软件可靠性建模的发展和存在的问题

本文从软件可靠性的需求出发，讨论了软件可靠性建模发展史，建模新发展和当前存在的主要问题。     

双随机软件可靠性模型的建模

本文在仔细分析了软件故障的物理过程及模型机理后，认为：由于软件故障过程的随机因素太复杂以致于用某一个传统随机过程不足以为软件故障过程建模．传统上采用的马尔可夫非齐次泊松过程模型或二项型式模型只能部分地表述软件的故障行为．若要全面地去表述软件的故障行为，就需要一个补偿随机过程．也就是说本文采用了两个随机函数来为软件故障行为建模．     

基于结构的软件可靠性建模研究进展

软件体系结构作为提高软件系统质量、支持复杂软件开发和复用的重要手段,已经成为软件工程的一个重要研究领域,软件结构的研究对软件可靠性度量也带来的新的问题。分析和总结近年来基于软件体系结构的可靠性建模方法,并对其今后若干研究方向进行了探讨。     

基于灰色模型的电子装备可靠性预测模型

装备可靠性一直是全寿命周期保障工作的重要内容.结合电子装备的特点,假设装备各单元基于指数分布,提出一种可靠性预测模型.建立装备可靠性与其各单元可靠性的关系模型,同时提出一种非等间隔的GM(1,1)模型来预测各单元的可靠性.通过实例,对给出的方法进行了可靠性预测.经过精度检验说明该方法的有效性.     

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。     

军用软件可靠性测试管理中模型的应用

软件可靠性测试是软件开发过程中的一个重要环节,将软件可靠性增长模型应用到软件可靠性的测试过程中,可以为测试的进行提供有价值的管理决策依据。军用软件可靠性的测试及管理是控制军用软件质量的重要方法。该文给出了一种军用软件测试管理模型,在此基础上进一步讨论了Musa模型在测试管理中的应用,最后对实例进行了分析。     

硬/软件可靠性增长模型

在现有的描述计算机系统可靠性增长的模型当中,提出了一个描述硬/软件综合系统可靠性增长的二维跳跃马氏链模型.该模型基于下面两个主要假设:1)在故障间隔期间内,硬、软件的故障率均是常数,硬(软)件的故障率仅在每个硬(软)件的故障恢复点处发生跳跃变化.2)同一时间发生多于一次故障的机会近乎为0.本文推导了系统各种可用度指标的显式表达式,并给出计算复杂度的度量.为了降低应用时求解的复杂程度,在当前硬、软件可靠性增长模型研究的基础上,提出了一种在工程应用中的简化计算方法.     

软件可靠性模型综述

一、引言随着软件开发与研究的发展,软件产品的质量已成为一个不可忽视的问题,并由此推动了软件可靠性研究与应用。软件可靠性不仅是软件质量中最重要的定量描述指标,而且是面向用户的视图。从软件可靠性概念出发,人们已先后建立起若干软件可靠性模型,并提供了一些评估软件可靠性的有效方法。软件可靠性的研究可追溯到六十年代。     

基于经验数据的软件可靠性模型研究

软件的可靠性同其正确性和性能同样的重要,软件可靠性模型是软件可靠性定量分析的技术基础.对基于经验数据的软件可靠性模型进行了研究,并进行工程化实现,已应用于多个测试项目的测试评估,对软件的可靠性和测试的充分性进行了定量分析.     

基于体系结构的软件可靠性模型综述

软件可靠性是软件质量评估的最重要的指标之一。阐述了基于体系结构的软件可靠性模型的比较框架、模型特性;通过分析模型存在的局限性,给出了可能的解决方案,指出了软件可靠性模型的发展趋势。     

基于灰色Elman神经网络软件可靠性预测模型

针对当前软件可靠性预测模型在随机性和动态性较强的可靠性现场数据中存在预测精度波动比较大、适应性比较差的问题,提出一种基于灰色Elman神经网络的软件可靠性预测模型。首先使用灰色GM（1,1）模型对失效数据进行预测,弱化其随机性;然后采用Elman神经网络对GM（1,1）的预测残差进行建模预测,捕捉其动态性变化规律;最后将GM（1,1）预测值和Elman神经网络残差预测值相结合得到最终的预测结果。使用航班查询系统的现场失效数据集进行了模型仿真实验,并将灰色Elman神经网络预测模型与反向传播（BP）神经网络、Elman神经网络预测模型进行比较,其对应的均方误差（MSE）和平均相对误差（MRE）分别为105.1、270.9、207.5和0.0011、0.0021、0.0016,并且灰色Elman神经网络预测模型的误差均为最小值。实验结果表明该模型具有较好的预测精度。     

一种基于灰色等维新息模型的目标跟踪算法

灰色系统理论将随机过程看成为灰色过程,利用数据表面离乱但整体有序的特点,挖掘潜在本质规律。对运动物体进行光学跟踪及轨迹预测,在飞行器导航、机器人路径规划等方面一直是个研究热点。根据灰色系统理论的思想,提出一种基于灰色等维新息模型的目标位置跟踪预测方法,对其进行具体分析并应用于一目标光学跟踪实验系统并验证了其有效性,最后建议指出了改进此算法的两个新的研究点。     

基于优化PSO-SVM模型的软件可靠性预测方法

讨论了传统软件可靠性预测模型的主要弱点;在分析传统PSO-SVM模型和软件可靠性预测特点的基础上,对传统PSO-SVM模型进行改进,建立了优化PSO-SVM软件可靠性预测模型。最后通过仿真结果表明,该优化预测模型具有更好的小样本适应性,训练速度快,预测精度高,能够更好地适用于软件可靠性预测。     

基于加权一个变量的一阶灰色模型的动态轨迹预测算法

针对基于Kalman滤波的跟踪方法需要对噪声特性和轨迹的运动规律进行假设的不足,将新陈代谢一个变量的一阶灰色模型(GM(1,1))引入动态轨迹预测方法,提出一种基于加权灰色GM(1,1)模型的动态轨迹预测算法(TR_GM_PR算法)。首先,顺序截取预测点前不同长度的子轨迹,计算采用灰色GM(1,1)模型拟合各子轨迹的相对误差及相应的预测值;其次,对各子轨迹的相对拟合误差进行归一化处理,根据处理后的结果设置各子轨迹预测值权重;最后,将各子轨迹获得的预测值与其对应权重的线性组合作为轨迹未来运行趋势的最终预测结果。采用2000-2008年美国大西洋飓风数据进行实验,TR_GM_PR算法6 h的预测正确率为67.6056%,比基于模式匹配的飓风预测方法提高2.6056个百分点。实验结果表明, TR_GM_PR算法适用于轨迹短期预测。此外,该预测算法计算简单、实时性高,能够有效提高动态轨迹的预测正确率。     

基于学习向量量化神经网络的软件可靠性预测

针对传统的软件可靠性预测模型在实际应用中存在预测泛化性能不佳等问题,提出一种基于学习向量量化（LVQ）神经网络的软件可靠性预测模型。首先分析了LVQ神经网络的结构特点以及它与软件可靠性预测的联系,然后运用该网络来进行软件可靠性的预测,并基于美国国家航空航天局（NASA）软件数据项目中的实例数据集,运用Matlab工具进行了仿真实验。通过与传统预测方法的对比,证明该方法具有可行性和较高的预测泛化性能。     

潜伏故障点不完美覆盖的软件可靠性增长模型

现有的基于测试覆盖率的非齐次泊松过程（NHPP）类软件可靠性增长模型绝大多数都没有考虑到潜伏故障点不完美覆盖的情况。提出了一种考虑潜伏故障点不完美覆盖的软件可靠性NHPP增长模型,称之为UPNHPP模型。在一组失效数据上的实验分析表明,对这组数据,UPNHPP模型与其他模型相比有更好的拟合效果。     

一种基于离散时间的NHPP软件可靠性增长模型

基于非齐次泊松过程的软件可靠性增长模型按时间域可分为连续时间模型和离散时间模型两类。现有的软件可靠性增长模型大多都是针对连续时间构造的,在一定程度上忽视了对离散时间模型的研究。利用概率生成函数构建两种基于离散时间的软件可靠性增长模型——基本模型和扩展模型,具有很大的实用性和必要性。构建的扩展模型以不完美排错情形作为基础,考虑到了由于故障排除而有可能引入新故障的问题,同时还考虑到了在软件排错过程中由于测试团队的熟练程度而引起的软件故障排除率的相对变化情况,这使得提出的模型更加符合实际。最后利用两组公开发表的     

基于随机Petri网的软件可靠性分析方法

软件可靠性模型对于软件可靠性估测起着核心作用.目前提出的模型大多数都不能很好的适应复杂多变的应用环境的要求.针对构件化软件提出了一种基于随机Petri网的软件可靠性分析方法,它符合尽可能在软件开发的上游阶段对软件进行可靠性评估的思想.使用该方法建立起的模型可以很好的描述软件系统的动态变化过程,尽可能多的考虑了影响软件可靠性的因素,有利于降低软件可靠性描述与分析的复杂度,并可以得到软件系统处于各个状态的瞬时及稳态概率.     

基于灰数带及灰数层的区间灰数预测模型

针对传统灰色预测模型仅适用于实数序列而无法进行灰数序列预测的缺陷,通过计算灰数层的面积以及灰数层中位线中点的坐标,在不损失已有灰数信息的前提下,将区间灰数序列转换成实数序列,然后建立一种基于区间灰数的新灰色预测模型.算例仿真验证了所提出模型的有效性及实用性.     

基于DBN的软件可靠性预测模型的研究

安全攸关系统广泛应用于交通、工控、航空等与国计民生相关的安全攸关领域,对可靠性有着非常高的要求。而控制软件往往是安全攸关系统的核心,因此对它的可靠性预测精度必须达到很高的要求。本文将深度置信网络(DBN)应用于软件可靠性增长预测模型(SRPM)的研究。针对DBN中核心模块RBM的无监督学习,采用了动态模式跳转算法(DMH)。该算法通过动态地维护一个模式集,然后借助模式集中模式的跳转来完成RBM中状态的跳转,使RBM的无监督学习具有很高的学习效率。通过与参数动态调整的动态模糊神经网络(SA-DFNN)、BP神经网络(BPN)以及基于萤火虫算法的BP神经网络(FABP)建立的SRPM进行预测能力的比较,实验结果表明基于DBN建立的SRGM的预测结果精度最高且最稳定。