软件故障静态预测方法综述

软件故障静态预测通过从项目数据中提取度量信息预测故障,以便于测试和验证资源的分配。从可用度量数据和预测模型两个方面总结了软件故障静态预测方法,可用度量包括方法层、类层、构件层、文件层以及过程层度量,预测模型分为机器学习和统计方法两类;总结了性能评价指标、度量数据可得性以及故障分类对故障预测的影响等需要进一步研究的问题。     

静态软件中故障数据预测建模研究仿真北大核心CSCD

由于静态软件数据之间的关联性较弱,无法形成可用于推理的逻辑关联。在对静态软件中故障数据判别中,预测过程的数据关联性无法被充分利用,缺少针对关联性的判断过程,导致计算的误差大,提出采用Boosting集成k-NN的静态软件中故障数据预测建模方法。先在不同的Boosting抽样数据集中形成一个新的训练集,并迭代训练出一个基本k-NN的静态软件故障预测器集合,利用该预测器集合分别对相应的软件模块进行独立预测,将各个基本预测值相融合形成一个最终的静态软件中故障数据预测结果。根据弥合数据缝隙的K-均值聚类方法将该预测结果表述为故障数据聚类空间的值域,建立了静态软件中故障数据预测模型。仿真结果表明,采用Boosting集成k--N的静态软件中故障数据预测建模方法建立的静态软件中故障数据预测模型可以较早地发现软件故障。     

机载软件无线电系统故障预测软件设计与实现

通过分析机载软件无线电系统的结构特性,为满足其高可靠性高灵活性等要求,设计并实现了针对机载软件无线电系统的故障预测软件平台.该软件平台在MFC框架基础上进行开发,集成了自回归预测模型(AR)、灰色预测模型(GM(1,1))等预测算法,并对预测算法关键参数进行优化,使得该软件能够根据不同预测对象,以及不同预测精度要求自动选择最佳预测算法进行故障预测.同时,可根据需要在线升级已有预测算法或动态加载新的预测模型,提出并实现了一种适用可靠的开放式故障预测系统.     

基于深度学习的故障预测技术研究

针对常规故障预测方法难以分析复合故障的情况下各个故障对系统的交互作用、难以分析装备数据复杂特征、难以实时准确预测故障等现状,对现代大数据和人工智能方法应用在故障预测领域进行研究,提出基于深度学习的故障预测技术,将系统故障预测可分为动态预测和静态预测。利用深度学习算法处理装备状态监测和试验验证获得的海量故障数据,通过故障模型训练、故障特征识别、故障演化规律获取来对系统进行在线动态预测;针对软件故障突变特性,利用软件质量特征属性进行静态故障预测;同时,提出使用开源深度学习框架TensorFlow进行系统研制方法。通过基于深度学习的故障预测技术,能够提高装备故障预测能力。     

基于流形学习的面向对象的软件缺陷预测模型

针对传统软件缺陷预测方法在预测面向对象的软件缺陷时存在的不足,提出一种基于流形学习的面向对象的软件缺陷预测模型。结合拉普拉斯特征映射法和分类方法,利用拉普拉斯特征映射法,对待预测的软件属性度量数据进行降维处理,得到其低维特征;利用分类算法,从低维特征数据中预测软件存在的缺陷。实验结果表明,该方法有效提高了面向对象的软件缺陷预测精度,也提高了算法的执行效率。     

使用EBIC的软件故障特征选择方法

软件故障预测中若采用大量度量指标建立预测模型,可能因其中含有无关特征使预测模型性能受到不良影响,故障预测中的特征选择步骤选取一定维度的部分故障数据建立预测模型来提高模型性能,以达到压缩特征维度,提高模型预测精度,降低预测模型复杂度,节约计算资源的目的。传统特征排序方法仅评估单个特征对类标的影响,建立的预测模型有效性较低;特征子集选择方法需搜索所有特征子集,耗费计算资源且所选特征维数较高。针对以上问题,提出一种基于拓展贝叶斯信息准则的特征选择方法(EBIC-FS),该方法对数据进行线性回归,并计算出残差平方和较小且数据维数较少的特征模型。在公开数据集M&R及Promise上进行实验,结果表明该方法能有效压缩特征维度,且预测模型性能与5种基线方法相比有较大提升。     

基于动态网络分析理论的大规模软件故障预测模型 与可视化界面实现

本文将大规模软件动态运行信息映射为随时间变化的调用关系网络,通过采用K 核分解算法提取此静态网络 的层次结构与核心节点信息进行可视化显示;同时基于矩阵二范数方法对动态网络的结构进行频谱分析实现故障定位;对大 规模软件的运行状况进行了可更新的监控,实现了异常的预测,把实验的结果与理论很好地结合在一起,验证了预测模型的有 效性,并为本模型的进一步扩展提供了可能。最后实现了该系统的可视化界面。     

基于灰色变权搜索的软件故障预测方法

针对软件故障数目历史数据的小样本特征,在传统灰色模型基础上,将预测模型的建模问题转换为灰色权因子的搜索问题,建立了变权搜索模型进行故障数目预测;提出用实测和预测序列的均方误差和斜率距离构建搜索指标集,用欧式距离构建计算各指标权重的最优准则函数,对模型的灰色权因子进行全局最优搜索,权因子随故障发展过程实时变化;经实例仿真,预测与实测序列相对误差较小,验证了所提方法的可行性和有效性,对装备软件风险评估提供了有效的决策支持。     

基于最小二乘支持向量机的复杂装备故障预测模型研究

针对复杂装备故障信息不足、故障预测困难等问题,应用支持向量机建立了故障预测模型;在对支持向量机回归算法分析的基础上,利用最小二乘支持向量机建立故障预测模型;最小二乘支持向量机通过对相空间重构,有效地降低了模型的复杂度;最后,本文利用某导弹发射装置液压泵的故障数据进行了验证,通过选取合适的参数,该模型能够较好地对故障数据进行预测,预测精度较高;事实证明,基于最小二乘支持向量机建立故障预测模型能够较好地对复杂装备故障的趋势进行预测。     

基于数据驱动的故障预测模型框架研究

为解决基于数据驱动的故障预测缺乏统一的预测框架的问题,提高故障预测精度,提出了一种通用的故障预测模型和框架.总结分析了单项故障预测方法的优缺点和故障预测研究现状,研究了基于数据驱动的故障预测的一般过程,将融合单元的概念应用到故障预测领域,用以描述预测过程中设备状态的数据变化,建立了基于数据驱动的故障预测模型,从而得到了一种统一的故障预测框架,为基于数据驱动的故障预测研究提供借鉴.     

基于排错等待延迟的广义动态集成神经网络模型

软件可靠性增长模型在可靠性评估与保障中具有重要作用,针对软件测试过程中的故障检测和排错等待延迟问题,提出了一种考虑故障排错等待延迟的广义动态集成神经网络模型(RWD-SRGM)。该模型考虑软件工程的多样性,利用神经网络方法构建广义动态集成模型,并考虑排错等待延迟现象完成故障检测和预测。通过2组真实失效数据集(DS1和DS2)的实验,将所提模型与现有的软件可靠性增长模型进行了比较,结果显示考虑故障排错等待延迟的神经网络模型拟合效果最优,表现出了更好的软件可靠性评估性能和模型通用性。     

考虑排错过程引进故障的开源软件可靠性模型研究

近年来,开源软件在软件行业很受欢迎。但是,开源软件的可靠性却受到人们的广泛质疑。如何评估开源软件的可靠性是一个重要的问题。与传统的闭源软件相比,在建立开源软件可靠性模型时,必须考虑故障引入和故障检测与排错之间的延迟时间这两个因素。本文考虑了排错过程和不完美调试现象,提出了相应的开源软件可靠性模型。并且我们用两个开源软件故障数据集实来验证提出模型的拟合性能与预测性能。实验结果表明,提出的模型在开源软件可靠性评估中具有良好的拟合和预测性能。提出的模型可以用于开源软件在实际的开发过程中的可靠性评估。     

一种基于多变量Logistic模型的缺陷定位方法

缺陷定位是软件开发过程的重要环节。充分利用程序的结构特征和行为特征有助于提高缺陷定位效率。提出一种基于多变量Logistic回归分析的缺陷定位框架, 用于软件演化时对新版本程序进行类方法级别的缺陷定位。首先设计一组度量结构特征和行为特征的指标, 通过静态分析和测试程序搜集并构建旧版本程序的特征数据集, 同时从缺陷跟踪系统获取旧版本缺陷信息;其次, 基于所得特征数据集和缺陷信息, 应用单变量分析筛选出度量指标中与缺陷显著相关的指标, 随后用选中的显著指标展开多变量分析, 训练多变量Logistic模型;最后, 基于选出的显著指标搜集并构建新版本程序的特征数据集, 运用得到的Logistic模型预测每个类方法的出错概率, 进而按出错概率降序检查类方法以定位错误。基于一组开源程序进行缺陷定位实证研究,结果表明, 多变量Logistic模型可以提高缺陷定位的效率。关键词：     

基于测试用例的软件可靠性分析

软件可靠性问题是软件测试中的重要难题之一,由于程序语言的复杂性以及被测程序的多样性,一直没有一个好的可靠性模型来评价它。鉴于此,提出了一个有关黑盒测试的可靠性分析模型,模型在结合等价类和边界值划分的基础上充分考虑软件复杂性、缺陷后果严重性和信息不足等因素等原因,根据矩阵和数理统计的知识得出相关的可靠性模型,并使用EM算法对该模型的置信下限做出了相应的理论证明。实验表明,该模型在实用性和可靠性方面都取得了较大的进展。     

软件双冗余容错系统的容错能力和性能分析

双冗余是比较常用的冗余容错设计方法.软件双冗余容错系统通过冗余执行完成相同功能的两个软件副本,并检查它们的结果,根据两者结果是否一致来判断是否出现了错误.建立了软件双冗余容错系统的运行时模型,并引入了软件双冗余容错系统的容错能力的概念.根据该模型分析了单个软件副本的容错能力对软件双冗余容错系统的容错能力和性能的影响.分析结果显示,提高单个软件副本的容错能力不仅能够提高软件双冗余容错系统的容错能力,还能够提高系统的性能.但在极端情况下,双冗余容错系统的容错能力也可能会小于单个软件副本的容错能力.     

考虑测试工作量和故障检测率的软件可靠性模型

针对软件可靠性模型中对故障检测率行为描述的不足,考虑软件固有的故障检测率是一个随时间增加的减函数,以及测试人员的学习能力是一个随时间增加呈S型的增函数,两者共同决定了故障检测率是一个随时间增加的先增后减的函数,于是提出改进的软件可靠性模型。在改进模型的基础上,考虑测试工作量对可靠性的影响,软件可靠性模型得到了进一步的改善。利用公开发表的失效数据集对改进的模型进行比较和验证,实验数据证明改进的模型具有很好的效果。     

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.     

运行时软件故障注入器的设计与实现

针对实际故障诊断中难以有效获得故障现场信息的问题,提出通过在软件运行时注入故障的方式获取故障现场信息,设计并实现一种运行时软件故障注入器,给出其中的故障脚本描述语言、故障库和故障注入器算法。实验结果表明,该注入器能有效实现故障注入,获取故障现场信息。     

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.     

开放网络环境下软件运行时故障诊断研究

在开放网络环境中,软件运行时的故障诊断与查找是必要的.利用软件运行时的外在表现特征与所有可能的故障建立隐马尔可夫模型,在应用中收集软件运行时外在表现特征的数据,可以诊断出用普通方法不易诊断出的软件故障.在建立隐马尔可夫模型过程中,文中提出使用"3σ原则"来离散化连续型随机变量,其在变量离散化及确定参数先验值方面具有独特优势,操作既方便又符合实际情况,且具有严格的理论依据;同时,给出一个开放网络环境的应用案例.通过仿真实验,证实本文所提出的方法在软件运行时故障诊断方面较其他方法具有独特的优势.