考虑故障检测与修正的软件可靠性增长模型

针对现有NHPP类软件可靠性增长模型基本假设中故障检测和不完美修正过程考虑不完善的现状,提出一种非齐次泊松过程软件可靠性增长模型．该模型既考虑故障本身特性,故障检测率是随时间递减的函数,又考虑了排错过程引入新错误的概率,故障总数函数是随时间变化的;同时,还考虑了不完全排错的情况,引入了一种与故障检测率具有相同变化趋势的故障排除率函数．利用一组标准化的失效数据集进行仿真验证,实验结果表明该模型具有更好的拟合效果和预测能力．     

一个改进的NHPP类软件可靠性增长模型框架

针对现有的NHPP类软件可靠性增长模型,提出一个既考虑关联故障和构件结构,又考虑软件的不完美测试、故障检测率和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.许多经典的软件可靠性增长模型以及基于软件故障类型和构件结构的NHPP类模型都可以从这个框架中推导出来.     

一种非参数化SRGM预测能力的研究

提出了一种非参数化软件可靠性增长模型的改进,该模型考虑软件工程的多样性,利用支持向量回归技术并结合机器学习相关知识,完成故障检测和预测过程。通过三组真实的失效数据集的实验,将所改进方法与传统软件可靠性增长模型比较,结果显示,改进的非参数化软件可靠性增长模型具有更好的模型通用性和预测性能。     

一个不完全排错状态下的软件可靠性增长模型

在充分地考虑了软件排错过程特点的基础上,将现有的可靠性增长模型中“完全排错”的假设修改为“不完全排错”,使之更符合实际情况。通过将软件错误分为不同的两类来刻画,得到了一个软件可靠性增长模型,该模型含有两个参数,使用起来较为方便。     

非齐次泊松过程类软件可靠性增长模型

现有的基于故障覆盖率的软件可靠性增长模型多是只考虑了累计故障覆盖率 ,没有描述每个测试用例能够获得的故障覆盖率 .为了使软件可靠性增长模型能更好地刻画软件的测试过程 ,建立了两个基于故障覆盖率的非齐次泊松过程类软件可靠性增长模型 .第一个模型假设每个测试用例有相同的故障检测能力 ,能获得相同的故障覆盖率 ;第二个模型考虑了越晚检测到的故障其被检测到的概率越低的特点 ,模型假设每个测试用例的故障检测能力与其出现的次序相关 .利用一组公开发表的软件失效数据对这两个模型进行了验证 ,结果表明这两个模型在这组失效数据上均能得到较好的拟合效果 .     

软件可靠性新模型研究(英文)

在讨论当前使用的软件可靠性模型存在的主要缺陷的基础上,提出了一个新的软件可靠性模型.当今应用模型中的可靠性假设条件并不考虑软件本身的复杂性、软件测试的有效性以及软件应用环境的完全性等要素,因此在评估软件可靠性时往往产生不精确的结果.为此将尽可能多的与被测软件可靠性评估有关的因素,结合到软件可靠性模型中去,使得对被测软件的可靠性模型更切合实际,因此使它更为精确.以一个实际的软件测试实验及对该软件进行的可靠性评估为实例,说明所提出观点和方法的合理性和可行性.     

软件可靠性非完全排错情况下的参数估计

20世纪70年代提出的JM模型是最早代表软件可靠性的数学模型,其假设排错是完全的,这与实际情况不相符合。因此,有必要对JM模型假设进行改进,从而提高软件可靠性。在排错是不完全的假设下建立了一个软件可靠性模型,然后运用最大似然估计法进行参数估计,找出了一个比较合理的估计初始错误个数和指数系数的方法。     

一个高精确性综合软件可靠性模型

指出基于软件体系结构的可靠性评估模型不能有效说明软件中组件的可靠性问题,甚至导致软件可靠性不准确甚至不正确的评估.为此提出一个新的基于体系结构和软件中组件的联合可靠性评估模型.其基本思想是通过引入软件复杂性等多个影响软件可靠性的因素,把基于体系结构和基于组件的两种可靠性评估方法组合起来形成一种综合的软件可靠性评估模型.对大型软件的测试结果表明,新的模型具有更强的错误发现能力,从而使软件可靠性评估更充分、更准确,并且能够适应实际应用的需要.     

软件可靠性增长G-O模型的改进

在传统的软件可靠性增长G-O模型中,故障检测率被视为常数,或被视为增函数,或被视为减函数.考虑到测试人员的学习过程和剩余错误数的不断减少,故障检测率应该是一个随时间先增后减的函数,于是提出改进的G-O模型.利用公开发表的两组失效数据对改进模型进行了测试,并与已有模型进行了较,实验结果表明改进G-O模型的拟合能力和预测能力都很好.     

基于模型聚类的软件可靠性混合模型研究

软件可靠性验证阶段的可靠性增长模型的建立与选择是软件可靠性工程人员长期关注的焦点.软件可靠性模型混合是解决模型适应性差、精度低的可行性方法.利用模型聚类的COBWEB算法处理失效数据,对基本分模型进行动态权重混合,以提高软件可靠性评估与预测的精度和稳健性.并利用软件工具对该方法进行模型评价.