基于双排队系统的软件可靠性增长模型

针对基于有限排队系统的软件可靠性增长模型(SRGM)忽略软件交付与检测之间的时间延迟问题,提出双排队系统建模技术,构建一个引入故障检测等待延迟和排错等待延迟的SRGM。建模中考虑测试工作量函数(TEF)参与构成的复合型故障检测率(FDR)和不完美排错现象,在4个公开发表的失效数据集上与5个经典SRGM进行比较与分析,验证建立模型的拟合能力和预测能力。实验结果表明,建立的模型在软件可靠性评估和预测方面具有良好性能。     

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,文中对SRGM研究进行阐述和分析.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）三个方面对影响SRGM的因素进行了分析.文中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,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.     

考虑测试工作量与覆盖率的软件可靠性模型

为了进一步提升现有非齐次泊松过程类软件可靠性增长模型的拟合与预计精度,首先,提出一个同时考虑测试工作量与测试覆盖率的NHPP类软件可靠性建模框架.在此基础上,将变形S型测试工作量函数(IS-TEF)以及Logistic测试覆盖率函数(LO-TCF)带入该建模框架,建立了一个新的软件可靠性增长模型,即IS-LO-SRGM.同时,还对利用该框架进行建模过程中的两个重要问题进行了描述与分析,即如何确定具体的TEF和TCF以及模型参数估计.然后,在两组真实的失效数据集上,利用该建模框架建立了最为合适的增长模型,即IS-LO-SRGM,并将该模型与8种经典NHPP模型进行对比.实例验证结果表明,所提出的IS-LO-SRGM模型具有最为优秀的拟合与预计性能,从而证明新建模框架的有效性和实用性.最后,对不完美排错情况进行了初步的讨论与建模分析.     

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。     

基于工作量和错误日志的Web应用可靠性度量方法

Web应用环境复杂,传统基于故障测量的方法不能很好地满足系统可靠性度量的需求.充分考虑用户对系统的使用情况,从Web服务器日志中获取用户点击数、传输字节数、用户数和用户会话数,提出基于这四个指标的工作量测量法,并与传统的故障测量法结合,采用Nelson模型进行系统可靠性评估.通过实验比较工作量测量的四种方法与故障测量方法的优劣.结果验证了基于工作量测量的方法能更稳定地评估Web应用的可靠性.     

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．     

考虑测试与运行差别的软件可靠性增长模型

软件可靠性增长模型中测试阶段和操作运行阶段环境的不同导致了两个阶段故障检测率的不同．在随机过程类非齐次泊松过程（NHPP）中的经典模型G—O模型基础上，考虑运行剖面和测试剖面的不同，对测试阶段和操作运行阶段的故障检测率进行了转化，得到了较好的刻画测试阶段和操作阶段失效率差别的模型（TO—SRGM）．最后，通过实例用最小二乘法对此模型的参数进行了估计．实验结果表明，在某些失效数据集上TO—SRGM的拟和效果比G—O模型和PZ—SRGM好．     

一种基于WebMO模型的迭代式软件估算方法

改进了基于WebMO模型的软件规模和工作量估算方法，通过调整项目的计数规范、修正基于Web的规模预测因子、增加软件配置模块等途径，对实际的Web项目进行了迭代式估算。应用结果表明，改进方法在对Web软件项目的估算可靠性方面有了一定的提高。     

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。     

一个考虑多种排错延迟的NHPP类软件可靠性增长模型

软件可靠性增长模型通常假设软件的测试环境与软件实际运行的现场环境相同,期望利用测试阶段获得的失效数据评估软件在现场运行时的失效行为。多数非齐次泊松过程类软件可靠性增长模型假设软件故障被发现后立即被排除,这点假设无论是在测试环境还是在现场环境下都很难实现。根据故障对测试过程的影响,故障的排错时间可被分为多种。提出了一个考虑多种排错延迟的软件可靠性增长模型,讨论了基于这个模型的故障排除效率函数,指出从用户角度出发讨论软件可靠性时必须考虑重复性故障。     

Web缓存流量特征模型研究和应用

根据Web缓存流量访问特征建立数学模型，设计实现了Web缓存流量特征模拟生成器（WebSimGen）。利用两层代理缓存结构、基于ADF（Aggregation、Disaggregation和Filtering）模型对Web缓存流量的访问特征和性能进行测试，实验表明模拟日志具有和真实日志类似的访问特性。Web生成器具有较大的灵活性，能够克服真实日志的一些缺点，为进一步提高Web缓存性能和预取技术提供了重要依据。     

一种基于区分服务的分布式Web系统模型

Web对象类型的多样性及其资源需求不定性导致了不可预测的Web服务时间。基于此,论文在分析Web工作负载特性的基础上提出了基于区分服务的分布式Web系统模型———DWSMDS,并通过模拟试验证明了该模型是非常有效的。     

基于自注意力长短期记忆网络的Web软件系统实时剩余寿命预测方法

为了能够实时准确对Web软件系统的剩余使用寿命（RUL）进行预测,考虑Web系统健康状态性能指标的时序特性和指标间的相互依赖特性,提出了一种基于自注意力长短期记忆（Self-Attention-LSTM）网络的Web软件系统实时剩余寿命预测方法。首先,搭建加速寿命测试实验平台来收集反映Web软件系统老化趋势的性能指标数据;然后,根据该性能指标数据的时序特性来构建长短期记忆（LSTM）循环神经网络以提取性能指标的隐含层特征,并使用自注意力机制建模特征间的依赖关系;最后,得到系统RUL的实时预测值。在三组测试集上,把所提模型与反向传播（BP）网络和常规的循环神经网络（RNN）做了对比。实验结果表明,所提模型的平均绝对误差（MAE）比长短期记忆（LSTM）网络平均低16.92%,相对准确率（Accuracy）比LSTM网络平均高5.53%,验证了Self-Attention-LSTM网络剩余寿命预测模型的有效性。可见所提方法能为优化系统抗衰决策提供技术支撑。     

面向RIA的系统重构模型

利用软件工程中的重构技术,提出一种基于抽象数据视图的系统转换模型。采用抽象数据状态图与经典重构策略相结合的方式对系统进行重构,通过映射方法平滑地将Web应用程序转换为富互联网应用(RIA)程序。实验结果表明,该模型能够提升用户界面的质量与易用性,降低设计与开发过程中的工作量。     

Workload-aware anomaly detection for Web applications

The failure of Web applications often affects a large population of customers, and leads to severe economic loss. Anomaly detection is essential for improving the reliability of Web applications. Current approaches model correlations among metrics, and detect anomalies when the correlations are broken. However, dynamic workloads cause the metric correlations to change over time. Moreover, modeling various metric correlations are difficult in complex Web applications. This paper addresses these problems and proposes an online anomaly detection approach for Web applications. We present an incremental clustering algorithm for training workload patterns online, and employ the local outlier factor (LOF) in the recognized workload pattern to detect anomalies. In addition, we locate the anomalous metrics with the Student's t-test method. We evaluated our approach on a testbed running the TPC-W industry-standard benchmark. The experimental results show that our approach is able to (1) capture workload fluctuations accurately, (2) detect typical faults effectively and (3) has advantages over two contemporary ones in accuracy.     

基于MVC框架上的ODM实现

MVC框架是现今十分流行的开发大型Web应用程序的模型。本文将通过ODM思想与WebCoraponent组件的开发，对页面控件进行再封装，具体解决页面编写中烦琐的标记问题，复用控件，降低工作量，使JSP的编码达到最简化。同时，获得表现与数据更好地分离，进一步优化MVC模型，并实现大型Web开发架构的一种更松散的耦合关系。     

基于Web应用的全面功能点的改进

全面功能点（FFP）是一种应用广泛且使用方便的软件功能规模度量（FSM）方法,但其方法本身只能度量系统静态的方面,不能考虑到对象的交互性和对象的行为。根据COSMIC-FFP的度量元素和Web应用的结构,对COSMIC-FFP软件模型进行了改进,列出了针对Web应用的度量规则,并给出了实例说明了这些规则的使用。     

Empirical Characterization of Session–Based Workload and Reliability for Web Servers

The growing availability of Internet access has led to significant increase in the use of World Wide Web. If we are to design dependable Web–based systems that deal effectively with the increasing number of clients and highly variable workload, it is important to be able to describe the Web workload and errors accurately. In this paper we focus on the detailed empirical analysis of the session–based workload and reliability based on the data extracted from actual Web logs of eleven Web servers. First, we introduce and rigourously analyze several intra–session and inter–session metrics that collectively describe Web workload in terms of user sessions. Then, we analyze Web error characteristics and estimate the request–based and session–based reliability of Web servers. Finally, we identify the invariants of the Web workload and reliability that apply through all data sets considered. The results presented in this paper show that session–based workload and reliability are better indicators of the users perception of the Web quality than the request–based metrics.     

云环境下Web应用带宽资源预测与管理

针对Web应用带宽资源管理问题,提出了一种基于网络仿真的Web应用带宽需求和服务质量（QoS）预测方法,该方法给出了适用于Web服务的建模框架与形式说明,采用简化的并行负载模型,并运用自动化数据挖掘方法从Web应用访问日志中提取模型参数,并使用网络仿真工具建立系统模型模拟复杂网络传输过程,能够预测不同负载强度下的带宽需求和QoS变化。通过TPC-W基准测试系统验证该方法预测结果的准确性,理论分析和仿真结果表明,与传统的线性回归预测相比,网络仿真可以稳定地模拟真实系统,其对总请求数和总字节数的预测平均相对误差分别为4.6%和3.3%。最后以TPC-W基准系统为例,对Web应用不同带宽伸缩方案进行仿真评估,评估结果可以为Web应用资源管理提供决策支持。     

Parameter optimization of software reliability growth model with S-shaped testing-effort function using improved swarm intelligent optimization

Software reliability growth model (SRGM) with testing-effort function (TEF) is very helpful for software developers and has been widely accepted and applied. However, each SRGM with TEF (SRGMTEF) contains some undetermined parameters. Optimization of these parameters is a necessary task. Generally, these parameters are estimated by the Least Square Estimation (LSE) or the Maximum Likelihood Estimation (MLE). We found that the MLE can be used only when the software failure data to satisfy some assumptions such as to satisfy a certain distribution. However, the software failure data may not satisfy such a distribution. In this paper, we investigate the improvement and application of a swarm intelligent optimization algorithm, namely quantum particle swarm optimization (QPSO) algorithm, to optimize these parameters of SRGMTEF. The performance of the proposed SRGMTEF model with optimized parameters is also compared with other existing models. The experiment results show that the proposed parameter optimization approach using QPSO is very effective and flexible, and the better software reliability growth performance can be obtained based on SRGMTEF on the different software failure datasets.