SRGM建模类别与性能分析

针对软件可靠性增长模型SRGM(software reliability growth model)在可靠性评估与保障中的重要作用,为全面掌握SRGM的建模与工作机理,对SRGM的典型建模过程以及不同模型间的性能差异进行深入研究.首先剖析了SRGM建模的基础假设和含义,梳理了SRGM的发展演化历程;然后分析了两类基本SRGM建模流程与关联,针对考虑更多真实测试情况的建模趋势,对不完美排错相关与考虑测试工作量TE(Testing-Effort)相关的SRGM建模过程进行了剖析;最后选取8个典型的模型在4个失效数据集上进行实验,依据度量与拟合结果进行了模型差异化的深入分析.研究分析表明,客观上不同失效数据集间的差异以及主观上研究人员对测试过程认知的差异是造成SRGM性能差异的主要根源.进一步建立更为准确与全面的SRGM,在有限的数据集上选取出优秀的SRGM已成为当前研究中亟待解决的难题.

SRGM中TE建模机制与模型比较分析

针对当前与软件可靠性增长模型SRGM(software reliability growth model)紧密相关的测试工作量TE(testing effort)的研究现状,以及全面评价测试工作量函数TEFs(testing effort function)性能的需要,对SRGM下TE相关的建模与模型比较问题进行深入研究.分析了近40年的TE发展历程与内容演变,对其与测试成本间关联进行剖析;对典型的TEFs进行了全面梳理与述评;研究了考虑TE的SRGM建模过程;针对8个典型的TEFs,在已发表的4组数据集上进行了深入的性能比较与评述.研究结果表明,有效的TEF可为基于SRGM的可靠性相关研究提供重要决策支持,对考虑TE的SRGM进行综合评价是后续研究的关键.

SRGM下失效数据集效用与验证分析

针对软件可靠性增长模型SRGM研究中的参数拟合与性能评测对失效数据集FDS的依赖,对FDS在SRGM中的效用以及其对SRGM的影响进行深入研究,并给出FDS的不足与发布建议。首先给出了基于FDS的SRGM性能评测流程,提出一般化的不完美排错框架模型,对收集到的FDS进行结构化描述与归类分析。对7个典型的不完美排错相关的SRGM在公开发表的9个真实计算机工程系统FDSs上进行实验,从拟合与预测角度分析FDS与SRGM的关系及影响。从发布方与科研人员视角对当前FDS的不足进行分析,并据此给出了FDS的发布建议。研究结果表明,科研人员尚需要充分挖掘、分析FDS中待发布的更多测试信息,用以建立更为准确的SRGM。最后指出,描述新型软件结构以及含有更多数据量的FDS的缺乏已成为制约SRGM发展的主要客观事实。

不完美排错SRGM研究

软件可靠性增长模型SRGM可对测试与运行阶段的可靠性进行度量、预测与保证。不完美排错SRGM能够更加准确地建模实际测试过程,获得了广泛研究。首先介绍了随机过程类模型中的NHPP基本概念与假设。接着,从三个阶段全面回顾了不完美排错研究历程。进一步,给出了若干典型的不完美排错SRGM的建模与累计故障检测函数的求解形式。最后将从排错的不完全性,引入新故障的角度建立的不完美排错模型:IID-SRGM与现有的模型进行比较,优于其它模型。

基于SRGM的软件测试工作流标准化技术研究

为了规范多种软件测试流程、提高测试效率,需要使用统一的标准引导测试工作。结合相关国际标准,借助开源工作流平台实现了一个可适应多种软件可靠性增长模型(SRGMs)的测试流程标准化管理系统,以此规范管控测试流程。以Jelinski-Moranda模型和超几何分布模型为主要研究对象,提出一种适用可靠性分析方法的标准化测试流程,以软件测试过程为主线,运用建模工具分析相应的可靠性测试流程,最终形成针对不同SRGM的软件测试过程管理。结合业务流程体系,利用jBPM技术框架设计了软件测试标准化过程管理平台,以实现标准化的管理模式并预测软件故障数。实验结果表明,引入标准化技术可以对软件可靠性程度进行更准确的预测,进一步优化测试流程,具有较好的实际应用价值。

基于SRGM的可靠性分析

随着软件数量不断增加,软件已经广泛地应用在日常生活中,而且软件的复杂程度也在不断地提升,导致软件的可靠性受到了很大的影响。软件可靠性增长模型(Software Reliability Growth Models,SRGM)根据软件的历史故障数据来预测与可靠性相关的参数信息,避免软件在实际使用中因发生故障而给用户造成损失。SRGM对软件质量的评估具有重要的意义,可以对所观察到的故障数据进行拟合,并对未来可能发生的失效行为进行预测。通过在软件测试过程中运用SRGM,不仅可以为测试人员提供软件的可靠性信息,而且还有助于建立最佳的软件发布决策,进一步保障软件质量。

考虑不完美排错情况的NHPP类软件可靠性增长模型

针对现有NHPP类软件可靠性增长模型对故障排错过程中不完美排错情况考虑不完全的现状,提出了一种新的软件可靠性增长模型.该模型全面考虑了不完美排错的两种情况:既考虑了排错过程中引入新错误的可能性,又考虑了不完全排错的情况,并且引入了一种故障排除率随时间变化的故障排除率函数,使模型更符合实际情况.利用公开发表的两组不同的软件失效数据对该模型进行验证的结果表明,与现有的对不完美排错情况考虑不完全的模型相比,该模型能够取得更好的拟合结果和预测效果.

基于聚类的软件可靠性评估与预测研究

利用分层聚类算法对失效数据中的扰动和异常数据点进行隔离,并应用相似故障密度的聚类处理后的失效数据集进行SRGM建模与软件可靠性评测,以较好的曲线拟合度提高SRGM参数估计与可靠性预测的精确性和抗干扰性,并对测试数据进行可靠性分析同时得到预测结果。

基于可靠性增长模型的软件可靠性增长测试充分性准则

结合软件可靠性增长模型,扩充了基于可信度度量的软件可靠性增长测试充分性问题度量准则,提出了关于可靠性增长测试充分性问题新的度量准则:可靠性测试只有同时满足可靠性增量指标要求、可信度要求和每单位测试资源发现的故障数要求方可终止。然后,以一个真实数据集为例,应用所提出度量准则求出了测试应该停止的时间。实验证明,这样的度量准则,使得终止条件更加严格,可靠性测试更加充分,为可靠性测试充分性问题的解决提供了新的思路。

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GMDH神经网络的组合预测模型

软件可靠性增长模型(SRGM)是软件可靠性工程中一项重要的研究内容.在可靠性增长模型应用的过程中,常常因为模型假设与实际软件开发和调试过程有差异,导致可靠性预测的准确性不高.至今尚没有一种能适应各种软件开发环境的SRGM.为此,某些国外文献采用遗传(GA)算法,提出了模型组合方法,以期提高SRGM的预测能力.本文采用GM DH神经网络,提出一种非线性的SRGM模型组合方法.通过对比基于GA算法的模型组合方法,实验结果表明,基于GMDH神经网络的组合方法能有效提高模型预测能力.

不完美排错下测试覆盖相关的软件可靠性模型

准确的建模软件可靠性并对可靠性趋势进行有效地度量与预测,对于软件开发至关重要,越靠近软件测试的真实过程,所提出的不完美排错模型就应该考虑并融入更多具体的影响因素,建立构成要素间更加精准的软件可靠性增长模型SRGM.考虑故障检测、修复与引入三个子过程之间的内在联系,建立统一的、柔韧的不完美排错框架模型TCM-ID,对累积检测、修复与引入的故障数量之间的关联实施研究,从故障检测率、故障修复率、故障引入率角度衡量软件测试的整体功效.进一步,从测试覆盖的角度,建立测试覆盖函数相关的可靠性模型,以便于研究其对模型的扰动影响,用以评测模型的性能.最后,在真实的应用场景下进行验证所提出模型的有效性与合理性,模型具有较好的拟合与预测性能,整体上优于其他模型.本文所提出的模型,对于选择合适的不完美排错下测试覆盖相关的软件可靠性增长模型,以及提高测试效率与软件可靠性具有重要意义.

基于聚类的软件失效数据预处理

应用失效数据进行软件可靠性参数的评估与预测是软件可靠性工程的主要内容之一。利用分层聚类算法对失效数据中的扰动和异常数据点进行隔离,并将以故障密度为相似性度量进行聚类处理后的失效数据集进行SRGM建模与软件可靠性参数估计,以较好的曲线拟合度提高SRGM参数估计与可靠性预测的精确性和抗干扰性,从而得到良好的软件可靠性分析与预测结果。

软件可靠性及可靠性多模型综合研究

软件可靠性验证阶段的可靠性增长模型的建立与选择是软件可靠性工程人员长期关注的焦点。首先对软件可靠性基本概念及影响因素和工程确认的几种软件可靠性增长模型进行阐述,探讨近年来工程人员对软件可靠性增长模型的改进方法研究进展,提出了基于模型聚类的混合模型方法,并对该方法进行了实验性仿真分析。

“十二五”中国粮食生产预测研究

根据《中国统计年鉴2010》以及最新修订的农业经济统计资料,通过筛选并建立平方根预处理灰色模型,对2011～2015年我国粮食产量进行实证分析和预测研究。结果表明:2011年全国粮食产量将达到55 773.9万t,到2015年将首次突破6亿t大关,约达60 561.7万t。持续稳定的粮食生产不仅为我国顺利完成"十二五"计划提供重要的保障,同时也为有效地缓解世界性的粮食危机作出重大贡献。

故障察觉率可变的软件可靠性增长模型

证明了基于G-O模型的NHPP类型的软件可靠性增长模型不需要考虑不完美排错和排错过程中新错误的引入,并在该基础上提出了一种新的软件可靠性增长模型。该模型在软件排错过程中不但考虑了软件开发员对系统熟悉程度的上升,而且考虑了系统现存错误数的不断减少,是一种故障检测率随时间变化的软件可靠性增长模型。并利用现有的公开发表的数据对该模型进行测试,发现其达到了比G-O模型的等其他模型更好的拟合效果。

考虑故障排除率和引入率的软件可靠性建模

软件测试中排错过程的故障排除率并不是100%的,并且由于检测到的尚未被排除的故障影响还会引入新的故障,即存在故障排除率和故障引入率,两者是具有不同的下降趋势的减函数。针对上述问题,提出一种新的非齐次泊松过程软件可靠性增长模型,考虑了随时间变化的故障排除率函数和故障引入率函数。利用一组公开发表的包含故障检测数和故障排除数的软件失效数据集进行仿真与验证,实验结果表明,改进模型具有更好的拟合效果和预测能力。

考虑多种真实情况的软件可靠性增长模型

进行软件可靠性评估主要通过构建软件可靠性模型实现。软件可靠性模型通常给出被检出的故障可以立即被排除,并且不会有新的故障被引入的假设,这与实际的检错过程是不相符的。针对以上假设条件,提出了一种新的软件可靠性增长模型。该模型将软件的检错过程和排错过程作为两个独立的非齐次泊松过程分别进行建模,并将软件中存在的故障数看作是一个变化的函数,该函数包括软件中初始故障及引入的故障。在两个数据集上进行相应实验证明,较之其他模型,新建模型的拟合和预测效果更好。

基于NHPP类模型的Web软件可靠性分析

结合Web软件运行的实际情况,提出一种基于BurrX测试工作量函数(TEF)的非齐次泊松过程类软件可靠性增长模型(SRGM),并将其应用到Web软件可靠性分析中。TEF能直接体现Web软件工作量与日历时间之间的关系,解决Web软件因工作量高度不均衡导致的问题。实验结果表明,与G-O模型相比,SRGM具有较好的Web软件可靠性评估效果,能较准确地描述Web软件运行的失效过程。

基于结合自适应步长布谷鸟搜查算法的模糊神经网络的软件可靠性增长模型

针对现有的软件可靠性增长模型(SRGM)适用性较差、预测精度波动大的问题,使用自适应步长布谷鸟搜查(ASCS)算法对模糊神经网络(FNN)的权重和阈值进行寻优,利用得到了最优权重和阈值的FNN建立SRGM。在使用缺陷数据对FNN训练的过程中,利用ASCS来调整FNN的权重和阈值,以此提高在预测过程中的精度,同时采用多次预测结果取均值的方式来减小FNN预测的波动性,以此建立基于结合自适应步长布谷鸟搜查算法的模糊神经网络(ASCS-FNN)的软件可靠性增长模型。利用3组软件缺陷数据,以误差比均值和误差平方和作为衡量标准,对基于ASCS-FNN、结合模拟退火算法的动态模糊神经网络(SA-DFNN)、FNN、BP网络(BPN)建立的SRGM的一步向前预测能力进行比较。预测结果表明,在四组模型中,基于ASCS-FNN建立的SRGM相对于SA-DFNN、FNN、BPN建立的SRGM的平均预测精度相对提高率RI(AE)和RI(SSE)分别为-1.48%、54.8%、33.8%和14.4%、76%、35.9%,并且该模型比FNN、BPN建立的SRGM在相同缺陷数据下的预测波动性小,而且网络结构比SA-DFNN的网络结构简单。因此该模型具有预测精度较高、预测稳定和具有一定的适用性等优点。