给出了具体的实现方法。数据试验结果表明,与单一时间序列预测模型相比,该模型具有较高的预测精度和很好的模型适应性。

成组缺陷纠正的通用指数类软件可靠性模型

指数类软件可靠性模型是应用广泛的一类软件可靠性预测模型,其基本假设之一是缺陷一经发现立即纠正。该假设过于苛刻,与实际情况不符,影响了模型的应用和预测准确性。针对通用指数类软件可靠性模型,提出了成组缺陷纠正的指数类软件可靠性模型。同时以指数类模型中的J-M模型为例,利用实际工程数据对成组缺陷纠正的J-M模型进行了验证。