组合模型在软件可靠性预测中的建模与仿真

针对软件可靠性受到多种不确定因素影响,且因素间具有多重共线性,单-预测模型无法全面准确描述其变化规律,导致软件可靠性预测精度不高.为了提高软件可靠性预测的精度,提出一种基于熵值法的软件可靠性组合预测模型.首先采用主成分分析消除软件可靠性度量属性间多重共线性,加快学习速度,然后分别采用AR模型和RBF神经网络对软件可靠性进行预测,采用嫡值法确定两种模型的权重,从而得到组合预测模型的软件可靠性预测值.用NASA的软件度量数据进行模型预测,结果表明,仿真预测模型明显提高了软件可靠性预测精度,说明组合预测方法对软件可靠性预测是可行的.     

基于神经网络的级联软件可靠性模型

针对一般经典软件可靠性模型适用范围的局限性问题和预测精度问题,提出了一种新的级联模型.将4个经典软件可靠性模型的输出作为误差背向传播(error back propagation,BP)神经网络的输入,级联组合成一个软件可靠性模型,称之为级联软件可靠性模型.通过对一组经典的实际软件故障数据SYS1进行实验,将级联软件可靠性模型与4个经典软件可靠性模型预测的结果进行对比,结果表明级联软件可靠性模型的预测精度要远远高于4个经典软件可靠性模型,而且具有更好的通用性.     

一种基于输入域的非参数软件可靠性评估模型

通过分析输入域软件可靠性模型和时间域软件可靠性模型的特点,建立一种基于输入域的非参数软件可靠性评估模型,从而克服一般输入域模型评估精度较差、无法预测的缺点.同时提出了基于非参数统计的方法来估计缺陷数和软件失效概率,从而为利用普通软件测试所获得测试数据进行软件可靠性评估提供了一种解决途径,实例验证表明了该评估模型可以较好地对软件可靠性进行评估,给出缺陷数和软件可靠性的合理估计,其估计精度不低于较好的时间域模型.     

基于测试覆盖的嵌入式软件可靠性评估

为了提高软件可靠性的评估和预测精度,提出了一个基于测试覆盖的非齐次泊松过程类软件可靠性增长模型,通过将测试覆盖率信息考虑到软件可靠性模型中去,使模型能够更准确地描述软件的测试过程,并能避免由于测试的不充分性而导致的可靠性评估偏离软件的真实情况.提出了结合变点思想的基于测试覆盖的软件可靠性评估方法,该方法解决了工程实践中经常出现的测试过程中剖面发生变化而导致失效数据不服从同一分布的实际问题.最后,通过实例分析,验证了该方法的准确性和有效性.     

基于多模型变权重组合的软件可靠性仿真研究

研究提高软件可靠性预测精度问题,对软件可靠性研究已成为当前软件工程的一个研究热点,传统的单一软件可靠性模型由于使用的技术及提取的信息有限,软件可靠性预测精度不高。为提高软件可靠性预测精度,在建立多种单一软件可靠性预测模型的基础上,提出一种样本点的多模型变权重组合模型。将多种预测技术有效地聚合在一起,取长补短,在样本数据有限的情况下,不仅改善了样本内学习能力也增强了样本外的泛化能力,提高了综合预测精度。仿真验证模型无论在样本内还是样本外都较优于经过模拟退火算法优化的BP神经网络(SA-BP)及经过遗传算法优化的最小二乘支持向量机(GA-LSVM),说明变权重组合模型是一种精度更高的软件可靠性失效数据预测模型,具有较好的应用推广价值。     

级联网络的软件可靠性预测

研究软件可靠性准确预测问题,软件存在动态失效性,且引起软件运行失效的原因具有随机性,不同可靠性模型预测相同软件得到的结果不一致,通用性比较差,导致预测精度低。为了提高软件可靠性预测精度,提出一种级联网络的软件可靠性预测模型。采用4种经典软件可靠性模型的输出作为BP神经网络模型的输入,利用各种单一预测模型的优点,建立一种新的级联软件可靠性模型。仿真结果表明,级联网络模型具有更高的预测精度和通用性,验证了级联网络预测模型对软件可靠性预测的有效性和良好的应用前景。     

软件可靠性预测的增强贝叶斯组合模型

针对当前可靠性预测模型的预测精度问题,提出一种增强贝叶斯组合的短期软件可靠性预测模型。该模型以基于小波分解的单个可靠性预测模型作为基本预测模型, 根据当前相邻几个失效时间间隔的预测精度,更新组合模型中各个基本预测模型的权重,解决了贝叶斯组合模型权重计算采用全部历史数据而导致某个基本预测模型权值占主导地位的缺陷,提高了贝叶斯组合模型对软件可靠性的预测精度。实验结果表明,增强贝叶斯组合预测模型的预测精度不仅优于单一的预测方法,而且也优于传统的软件组合预测模型,能显著提高软件可靠性预测的精度和模型对数据的适应性。     

基于神经网络组合模型的软件可靠性评估研究

在软件可靠性评估问题的研究中,构件存在动态失效的问题。为了提高软件可靠性的预测精度,在分析经典软件可靠性模型与神经网络可靠性模型研究的基础上,采用了一种神经网络组合软件可靠性模型。模型通过构造与所选基模型相适应的传递函数,实现了经典软件可靠性模型和神经网络的有机结合,这种神经网络组合模型可以用较小的网络规模获得满意的泛化特性。进行仿真的结果表明,神经网络组合模型能够有效提高软件可靠性的预测精度和效率。     

神经网络在软件可靠性预测中的应用研究

关于应用软件保证在应用中安全可靠,应研究软件可靠性预测问题.针对软件可靠性预测系统是一个多因素的、非线性的复杂系统,传统设计高精度的准确数学模型预测方法是相当困难,RBF神经网络是一种非线性预测能力相当强的预测方法.为了提高软件可靠性预测的准确率,提出一种粒子群优化RBF神经网络的软件可靠性预测模型.模型首先将软件可靠性因子作为RBF神经网络的输入,软件可靠性准确率作为RBF神经网络的输出,然后将RBF神经网络的参数初始为粒子群中的粒子,软件可靠性准确率作为粒子优化的目标函数,通过粒子群之间的协作来获得RBF神经网络最优参数,用最优参数对RBF神经网络对软件可靠性进行预测.仿真结果表明,与传统软件可靠性预测方法相比,粒子群优化RBF神经网络对软件可靠性预测的精度更高,收敛速度更快,同时解决了传统RBF神经网络参数寻优难题,更加适合于软件可靠性预测.     

基于EM方法的隐Markov软件可靠性模型

针对单一软件可靠性模型不能准确描述软件失效行为、无法合理准确地评估预测出软件可靠性的问题,将变点分析引入软件可靠性建模,提出了一种基于隐Markov过程的软件可靠性模型。该模型采用隐变量来描述影响软件可靠性的多种因素,通过隐变量的状态变化刻画出软件过程中各种因素的变化情况,构建出隐Markov链软件可靠性模型,并采用EM算法进行求解,通过实例分析来验证其有效性。实验结果表明,隐Markov链软件可靠性模型具有较强的变点检测能力,并能显著提高软件可靠性拟合精度。     

基于蚁群算法的软件可靠性模型参数估计方法

由于软件可靠性模型大多是非线性模型,导致其参数难于估计。总结了常用的软件可靠性模型的参数估计方法,提出一种基于蚁群算法的可靠性模型参数估计方法。通过对Musa软件可靠性模型分类方案中三个不同类型模型（G-O模型、Weibull模型以及M-O模型）的实验,发现本算法对不同模型具有很好的适应性,解决了应用传统数值计算方法时的无法收敛问题;与粒子群算法相比,本算法的收敛速度比粒子群算法快一倍以上,且对于部分实验对象的拟合结果精度比粒子群算法高一个数量级以上。     

基于PSO的软件可靠性模型参数估计方法

软件可靠性建模是一个重要的研究领域,现有的软件可靠性模型基本上是非线性函数模型,估计这些模型的参数比较困难。粒子群优化是一类适合求解非线性优化问题的随机优化方法,提出一种基于粒子群优化的软件可靠性模型估计参数方法,该方法的关键是构造合适的适应函数。用该方法分别估计了5个实际软件系统的指数软件可靠性模型以及对数泊松执行时间模型,实验结果表明：该方法参数估计的精度高,对模型的适应性强。     

一种加入单改变点的Schneidewind模型研究

Schneidewind 模型已经被广泛研究和应用到很多软件可靠性预测中去。很多软件可靠性增长模型都假设软件所有的失效有相同的查错率,并且在失效发生时,查错率也不发生变化。但实际中,查错率会依赖于多种因素,也会因为软件需求的变化、测试团队的变动而发生变化。本文提出通过几何图形的观测通过对 Schneidewind 模型加入单个改变点来改进模型,并通过实验证明此方法对可靠性精度的提高有一定作用。同时,本文也说明了此方法应用的优点及其局限性。     

软件可靠性组合预测模型研究

根据灰色模型、谐波分析和时间序列分析理论,对软件测试阶段的失效数据构成的时间序列进行分析,得到软件可靠性组合预测模型。结合实际数据,给出了具体的实现方法。数据试验结果表明,与单一时间序列预测模型相比,该模型具有较高的预测精度和很好的模型适应性。     

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。     

基于改进模拟退火算法的软件可靠性模型参数估计方法

为提升现有软件可靠性模型的拟合性能和求解精度,结合软件可靠性模型求解特征,提出一种改进的模拟退火算法。在此基础上,提出基于改进模拟退火算法的软件可靠性模型参数求解方法(简称为MSAE法),并将新方法应用于4组失效数据集。工程应用结果表明,与最大似然估计(MLE)法、和声搜索(HS)算法和蚁群(AC)算法相比,MSAE法可有效改善软件可靠性模型参数求解不收敛的情况,并且可以有效提升现有软件可靠性模型的拟合性能。     

Estimation of reliability and cost relationship for architecture-based software

In this paper, we propose a new method to estimate the relationship between software reliability and software development cost taking into account the complexity for developing the software system and the size of software intended to develop during the implementation phase of the software development life cycle. On the basis of estimated relationship, a set of empirical data has been used to validate the correctness of the proposed model by comparing the result with the other existing models. The outcome of this work shows that the method proposed here is a relatively straightforward one in formulating the relationship between reliability and cost during implementation phase.     

Robust feedforward and recurrent neural network based dynamic weighted combination models for software reliability prediction

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.