Weibull分布引进故障的软件可靠性增长模型

软件调试是复杂过程,可能会受到很多种因素的影响,例如调试资源分配、调试工具的使用情况、调试技巧等.在软件调试过程中,当检测到的故障被去除时,新的故障可能会被引进.因此,研究故障引进的现象对建立高质量的软件可靠性增长模型具有重要意义.但是到目前为止,模拟故障引进过程仍是一个复杂和困难的问题.虽然有许多研究者开发了一些不完美调试的软件可靠性增长模型,但是一般都是假设故障内容（总数）函数为线性、指数分布或者是与故障去除的数量成正比.这个假设与实际的软件调试过程中故障引进情况并不完全一致.提出一种基于Weibull分布引进故障的软件可靠性增长模型,考虑故障内容（总数）函数服从Weibull分布,并用相关的实验验证了提出的模型的拟合和预测性能.在用两个故障数据集进行的模拟实验中,实验结果指出：提出的模型和其他模型相比,有更好的拟合和预测性能以及更好的鲁棒性.     

基于LMI的H∞鲁棒故障观测器的设计

针对飞机动态过程中由于噪声干扰造成故障检测误报的问题,构造一种新的基于LMI（Linear Matrix Inequality）的观测器。将此观测器作为残差产生器,利用[H∞]范数来衡量残差对于外界干扰的鲁棒性,通过抑制噪声对残差的影响来实现故障的准确检测,给出了鲁棒观测器各状态矩阵的求解方法。采用某型歼击机发生故障的纵向运动模型进行仿真验证,实验结果证明提出的方法能在噪声环境下及时准确地检测出故障,对噪声干扰具有一定的鲁棒性。     

基于隐马尔可夫模型的语音激活检测算法

针对现有基于隐马尔可夫模型（HMM）的语音激活检测（VAD）算法对噪声的跟踪性能不佳的问题,提出采用Baum-Welch算法对具有不同特性的噪声进行训练,并生成相应噪声模型,建立噪声库的方法。在语音激活检测时,根据待测语音背景噪声的不同,动态地匹配噪声库中的噪声模型;同时,为了适应语音信号的实时处理,降低了语音参数提取的复杂度,并对判决阈值提出改进,以保证语音信号帧间的相关性。在不同噪声环境下对改进算法进行性能测试并与自适应多速率编码（AMR）标准、国际电信联盟电信标准分局（ITU-T）的G.729B标准比较,测试结果表明,改进算法在实时语音信号处理中能够有效提高检测的准确率及噪声跟踪能力。     

基于混杂系统方法的一类采样数据系统鲁棒故障检测

针对具有连续时间过程噪声和离散时间测量噪声的采样数据系统, 提出了一种新的鲁棒故障检测直接设计方法. 首先利用具有有限跳变的线性系统作为残差产生器, 采样数据系统的鲁棒故障检测设计问题被描述成采样数据滤波问题, 然后给出有限跳变线性系统有界实引理的线性矩阵不等式(LMI)表达形式, 基于此, 推导出采样数据系统鲁棒故障检测滤波器的存在条件及设计参数, 并将所提方法推广到具有结构不确定性的采样数据系统上. 所设计的滤波器能够保证残差与故障之间误差最小, 并对过程噪声、测量噪声、结构不确定性等因素鲁棒. 最后, 通过数值仿真对所提方法的可行性进行了验证.     

模糊深隐马尔可夫模型研究

针对经典马尔可夫模型没有考虑模型应用中状态、观测量间的上下文相关性以及状态转移概率动态性、可变性,提出一种模糊深隐马尔可夫模型.该模型通过增加观测值间的相关性、解决概率转移问题中的不确定性和改进参数优化算法,使之能够较好地应用于强噪声、训练数据缺损等情形的模式识别中.理论证明,显式模糊深隐马尔可夫模型在同等模型复杂度下具有模型优化程度高、区分度好、误识率低、鲁棒性高的特性.     

基于元强化学习的自动列车定速控制

本文考虑自动列车在路况变化下的定速控制问题. 由于铁路路况的复杂以及列车动力学的不确定性, 基于模型的控制器难以稳定、快速、精确地进行定速控制. 我们提出了一种无模型控制器, 其只需要很少的列车运行数据即可适应新的路况. 首先, 我们将列车的定速控制问题建模为一系列转移概率未知的静态连续马尔可夫过程. 然后, 我们应用元强化学习去求解该马尔可夫过程, 得到自适应神经网络控制器. 仿真说明该无模型控制器能够高效地进行定速控制, 并能迅速适应新的环境, 同时满足系统约束.     

具有随机丢包的一类网络控制系统的故障检测

针对存在随机数据包丢失的网络环境,研究了一类网络控制系统的故障检测问题.考虑随机丢包同时发生在传感器与控制器以及控制器与执行器之间,将网络控制系统建模为含有4个模态的马尔可夫跳变线性系统.基于此类模型,构造了系统的残差发生器,相应的故障检测问题转化为H∞滤波问题.利用马尔可夫跳变线性系统理论,设计了故障检测滤波器,使得...     

调试中基于文法编码的日志异常检测算法

调试软件中的非确定错误对软件开发有重要意义.近年来,随着云计算系统的快速发展和对录制重放调试方法研究的深入,使用异常检测方法从大量文本日志或控制流日志等数据中找出异常的信息对调试愈发重要.传统的异常检测算法大多是为检测和防范攻击而设计的,它们很多基于马尔可夫假设,对事件流上的剧烈变化很敏感.但是新的问题要求异常检测能够检出语义级别的异常行为.实验表明现有的基于马尔可夫假设的异常检测算法在这方面表现不佳.提出了一种新的基于文法编码的异常检测算法.该算法不依赖于统计模型、概率模型、机器学习及马尔可夫假设,设计和实现都极为简单.实验表明在检测高层次的语义异常方面,该算法比传统方法有优势.     

考虑测试环境和实际运行环境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.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.在一些非齐次泊松过程类模型中,有些学者提出了常量的环境因子,用来描述测试环境和运行环境的差别.实际上,环境因子应该是随时间变化的变量.考虑了运行阶段和测试阶段环境的不同,根据实测数据得到了变化的环境因子,并且根据测试阶段的故障检测率和变化的环境因子,转化得到了操作运行阶段的故障检测率.考虑到故障的排除效率和故障引入率,从而建立了一个既考虑运行环境和测试环境差别,又考虑故障排除效率和故障引入率的非齐次泊松过程类软件可靠性增长模型（PTEO-SRGM）.在两组失效数据上的实验分析表明,对这组失效数据,PTEO-SRGM模型比G-O模型等模型的拟合效果和预测能力更好.     

基于Bagging-CVA的动态过程及质量相关故障检测

针对过程数据具有时序相关性以及过程故障是否影响产品质量的问题,提出一种基于Bagging思想和典型变量分析(CVA)的故障检测方法(Bagging-CVA).采用Bagging思想对建模数据随机抽样构成多组新的数据集,消除数据的时序相关性.分别在每组新的数据集基于CVA方法建立过程相关和质量相关的故障检测模型,同时监测故障对于过程和产品质量的影响.同时提出了一种最优模型选取策略,通过故障检测率和误报率来选出最优模型,降低了传统Bagging方法对多组模型的统计量进行融合的复杂度.通过数值案例和田纳西-伊斯曼过程的仿真实验对方法进行验证.实验结果表明,所提出的改进Bagging-CVA方法可以避免过程数据的时序相关性对故障检测模型的影响,从而提高检测率和降低误报率.此外,还可以进一步分析过程故障是否对产品质量产生影响.     

Considering the Fault Dependency Concept with Debugging Time Lag in Software Reliability Growth Modeling Using a Power Function of Testing Time

Since the early 1970s tremendous growth has been seen in the research of software reliability growth modeling.In general, software reliability growth models (SRGMs) are applicable to the late stages of testing in software development and they can provide useful information about how to improve the reliability of software products.A number of SRGMs have been proposed in the literature to represent time-dependent fault identification/removal phenomenon;still new models are being proposed that could fit a greater number of reliability growth curves.Often,it is assumed that detected faults axe immediately corrected when mathematical models are developed.This assumption may not be realistic in practice because the time to remove a detected fault depends on the complexity of the fault,the skill and experience of the personnel,the size of the debugging team,the technique,and so on.Thus,the detected fault need not be immediately removed,and it may lag the fault detection process by a delay effect factor.In this paper,we first review how different software reliability growth models have been developed,where fault detection process is dependent not only on the number of residual fault content but also on the testing time,and see how these models can be reinterpreted as the delayed fault detection model by using a delay effect factor.Based on the power function of the testing time concept,we propose four new SRGMs that assume the presence of two types of faults in the software:leading and dependent faults.Leading faults are those that can be removed upon a failure being observed.However,dependent faults are masked by leading faults and can only be removed after the corresponding leading fault has been removed with a debugging time lag.These models have been tested on real software error data to show its goodness of fit,predictive validity and applicability.     

不完美排错软件可靠性增长模型效用量化研究

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和预测性能,首先从故障总数增长趋势角度对不完美排错模型进行深入研究,提出两个一般性不完美排错框架模型,分别考虑了总故障数量函数与累计检测故障函数间的线性关系与微分关系,并求得累计检测的故障数量与软件中总故障数量函数表达式;其次,在六组真实的失效数据集上对比了提出的两种一般性不完美排错模型和六种不完美排错模型拟合预测性能表现。实例验证结果表明,提出的一般性不完美排错框架模型在大多数失效数据集上都具有优秀的拟合和预测性能,证明了新建模型的有效性和实用性;通过对提出的模型与其他不完美排错模型在数据集上的性能的深入分析,为实际应用中不完美排错模型的选择提出了建议。     

一个NHPP类软件可靠性增长模型框架

NHPP类软件可靠性增长模型已经成为软件可靠性工程实践中非常成功的工具,从某些模型的一些共同特征出发,研究了NHPP类软件可靠性增长模型的有限通用框架,提出了一 个既考虑软件测试的不完美性、故障检测率随时间的变化,又考虑了故障改正效率随时间变化的NHPP类软件可靠性增长模型框架。一些已经存在的NHPP类软件可靠性增长模型型是这个框架的特例。     

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。     

应用于雷达电源单元的多功能测试平台的设计

目前在对某型雷达电源单元的多种组成模块进行调试与测试过程中,由于用于测试的设备功能单一,在调试和测试时需要耗费大量的人力和物力,给工作带来极大的不便,因此为了更好地对某型雷达电源单元的各种模块进行调试与测试,利用MCU+CPLD设计了一种多功能测试平台.此自动测试平台利用在VC++环境下开发的上位机测试界面,不仅能够对被测模块进行控制、状态监测、故障诊断与隔离,而且能够通过提供多种信号资源来模拟对电源管理模块的功能和性能进行测试等功能.它还能通过简单的软件修改扩展更多的资源和功能.