首页 | 本学科首页   官方微博 | 高级检索  
相似文献
 共查询到17条相似文献,搜索用时 234 毫秒
1.
考虑测试与运行差别的软件可靠性增长模型   总被引:6,自引:0,他引:6  
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.  相似文献   

2.
一个考虑多种排错延迟的NHPP类软件可靠性增长模型   总被引:5,自引:0,他引:5  
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。  相似文献   

3.
考虑测试环境和实际运行环境的软件可靠性增长模型   总被引:6,自引:0,他引:6  
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.  相似文献   

4.
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。  相似文献   

5.
考虑故障相关的软件可靠性增长模型研究   总被引:3,自引:0,他引:3  
赵靖  张汝波  顾国昌 《计算机学报》2007,30(10):1713-1720
软件可靠性增长模型是用来评估和预测软件可靠性的重要工具.目前,绝大多数的软件可靠性增长模型并没有考虑故障之间的相关性,也没有考虑测试环境和运行环境的区别.文中提出了一种随机过程类非齐次泊松过程(NHPP)中的考虑故障相关性、测试环境和运行环境差别的模型.在两组失效数据上的实验分析表明:对这两组失效数据,文中提出的模型比其他一些非齐次泊松过程类模型的拟合效果和预测效果更好.  相似文献   

6.
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。  相似文献   

7.
软件系统中的缺陷通常以非常复杂的方式互相关联,并最终导致系统失效。基于非齐次泊松过程的软件可靠性增长模型,是一种描述软件随机失效行为和测量软件可靠性增长过程的常见工具。为此,考虑到有关联作用的多层缺陷,提出一个基于非齐次泊松过程的软件可靠性增长模型来研究软件系统的可靠性增长过程,并通过现实数据集对模型的性能进行评估。研究表明,新模型抓住了多层缺陷的关联效应,很好地拟合了缺陷数据集,且优于传统模型。此外,对于同时考虑了可靠性要求和测试成本的软件发行策略,研究发现,如果测试团队忽略缺陷不同层之间的关联效应,会使软件包发行到市场的最佳时间提前,从而相应的增加整体成本。  相似文献   

8.
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。  相似文献   

9.
非齐次泊松过程类软件可靠性增长模型(NHPP-SRGMs)是评价软件产品可靠性指标的有效工具,但大多数该类模型都未考虑软件缺陷关联这一测试过程中普遍存在的现象。该文在考虑软件缺陷关联关系的基础上对缺陷进行分类,提出一个改进的NHPP类软件可靠性增长模型。在一组失效数据上的实验分析表明,改进的模型具有较好的拟合效果和预测能力。  相似文献   

10.
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。  相似文献   

11.
李海峰  王栓奇  刘畅  郑军  李震 《软件学报》2013,24(4):749-760
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.  相似文献   

12.
一个NHPP类软件可靠性增长模型框架   总被引:6,自引:0,他引:6  
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。  相似文献   

13.
14.
Traditional parametric software reliability growth models (SRGMs) are based on some assumptions or distributions and none such single model can produce accurate prediction results in all circumstances. Non-parametric models like the artificial neural network (ANN) based models can predict software reliability based on only fault history data without any assumptions. In this paper, initially we propose a robust feedforward neural network (FFNN) based dynamic weighted combination model (PFFNNDWCM) for software reliability prediction. Four well-known traditional SRGMs are combined based on the dynamically evaluated weights determined by the learning algorithm of the proposed FFNN. Based on this proposed FFNN architecture, we also propose a robust recurrent neural network (RNN) based dynamic weighted combination model (PRNNDWCM) to predict the software reliability more justifiably. A real-coded genetic algorithm (GA) is proposed to train the ANNs. Predictability of the proposed models are compared with the existing ANN based software reliability models through three real software failure data sets. We also compare the performances of the proposed models with the models that can be developed by combining three or two of the four SRGMs. Comparative studies demonstrate that the PFFNNDWCM and PRNNDWCM present fairly accurate fitting and predictive capability than the other existing ANN based models. Numerical and graphical explanations show that PRNNDWCM is promising for software reliability prediction since its fitting and prediction error is much less relative to the PFFNNDWCM.  相似文献   

15.
软件可靠性增长模型研究综述   总被引:1,自引:1,他引:0  
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.  相似文献   

16.
故障检测率FDR(Fault Detection Rate)是可靠性研究的关键要素,对于测试环境构建、故障检测效率提升、可靠性建模和可靠性增长具有重要作用,对于提高系统可靠性与确定发布时间具有重要现实意义.首先,对基于NHPP(Non-Homogeneous Poisson Process,非齐次泊松过程)类的软件可靠性增长模型SRGM(Software Reliability Growth Mode)进行概述,给出了建模本质、功用与流程.基于此,引出可靠性建模与研究中的关键参数——FDR,给出定义,对测试环境描述能力进行分析,展示不同模型的差异.着重剖析了FDR与失效强度、冒险率(风险率)的区别,得出三者之间的关联性表述.全面梳理了FDR的大类模型,分别从测试覆盖函数视角、直接设定角度、测试工作量函数参与构成方式三个方面进行剖析,继而提出统一的FDR相关的可靠性模型.考虑到对真实测试环境描述能力需要,建立不完美排错框架模型,衍生出不完美排错下多个不同FDR参与的可靠性增长模型.进一步,在12个真实描述应用场景与公开发表的失效数据集上进行实验,验证不同FDR模型相关的可靠性模型效用,对差异性进行分析与讨论.结果表明,FDR模型自身的性能可以支撑可靠性模型性能的提升.最后,指出了未来研究趋势和需要解决的问题.  相似文献   

17.
设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号