CN109857581B - 一种优化选择软件可靠性增长模型的方法 - Google Patents
一种优化选择软件可靠性增长模型的方法 Download PDFInfo
- Publication number
- CN109857581B CN109857581B CN201910083320.0A CN201910083320A CN109857581B CN 109857581 B CN109857581 B CN 109857581B CN 201910083320 A CN201910083320 A CN 201910083320A CN 109857581 B CN109857581 B CN 109857581B
- Authority
- CN
- China
- Prior art keywords
- software reliability
- model
- reliability growth
- models
- growth model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Abstract
Description
技术领域
本发明属于软件可靠性模型技术领域,具体涉及一种优化选择软件可靠性增长模型的方法。
背景技术
自从20世纪70年代以来,经过40多年的发展,软件可靠性模型已经产生数百种之多。但令人遗憾的事,在这些众多的软件可靠性模型中,没有一种模型是通用模型;也就是说没有一种模型能够适合所有的测试情况。这种情况的发生是在意料之中的,首先,建立的软件可靠性模型的假设只是软件测试过程的某一个方面。其次,软件测试过程是一个复杂的过程,既有外部环境的影响,也有内部因素的影响。它还受到客观因素的影响,例如测试环境和测试工具等,以及主观因素的影响,包括测试者的心理和生理变化,管理者的水平等。
如何利用现有的软件可靠性模型,在某个软件测试过程中,使用某种软件可靠性模型更符合当时的测试条件及变化,这是我们需要考虑如何优化选择软件可靠性模型的问题。
发明内容
本发明主要针对现有技术中的问题,提供一种优化选择软件可靠性增长模型的方法。
本发明为解决上述问题而采取的技术方案为:
一种优化选择软件可靠性增长模型的方法,其特征是包括以下步骤:
(1)采用多个软件可靠性增长模型并按照1,2,3,…,n进行编号,假设每一个软件可靠性增长模型有1,2,3,…,m个属性,所有软件可靠性增长模型的所有属性可用下列集合矩阵表示:
其中,m维空间表示为软件可靠性增长模型的每个属性,n维空间表示每个软件可靠性增长模型,C(n+1)m表示n个模型中的第m个属性的最优属性值;
(2)为了避免模型的单个比较标准在选择优化模型时产生干扰,对上述集合矩阵用下面的公式进行标准化处理,
其中i=1,2,3,…n+1和j=1,2,3,…m,n表示软件可靠性增长模型的数量,m表示软件可靠性增长模型的属性的数量,式(1-1)用式(1-2)进行标准化后可以表示为,
式(1-3)通过用下式进行计算,则可以得出每个软件可靠性增长模型优化值,在该优化值中最小值为可选择的最优软件可靠性增长模型
本发明采用上述技术方案,根据每个软件可靠性增长模型都有不同的属性,适合于不同测试环境。例如,均值平方错误(MSE),平方误差和(SSE)和Theil统计(TS)。另外,模型的比较标准也可以看作是软件可靠性增长模型的属性。优化选择的模型在所有模型中一定有最好的属性值。但是,反过来,如果一个软件可靠性增长模型同其它软件可靠性增长模型相比,有所有的属性最优值是不可能的。而本发明通过建立一个评价软件可靠性模型的标准,把各个软件可靠性模型进行打分,然后给它们进行相关的排序,综合考虑各个软件可靠性模型的优缺点,最后从中选出最优的软件可靠性模型。这样不但充分利用了现有的软件可靠性模型资源,同时也改善了软件测试过程的可靠性问题。
附图说明
图1是本发明实施例1验证结果对比图。
具体实施方式
实施例1
一种优化选择软件可靠性增长模型的方法,其特征是包括以下步骤:
(2)采用多个软件可靠性增长模型并按照1,2,3,…,n进行编号,假设每一个软件可靠性增长模型有1,2,3,…,m个属性,所有软件可靠性增长模型的所有属性可用下列集合矩阵表示:
其中,m维空间表示为软件可靠性增长模型的每个属性,n维空间表示每个软件可靠性增长模型,C(n+1)m表示n个模型中的第m个属性的最优属性值;
(2)为了避免模型的单个比较标准在选择优化模型时产生干扰,对上述集合矩阵用下面的公式进行标准化处理,
其中i=1,2,3,…n+1和j=1,2,3,…m,n表示软件可靠性增长模型的数量,m表示软件可靠性增长模型的属性的数量,式(1-1)用式(1-2)进行标准化后可以表示为,
式(1-3)通过用下式进行计算,则可以得出每个软件可靠性增长模型优化值,在该优化值中最小值为可选择的最优软件可靠性增长模型
为了验证优化选择模型的方法的有效性,本发明使用了一个故障数据集以及11个模型比较标准来分别评估模型优化选择方法的可行性和合理性。故障数据集(见表1-1)是来自于于大规模的医药记录系统,包括了188个组件,而且每个组件中有许多文件。另外,我们用故障数据集4的t=1到t=10周来拟合故障数据和估计模型的参数值,剩下的故障数据t=11到t=18周用来验证模型的性能。
表1-1故障数据集[1]
表1-2用故障数据集进行估计每个软件可靠性增长模型的属性值和优化值
1)数据集(DS1):表1-2是用12个软件可靠性增长模型和11个模型比较标准进行相应的估计参数值和计算模型比较标准值后,在进行相应的标准化处理后的结果。其中,11个模型比较标准可以看作是每个软件可靠性增长模型的属性值。通过计算SSD值,并且排序相应的SSD值,具有最小的SSD值的模型被排在第一位,依此类推,最后就可以得出优化选择的软件可靠性增长模型。从表1-3可以看出,排在第一的模型是本章提出的模型,第二是Inflection S-shaped模型,第三是P-Z模型,最差是Yamada DSS SDE模型。这一结果也可以从图1中可以清晰的看到。从图1中,可以看到提出的模型有最好的故障拟合效果以及最准确地预测了软件故障发生的数量。
从图1可以清晰的看到,提出的模型有最好的故障拟合和故障预测的性能,其次是Inflection S-shaped模型,第三是P-Z模型,最差的是Yamada DSS SDE模型。因此,从图1和表1-3的分析可以得出,两者得到的结果是一致的,说明本章提出的优化选择模型的方法是合理和可行的,能够被用在实际的软件测试中软件可靠性增长模型的优化选择上。
表1-3用故障数据集进行软件可靠性增长模型排序情况
Claims (1)
1.一种优化选择软件可靠性增长模型的方法,其特征是包括以下步骤:
(1)采用多个软件可靠性增长模型并按照1,2,3,…,n进行编号,假设每一个软件可靠性增长模型有1,2,3,…,m个属性,所有软件可靠性增长模型的所有属性可用下列集合矩阵表示:
其中,m维空间表示为软件可靠性增长模型的每个属性,n维空间表示每个软件可靠性增长模型,C(n+1)m表示n个模型中的第m个属性的最优属性值;
(2)为了避免模型的单个比较标准在选择优化模型时产生干扰,对上述集合矩阵用下面的公式进行标准化处理,
其中i=1,2,3,…n+1和j=1,2,3,…m,n表示软件可靠性增长模型的数量,m表示软件可靠性增长模型的属性的数量,式(1-1)用式(1-2)进行标准化后可以表示为,
式(1-3)通过用下式进行计算,则可以得出每个软件可靠性增长模型优化值,在该优化值中最小值为可选择的最优软件可靠性增长模型
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910083320.0A CN109857581B (zh) | 2019-01-29 | 2019-01-29 | 一种优化选择软件可靠性增长模型的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910083320.0A CN109857581B (zh) | 2019-01-29 | 2019-01-29 | 一种优化选择软件可靠性增长模型的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109857581A CN109857581A (zh) | 2019-06-07 |
CN109857581B true CN109857581B (zh) | 2021-05-14 |
Family
ID=66896678
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910083320.0A Active CN109857581B (zh) | 2019-01-29 | 2019-01-29 | 一种优化选择软件可靠性增长模型的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109857581B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111045939B (zh) * | 2019-12-09 | 2021-03-30 | 山西大学 | Weibull分布的故障检测开源软件可靠性建模方法 |
CN112612719B (zh) * | 2020-12-31 | 2023-09-22 | 山西大学 | 一种加权标准化优化选择软件可靠性模型方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101710304A (zh) * | 2009-11-27 | 2010-05-19 | 中国科学院软件研究所 | 一种软件过程实施质量评测方法 |
CN107491381A (zh) * | 2017-07-04 | 2017-12-19 | 广西电网有限责任公司电力科学研究院 | 一种设备状态监测数据质量评测系统 |
CN107665172A (zh) * | 2017-10-20 | 2018-02-06 | 北京理工大学 | 一种基于复杂加权软件网络的软件缺陷预测方法 |
WO2018199656A1 (ko) * | 2017-04-28 | 2018-11-01 | 주식회사 효성 | 변전소의 자산 관리 방법 |
-
2019
- 2019-01-29 CN CN201910083320.0A patent/CN109857581B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101710304A (zh) * | 2009-11-27 | 2010-05-19 | 中国科学院软件研究所 | 一种软件过程实施质量评测方法 |
WO2018199656A1 (ko) * | 2017-04-28 | 2018-11-01 | 주식회사 효성 | 변전소의 자산 관리 방법 |
CN107491381A (zh) * | 2017-07-04 | 2017-12-19 | 广西电网有限责任公司电力科学研究院 | 一种设备状态监测数据质量评测系统 |
CN107665172A (zh) * | 2017-10-20 | 2018-02-06 | 北京理工大学 | 一种基于复杂加权软件网络的软件缺陷预测方法 |
Non-Patent Citations (2)
Title |
---|
"考虑故障引进的软件可靠性增长模型研究";王金勇;《中国博士学位论文全文数据库(电子期刊)》;20170215;全文 * |
"故障检测率不规则变化的软件可靠性模型";王金勇;《软件学报》;20151031;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109857581A (zh) | 2019-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Delignette-Muller et al. | fitdistrplus: An R package for fitting distributions | |
CN109857581B (zh) | 一种优化选择软件可靠性增长模型的方法 | |
WO2016101690A1 (zh) | 基于时间序列分析的输变电设备的状态监测数据清洗方法 | |
AU2018214120B2 (en) | System and method for determining an optimum QC strategy for immediate release results | |
CN111199018B (zh) | 异常数据检测方法、装置、存储介质及电子设备 | |
CN107861876A (zh) | 测试方法、装置、计算机设备及可读存储介质 | |
Su | Fitting single and mixture of generalized lambda distributions to data via discretized and maximum likelihood methods: GLDEX in R | |
CN108021509A (zh) | 基于程序行为网络聚合的测试用例动态排序方法 | |
WO2022021420A1 (zh) | 一种根因定位方法及装置、电子设备 | |
CN111984544B (zh) | 设备性能测试方法、装置、电子设备及存储介质 | |
CN109508475A (zh) | 一种基于多维卡尔曼滤波修正的故障主动预测方法 | |
CN108243439B (zh) | 移动互联网数据业务质量劣化定位的方法及系统 | |
CN110008122B (zh) | 一种考虑测试工作量与变动点下的模型建立方法 | |
CN110532122B (zh) | 故障分析方法及系统、电子设备、存储介质 | |
US20140157238A1 (en) | Systems and methods of assessing software quality for hardware devices | |
CN109284320B (zh) | 大数据平台上的自动回归诊断方法 | |
CN112561388A (zh) | 一种基于物联网的信息处理方法、装置及设备 | |
CN114021302A (zh) | 输电线路的寿命评估方法、装置、系统及存储介质 | |
CN105718743A (zh) | 一种多参数变化的加速寿命试验统计分析方法 | |
TW201905725A (zh) | 感應器評估伺服器以及感應器評估方法 | |
CN113778872B (zh) | 一种故障引进下降变化的开源软件可靠性建模方法 | |
CN112612719B (zh) | 一种加权标准化优化选择软件可靠性模型方法 | |
JP2014203330A (ja) | プロダクト品質評価装置及び方法 | |
CN114239318A (zh) | 基于bit的装备可靠性与测试性协同优化方法 | |
Hanakawa et al. | A Computer System Quality metric for Infrastructure with Configuration Files' Changes |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |