CN117891566A - 智能软件的可靠性评估方法、装置、设备、介质和产品 - Google Patents
智能软件的可靠性评估方法、装置、设备、介质和产品 Download PDFInfo
- Publication number
- CN117891566A CN117891566A CN202410302951.8A CN202410302951A CN117891566A CN 117891566 A CN117891566 A CN 117891566A CN 202410302951 A CN202410302951 A CN 202410302951A CN 117891566 A CN117891566 A CN 117891566A
- Authority
- CN
- China
- Prior art keywords
- component
- target
- state transition
- software
- state
- 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.)
- Pending
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 123
- 230000007704 transition Effects 0.000 claims abstract description 267
- 238000004088 simulation Methods 0.000 claims abstract description 181
- 238000000034 method Methods 0.000 claims abstract description 72
- 238000012423 maintenance Methods 0.000 claims description 170
- 238000004590 computer program Methods 0.000 claims description 45
- 230000006870 function Effects 0.000 claims description 43
- 230000004083 survival effect Effects 0.000 claims description 31
- 238000004458 analytical method Methods 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 26
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000013522 software testing Methods 0.000 abstract description 2
- 230000036039 immunity Effects 0.000 description 16
- 208000015181 infectious disease Diseases 0.000 description 12
- 230000008439 repair process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000011084 recovery Methods 0.000 description 10
- 238000012549 training Methods 0.000 description 9
- 238000013473 artificial intelligence Methods 0.000 description 8
- 230000018109 developmental process Effects 0.000 description 8
- 238000012546 transfer Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 208000035473 Communicable disease Diseases 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000002347 injection Methods 0.000 description 5
- 239000007924 injection Substances 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 4
- 239000000243 solution Substances 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 230000007123 defense Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Landscapes
- Debugging And Monitoring (AREA)
Abstract
本申请涉及一种智能软件的可靠性评估方法、装置、设备、介质和产品，涉及软件测试技术领域。方法包括：响应于针对目标软件的可靠性评估指令，获取目标软件中各目标组件对应的状态转移信息；状态转移信息是指各目标组件之间进行状态转移时的转移规则；基于状态转移信息，对各目标组件对应的目标参数进行取值，得到目标参数对应的目标参数值；根据目标参数值，对各目标组件进行仿真运行，得到各目标组件对应的仿真运行结果；基于各仿真运行结果，对目标软件进行可靠性评估，得到目标软件对应的可靠性评估结果。采用本方法能够降低智能软件的早期可靠性评估难度。
Description
技术领域
本申请涉及软件测试技术领域，特别是涉及一种智能软件的可靠性评估方法、装置、设备、介质和产品。
背景技术
软件可靠性评估是指在软件全寿命周期进行的可靠性评估，包括在需求分析、概要设计、详细设计、编码和单元测试阶段进行的可靠性评估。
目前通常是基于黑盒模型来对智能软件进行可靠性评估。然而，基于黑盒模型的软件可靠性评估需要依赖于软件的失效数据，这些失效数据在软件开发后期才能够产生，因此无法对智能软件开发早期进行可靠性评估，导致目前针对智能软件早期的可靠性评估存在一定的难度。
发明内容
基于此，有必要针对上述技术问题，提供一种能够降低智能软件的早期可靠性评估难度的智能软件的可靠性评估方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种智能软件的可靠性评估方法。方法包括：响应于针对目标软件的可靠性评估指令，获取目标软件中各目标组件对应的状态转移信息；状态转移信息是指各目标组件之间进行状态转移时的转移规则；基于状态转移信息，对各目标组件对应的目标参数进行取值，得到目标参数对应的目标参数值；根据目标参数值，对各目标组件进行仿真运行，得到各目标组件对应的仿真运行结果；基于各仿真运行结果，对目标软件进行可靠性评估，得到目标软件对应的可靠性评估结果。
在一实施例中，根据目标参数值，对各目标组件进行仿真运行，得到各目标组件对应的仿真运行结果，包括：根据目标参数值，对各目标组件进行仿真运行，获得仿真运行过程中各目标组件对应的状态转移结果；根据状态转移结果，对各目标组件进行状态维护，得到状态维护结果；在仿真运行时间达到预设仿真时间阈值的情况下，将状态转移结果和状态维护结果共同作为仿真运行结果。
在一实施例中，状态维护结果包括当前维护周期；在根据状态转移结果，对各目标组件进行状态维护，得到状态维护结果的步骤之后，还包括：检测当前维护周期是否达到预设维护周期阈值；若是，则初始化维护资源；维护资源用于对各目标组件进行状态维护；若否，则检测仿真运行时间是否超过预设仿真时间阈值。
在一实施例中，基于状态转移信息，对各目标组件对应的各目标参数进行取值，得到各目标参数对应的目标参数值，包括：提取状态转移信息中各目标组件对应的各状态转移特征；获取各状态转移特征分别对应的特征值，以及各目标参数对应的目标函数；将各特征值输入目标函数中，得到各目标参数对应的目标参数值。
在一实施例中，目标组件包括智能组件和基础组件，状态转移信息包括智能组件对应的第一状态转移信息和基础组件对应的第二状态转移信息；在响应于针对目标软件的可靠性评估指令，获取目标软件中各目标组件对应的状态转移信息的步骤之前，还包括：分别对智能组件和基础组件进行状态建模，得到智能组件对应的第一状态模型和基础组件对应的第二状态模型；获取智能组件对应的第一内部影响因素、基础组件对应的第二内部影响因素、以及外部影响因素；基于第一内部影响因素、外部影响因素和第一状态模型，对智能组件进行状态转移分析，得到第一状态转移信息；基于第二内部影响因素、外部影响因素和第二状态模型，对基础组件进行状态转移分析，得到第二状态转移信息。
在一实施例中，在分别对智能组件和基础组件进行状态建模的步骤之前，还包括：对目标软件进行组件分割，得到各初始组件；获取各初始组件对应的组件属性；组件属性用于表示初始组件是否配置有智能化资源；基于组件属性，对各初始组件进行分类，得到智能组件和基础组件。
在一实施例中，可靠性评估结果包括组件存活比，状态转移结果包括正常组件数量；基于各仿真运行结果，对目标软件进行可靠性评估，得到目标软件对应的可靠性评估结果，包括：获取各目标组件对应的组件总数量；根据正常组件数量和组件总数量，对目标软件进行组件存活分析，得到目标软件对应的存活组件比；存活组件比用于表示各目标组件在仿真运行过程中的存活率。
在一实施例中，可靠性评估结果还包括平均失效间隔时长，状态转移结果包括组件失效次数；基于各仿真运行结果，对目标软件进行可靠性评估，得到目标软件对应的可靠性评估结果，还包括：获取组件失效次数对应的失效组件；基于状态维护结果，确定失效组件在经状态维护之后所对应的工作持续时长；根据工作持续时长和组件失效次数，确定目标软件对应的平均失效间隔时长。
第二方面，本申请还提供了一种智能软件的可靠性评估装置。装置包括：信息获取模块，用于响应于针对目标软件的可靠性评估指令，获取目标软件中各目标组件对应的状态转移信息；状态转移信息是指各目标组件之间进行状态转移时的转移规则；取值模块，用于基于状态转移信息，对各目标组件对应的目标参数进行取值，得到目标参数对应的目标参数值；仿真运行模块，用于根据目标参数值，对各目标组件进行仿真运行，得到各目标组件对应的仿真运行结果；可靠性评估模块，用于基于各仿真运行结果，对目标软件进行可靠性评估，得到目标软件对应的可靠性评估结果。
第三方面，本申请还提供了一种计算机设备。计算机设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：响应于针对目标软件的可靠性评估指令，获取目标软件中各目标组件对应的状态转移信息；状态转移信息是指各目标组件之间进行状态转移时的转移规则；基于状态转移信息，对各目标组件对应的目标参数进行取值，得到目标参数对应的目标参数值；根据目标参数值，对各目标组件进行仿真运行，得到各目标组件对应的仿真运行结果；基于各仿真运行结果，对目标软件进行可靠性评估，得到目标软件对应的可靠性评估结果。
第四方面，本申请还提供了一种计算机可读存储介质。计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：响应于针对目标软件的可靠性评估指令，获取目标软件中各目标组件对应的状态转移信息；状态转移信息是指各目标组件之间进行状态转移时的转移规则；基于状态转移信息，对各目标组件对应的目标参数进行取值，得到目标参数对应的目标参数值；根据目标参数值，对各目标组件进行仿真运行，得到各目标组件对应的仿真运行结果；基于各仿真运行结果，对目标软件进行可靠性评估，得到目标软件对应的可靠性评估结果。
第五方面，本申请还提供了一种计算机程序产品。计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：响应于针对目标软件的可靠性评估指令，获取目标软件中各目标组件对应的状态转移信息；状态转移信息是指各目标组件之间进行状态转移时的转移规则；基于状态转移信息，对各目标组件对应的目标参数进行取值，得到目标参数对应的目标参数值；根据目标参数值，对各目标组件进行仿真运行，得到各目标组件对应的仿真运行结果；基于各仿真运行结果，对目标软件进行可靠性评估，得到目标软件对应的可靠性评估结果。
上述智能软件的可靠性评估方法、装置、计算机设备、计算机可读存储介质和计算机程序产品，首先响应于针对目标软件的可靠性评估指令，获取目标软件中各目标组件对应的状态转移信息，状态转移信息是指各目标组件之间进行状态转移时的转移规则。从而基于该状态转移信息，对各目标组件对应的目标参数进行取值，能够准确的得到目标参数对应的目标参数值，以提高后续根据目标参数值对各目标组件进行仿真运行的准确性，从而得到更加准确的各目标组件对应的仿真运行结果。最后基于各目标组件的仿真运行结果，对整个目标软件进行可靠性评估，得到目标软件的可靠性评估结果。利用仿真运行技术，能够模拟软件的真实运行过程，无需依赖软件后期的数据进行可靠性评估，从而有效降低了智能软件的早期可靠性评估的难度。
附图说明
图1为一个实施例中智能软件的可靠性评估方法的应用场景示意图；
图2为一个实施例中智能软件的可靠性评估方法的流程示意图；
图3为一个实施例中获取仿真运行结果的流程示意图；
图4为一个实施例中维护周期检测的流程示意图；
图5为一个实施例中状态建模以及状态转移分析的流程示意图；
图6为一个实施例中SEIRS-F传染病模型的示意图；
图7为一个实施例中确定目标参数值的流程示意图；
图8为一个实施例中组件分类的流程示意图；
图9为一个实施例中计算存活组件比的流程示意图；
图10为一个实施例中计算平均失效间隔时长的流程示意图；
图11为一个实施例中智能软件的可靠性评估方法的具体流程示意图；
图12为一个实施例中智能软件的可靠性评估方法的具体仿真运行流程示意图；
图13为一个实施例中智能软件的可靠性评估装置的结构框图；
图14为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
随着人工智能的快速发展，人工智能软件也增长迅猛。人工智能软件系统是一种基于人工智能技术产生人类智能行为的计算机软件系统，在医疗、交通、金融等关键领域得到了广泛关注和加速应用。然而，人工智能软件与传统软件差异巨大，人工智能软件系统涌现出强适应性和进化性、弱泛化性、弱可解释性、高不确定性、失效机理不明确等一系列新特性，基于此，人工智能软件系统的新特性对软件可靠性提出了高要求。
软件可靠性评估是指在软件全寿命周期进行的可靠性评估，包括在需求分析、概要设计、详细设计、编码和单元测试阶段进行的可靠性评估。人工智能软件的可靠性不准确，容易带来软件产品故障频发、维护成本增加等影响，因此，开展人工智能软件的可靠性研究是有必要的。
目前通常是基于黑盒模型来对人工智能软件进行可靠性评估。然而，基于黑盒模型的人工智能软件的可靠性评估需要依赖于软件的失效数据，这些失效数据要在软件开发后期才能够产生，因此无法对软件开发早期进行可靠性评估，导致目前针对软件早期的可靠性评估存在一定的难度。可以理解的是，开展人工智能软件的可靠性早期预计，可以提升系统体系结构层次上的设计周密性，可以很大程度上确保软件的高可靠性，由于智能组件和其他软件模块间具有较高的独立性，遵循的开发生命周期过程也不尽相同，因此从体系结构的角度来看，人工智能软件系统的各个模块耦合度较低，适合在早期开展可靠性早期预计工作，有助于体系架构的调整和可靠性的提升。
本公开实施例提供的智能软件的可靠性评估方法，可以应用于如图1所示的应用环境中。包括服务器102和终端104，服务器102与终端104通信。具体的，服务器102在接收到终端104发送的针对目标软件的可靠性评估指令时，获取该目标软件中各目标组件对应的状态转移信息，状态转移信息是指各目标组件之间进行状态转移时的转移规则。接着基于状态转移信息，服务器102对各目标组件对应的目标参数进行取值，得到目标参数对应的目标参数值。再根据目标参数值，对各目标组件进行仿真运行，得到各目标组件对应的仿真运行结果。最后基于各仿真运行结果，对目标软件进行可靠性评估，得到目标软件对应的可靠性评估结果。其中，服务器102可以用独立的服务器或者是多个服务器组成的服务器集群来实现，终端104可以但不限于是各种台式计算机、笔记本电脑、智能手机、平板电脑、物联网设备。
在一个实施例中，如图2所示，提供了一种智能软件的可靠性评估方法，以该方法应用于图1中的服务器102为例进行说明，包括以下步骤：
步骤S202，响应于针对目标软件的可靠性评估指令，获取目标软件中各目标组件对应的状态转移信息。
其中，状态转移信息是指各目标组件之间进行状态转移时的转移规则，状态转移是指各目标组件在各个组件状态中进行转移的过程。目标软件可以是指需要进行可靠性评估的人工智能软件。可靠性评估指令可以是指用于指示对目标软件进行可靠性评估的指令。目标组件可以是指目标软件的软件单元，各个目标组件共同构成了整个目标软件系统。
在一实施例中，状态可以包括易感、暴露、感染、恢复和失效。易感是指组件正常工作，没有发生失效，但后续可能转变为感染状态或失效状态。暴露是指组件接收到来自外部的异常输入，目前组件状态正常或处于性能下降状态，不会将失效状态转移到相邻组件。感染是指组件接收到来自外部的异常输入并发生失效，失效状态可能转移到相邻组件。恢复是指组件由暴露状态或感染状态恢复到正常即易感状态，并获得对外部异常输入的免疫。失效是指组件由于内部故障、外部异常输入等原因，处于失效状态。
在一实施例中，目标组件可以包括智能组件和基础组件。
具体的，服务器在接收到针对目标软件即人工智能软件的可靠性评估指令时，首先可提取目标软件中的各个目标组件即智能组件和基础组件，服务器中可以预先存储智能组件和基础组件各自在进行状态转移时的转移规则，如此，在进行可靠性评估时，服务器可直接调用该转移规则。
步骤S204，基于状态转移信息，对各目标组件对应的目标参数进行取值，得到目标参数对应的目标参数值。
其中，目标参数可以是指目标软件在运行时所对应的运行参数。目标参数值可以是指目标参数对应的具体数值。
在一示例中，目标参数可以包括但不限于是智能组件故障传播概率、基础组件故障传播概率、初始智能组件感染数量、初始基础组件感染数量、初始智能组件失效数量、初始基础组件失效数量、智能组件失效率、基础组件失效率、智能组件免疫力持续时间、基础组件免疫力持续时间、智能组件恢复概率、基础组件恢复概率、智能组件获得免疫力概率、基础组件获得免疫力概率、维护资源数量、维护行为，其中，维护行为可以包括冗余、修复、重试中的任意一种或者多种，冗余是重复配置软件系统的一些组件，当系统发生故障时，冗余配置的组件介入并承担故障组件的工作，由此减少软件系统的故障时间，修复是指进行组件修复，重试是指重启组件。
具体的，服务器获取到智能组件和基础组件各自的状态转移信息之后，可对状态转移信息进行特征提取，得到状态转移特征，再将状态转移特征输入各目标参数对应的目标函数中，输出各目标参数对应的目标参数值。
步骤S206，根据目标参数值，对各目标组件进行仿真运行，得到各目标组件对应的仿真运行结果。
其中，仿真运行结果可以是用于表示各目标组件在仿真运行过程中的状态变化情况。在一示例中，仿真运行结果可以包括状态转移结果和状态维护结果。
具体的，服务器计算出各目标参数对应的目标参数值之后，基于这些目标参数值，控制智能组件和基础组件进行仿真运行，以模拟目标软件的真实运行场景，得到仿真运行过程中的智能组件和基础组件各自的状态变化情况，即状态转移结果和状态维护结果。
步骤S208，基于各仿真运行结果，对目标软件进行可靠性评估，得到目标软件对应的可靠性评估结果。
其中，可靠性评估结果可以是指用于描述目标软件可靠性的结果。在一示例中，可靠性评估结果可以包括组件存活比和平均失效间隔时长。
具体的，根据智能组件和基础组件各自的状态转移结果和状态维护结果，服务器计算目标软件的组件存活比和平均失效间隔时长，以此来评估目标软件的软件可靠性。
本实施例中，服务器首先响应于针对目标软件的可靠性评估指令，获取目标软件中各目标组件对应的状态转移信息，状态转移信息是指各目标组件之间进行状态转移时的转移规则。从而基于该状态转移信息，对各目标组件对应的目标参数进行取值，能够准确的得到目标参数对应的目标参数值，以提高后续根据目标参数值对各目标组件进行仿真运行的准确性，从而得到更加准确的各目标组件对应的仿真运行结果。最后基于各目标组件的仿真运行结果，对整个目标软件进行可靠性评估，得到目标软件的可靠性评估结果。利用仿真运行技术，能够模拟软件的真实运行过程，无需依赖软件后期的数据进行可靠性评估，从而有效降低了智能软件的早期可靠性评估的难度。
在一个实施例中，如图3所示，根据目标参数值，对各目标组件进行仿真运行，得到各目标组件对应的仿真运行结果，包括：
步骤S302，根据目标参数值，对各目标组件进行仿真运行，获得仿真运行过程中各目标组件对应的状态转移结果。
其中，状态转移结果可以是指各目标组件在仿真运行过程中，组件状态的转移情况。
比如，智能组件从初始的易感状态转移成失效状态，或者智能组件因超过免疫力持续时间而丧失对故障传播的免疫力，重新转为易感状态，然后故障会在未免疫的相邻组件之间传播，将易感状态的组件转换为感染状态、暴露状态或者失效状态。
具体的，服务器根据目标参数值，控制智能组件和基础组件进行仿真运行，并记录仿真运行过程，智能组件和基础组件的状态转移情况。
在一实施例中，目标组件的仿真运行过程可以使用蒙特卡洛仿真方法进行，蒙特卡洛仿真方法是基于概率统计理论和计算机模拟技术，其主要思想是通过对模型中的随机变量也即本实施例中的目标参数进行模拟，从而得到目标问题的近似解，是一种更为通用的求解方法。除此之外，还可以使用离散时间马尔可夫链、随机佩特里网、染色佩特里网等方法进行仿真运行。
步骤S304，根据状态转移结果，对各目标组件进行状态维护，得到状态维护结果。
其中，状态维护结果可以是指针对各目标组件在仿真运行过程中的状态变化进行维护的结果。
在一示例中，状态维护结果可以包括维护资源数量、维护时间、维护时长、当前维护周期等。
具体的，在各目标组件完成状态转移之后，服务器可进入维护阶段，即对所有处于失效状态的组件进行维护，使之从失效状态转为易感状态，并记录在维护过程中的维护资源数量、维护时间、维护时长、当前维护周期等信息。可以理解的是，当维护资源数量为零的时候，无法对组件进行维护。
步骤S306，在仿真运行时间达到预设仿真时间阈值的情况下，将状态转移结果和状态维护结果共同作为仿真运行结果。
其中，仿真运行时间可以是指当前仿真运行的运行时间。预设仿真时间阈值可以是指预先设定的每轮仿真运行的基准时长。
具体的，在当前仿真运行的运行时间达到预先设定的每轮仿真运行的基准时长时，可停止仿真，并将当前仿真过程中产生的状态转移结果和状态维护结果共同作为仿真运行结果。
在一实施例中，还可预先设定时间片阈值，在仿真运行时间片数量达到预先设定的时间片阈值时，停止仿真，可以理解的是，时间片可以是指仿真运行的时长，时间片数量可以是指达到仿真运行的时长的次数，在每一个时间片的最后，记录当前时间片对应的仿真运行结果。
本实施例中，通过对目标组件进行仿真运行，并记录仿真运行过程中组件的状态转移情况和状态维护情况，在仿真运行时间达到预设仿真时间阈值时，停止仿真，记录当前的仿真运行结果。以模拟组件的真实状态转移过程和真实维护过程，提高了仿真运行结果的真实性和可靠性，进一步提高了后续目标软件的可靠性评估结果的真实性和可靠性。
在一个实施例中，如图4所示，在根据状态转移结果，对各目标组件进行状态维护，得到状态维护结果的步骤之后，还包括：
步骤S402，检测当前维护周期是否达到预设维护周期阈值。
步骤S404，若是，则初始化维护资源。
其中，当前维护周期可以是指对目标组件进行维护的周期，可以包括从识别到需要维护的组件到修复该组件的整个周期。预设维护周期阈值可以是指预先设定的维护周期的基准值。维护资源可以是指对目标组件的组件状态进行维护的资源，用于对各目标组件进行状态维护，在一示例中，维护资源可以包括但不限于维护设备、维护算力、维护人员、维护工时等。可以理解的是，考虑到在实际应用中，维护设备和维护人员具备工作周期，故在本实施例中，将维护资源同样设定为周期性的，以贴合实际应用场景。
具体的，服务器可实时获取当前维护周期，并判断当前维护周期是否达到预设维护周期阈值，在达到预设维护周期阈值的情况下，初始化维护资源，并实时检测仿真运行时间是否超过预设仿真时间阈值。
步骤S406，若否，则检测仿真运行时间是否超过预设仿真时间阈值。
具体的，在当前维护周期没有达到预设维护周期阈值时，则对维护资源不做处理，并实时检测仿真运行时间是否超过预设仿真时间阈值。
本实施例中，考虑到在实际应用中，维护设备和维护人员具备工作周期，故在本实施例中，将维护资源同样设定为周期性的，并在当前维护周期达到预设维护周期阈值时，初始化维护资源，以贴合实际应用场景，从而提高仿真运行结果的真实性和可靠性。
在一个实施例中，如图5所示，在响应于针对目标软件的可靠性评估指令，获取目标软件中各目标组件对应的状态转移信息的步骤之前，还包括：
步骤S502，分别对智能组件和基础组件进行状态建模，得到智能组件对应的第一状态模型和基础组件对应的第二状态模型。
其中，智能组件可以是指包含人工智能算法的组件，基础组件可以是指不包含人工智能算法的组件。第一状态模型可以是指智能组件的组件状态对应的模型，第二状态模型可以是指基础组件的组件状态对应的模型。
在一实施例中，第一状态模型和第二状态模型可以相同。
具体的，可基于SEIRS-F传染病模型对智能组件和基础组件进行状态建模，状态转移关系可如图6所示。SEIRS-F传染病模型是一种改进的传染病模型，主要用于无线传感器网络等复杂网络，支持组件的内部状态（正常/失效）转移、外部输入（异常输入/外部攻击等）的状态感知及转移，以及组件维护后的状态变迁。
在一实施例中，组件节点总数量满足：
其中，表示易感组件数量，/>表示暴露组件数量，/>表示感染组件数量，/>表示恢复组件数量，/>表示失效组件数量。
智能组件i对应的第一状态模型或者基础组件i对应的第二状态模型可以为：
步骤S504，获取智能组件对应的第一内部影响因素、基础组件对应的第二内部影响因素、以及外部影响因素。
其中，在人工智能软件中，智能组件和基础组件受内部失效、外部环境等因素影响，逐渐具备故障传播能力，提升故障传播强度，并随着组件的维护降低传播能力、降低故障传播强度以及提升可靠度等级，因此本实施例中获取影响智能组件和基础组件的因素。第一内部影响因素可以是指智能组件本身的影响因素，可以包括但不限于智能组件可靠性状态、测试集下可靠性等级、对抗攻击场景下可靠性等级、数据扰动场景下可靠性等级、分布场景下可靠性等级、故障注入场景下可靠性等级以及智能组件传播能力。第二内部影响因素可以是指基础组件本身的影响因素，可以包括但不限于基础组件可靠性状态、基础组件可靠性等级、基础组件传播能力。外部影响因素可以包括但不限于故障传播、环境因素和维护因素，故障传播可以包括但不限于故障传播强度和故障传播目标，环境因素可以包括但不限于对抗攻击/恶意攻击风险、数据扰动风险、故障模式激活风险和分布外数据风险，维护因素可以包括但不限于维护资源、维护行为和剩余维护时间。
在一实施例中，智能组件可靠性状态可以包括正常状态和失效状态。在正常状态下，智能组件可以实现预期的功能，如预测、生成等。而在失效状态下，这些功能中的一个或全部不能完成。测试集下可靠性等级可以是指智能组件在指定测试集下的预测能力，可分为高等级、中等级和低等级。对抗攻击场景下可靠性等级可以是指智能组件在对抗攻击场景下的预测能力，可分为高等级、中等级和低等级。可参考领域基准模型在分布外场景下的预测能力确定被测对象在对抗攻击场景下的可靠性等级，或者按照以下方法快速判断：高等级对应已使用可信的对抗防御方法，中等级对应已使用基础的对抗防御方法，低等级对应未使用对抗防御方法。数据扰动场景下可靠性等级可以是指智能组件在数据扰动场景下的预测能力，可分为高等级、中等级和低等级，可参考领域基准模型在数据扰动场景下的预测能力确定被测对象在数据扰动场景下的可靠性等级，或者按照以下方法快速判断：高等级对应已使用可信的数据扰动方法扩充训练集，中等级对应已使用基础的数据扰动方法扩充训练集，低等级对应未使用数据扰动方法扩充训练集。分布外场景下可靠性等级可以是指智能组件在分布外场景下的预测能力，可分为高等级、中等级和低等级，可参考领域基准模型在分布外场景下的预测能力确定被测对象在分布外场景下的可靠性等级。或者按照以下方法快速判断：高等级对应已使用真实或接近真实的分布外场景数据扩充训练集，中等级对应已使用合成的分布外场景数据扩充训练集，低等级对应未使用分布外场景数据扩充训练集。故障注入场景下可靠性等级可以是指智能组件在故障注入场景下的预测能力，可分为高等级、中等级和低等级，可参考领域基准模型在故障注入场景下的预测能力确定被测对象在故障注入场景下的可靠性等级，或者按照以下方法快速判断：高等级对应面向被测智能组件开展故障模式与失效影响分析（FMEA）并针对分析结果扩充训练集，中等级对应基于经验面向被测智能组件部分失效模式扩充训练集，低等级对应未基于智能组件失效模式扩充训练集。智能组件传播能力可以是指智能组件向相邻组件传播故障的能力。
在一实施例中，基础组件可靠性状态同样可包括正常状态和失效状态。在正常状态下，基础组件可以实现预期的功能。而在失效状态下，这些功能中的一个或全部不能完成。基础组件可靠性等级可被分为高等级、中等级和低等级，对应于可靠性等级从高到低的软件基本组件。可采用专家评分法、历史经验法等快速预计基础组件的可靠性等级。基础组件传播能力可以是指基础组件向相邻组件传播故障的能力。
在一实施例中，故障传播可以对软件服务造成损害。基于对质量可靠性的考虑，考虑故障传播的以下特征：故障传播强度，故障传播强度越高，故障传播至相邻组件的可能性就越大，传播强度可以分为高强度、低强度和中强度。故障传播的目标可以是智能组件或基础组件，智能组件和基础组件的失效模式差异较大，典型的智能组件故障（如对抗攻击，分布外数据输入）不会导致基础组件的失效，反之亦然。
在一实施例中，由于基础组件受物理环境影响较小，环境主要关注外部环境对智能组件运行的影响。按照智能组件可能遭遇的外部环境风险来描述环境，包括对抗攻击/恶意攻击风险，如果软件用户包括敌对用户，这通常意味着高对抗攻击风险或高恶意攻击风险。数据扰动风险，如果软件用户包括敌对用户，这通常意味着高数据扰动风险。故障模式激活风险，如果智能软件应用于较为严苛的条件包括硬件条件、软件条件、环境条件等或软件研制过程可靠性工作不完善，这通常意味着高故障模式激活风险。分布外数据风险，如果智能软件系统使用场景随时间变化较大如变化的地点、天气、使用者等，这通常意味着高分布外数据风险。
在一实施例中，维护与维护资源、维护行为和维护周期有关。智能软件系统的可靠性需要在组件发生故障后通过恢复组件的功能来维持，否则可靠运行的组件数量可能会持续下降。维护资源是指可用的维护资源，通常意味着设备和人工，而且是总额受限的，这里将维护资源的数量设定为低、中、高三个档次。常见的维护行为包括修复、冗余、重试等。每个维护周期可以重置剩余的维护资源，设定为低、中、高三个档次。一次性投入的维护资源必然有一个上限（例如维护设备数量和算力、维修人员的总工时等），考虑到人和设备的工作周期，所以将维护资源的恢复设计为周期性的。
在一实施例中，免疫力持续时间反映了处于恢复状态的节点对短时间内同类故障的免疫能力所持续的时间。免疫力持续时间不是一个独立变量，它和组件的可靠性等级和故障传播强度相关，可通过实际情况设置。
在一实施例中，第一内部影响因素、第二内部影响因素和外部影响因素可记录如表1所示。
表1
步骤S506，基于第一内部影响因素、外部影响因素和第一状态模型，对智能组件进行状态转移分析，得到第一状态转移信息。
步骤S508，基于第二内部影响因素、外部影响因素和所述第二状态模型，对基础组件进行状态转移分析，得到第二状态转移信息。
其中，第一状态转移信息可以是指智能组件对应的第一状态转移规则和第一状态转移前提，第一状态转移规则可以是指智能组件进行状态转移时的转移规则，第一状态转移前提可以是指智能组件进行状态转移的前提条件。第二状态转移信息可以是指基础组件对应的第二状态转移规则和第二状态转移前提，第二状态转移规则可以是指基础组件进行状态转移时的转移规则，第二状态转移前提可以是指基础组件进行状态转移的前提条件。
具体的，基于智能组件的第一内部影响因素和智能组件的第一状态模型，对智能组件进行状态转移的规则和转移前提进行分析，得到智能组件的第一状态转移规则和第一状态转移前提。以及基于基础组件的第二内部影响因素和基础组件的第二状态模型，对基础组件进行状态转移的规则和转移前提进行分析，得到基础组件的第一状态转移规则和第一状态转移前提。第一状态转移信息和第二状态信息共同构成了状态转移信息。
本实施例中，通过对智能组件和基础组件进行状态建模，以获得两者的状态模型，并获取两者各自的内部影响因素和外部影响因素，从而生成智能组件和基础组件各自对应的状态转移信息，提高了状态转移信息的准确性，从而提高后续基于状态转移信息设定目标参数值的准确性。
在一个实施例中，如图7所示，基于状态转移信息，对各目标组件对应的各目标参数进行取值，得到各目标参数对应的目标参数值，包括：
步骤S702，提取状态转移信息中各目标组件对应的各状态转移特征。
在一实施例中，状态转移信息可以如表2所示。
表2
其中，P表示状态转移概率，时刻表示起始时刻，默认所有组件的起始时刻的状态为易感状态，此时各组件状态只受外部环境影响，由易感状态向暴露、感染、失效状态依状态转移概率进行随机状态转移。/>到/>时间段，对所有组件按规定的状态转移规则进行状态转移，此时各组件状态主要由组件自身的可靠性水平和对组件间故障传播的抵御能力决定。需要说明的是，具体的状态转移规则和状态转移前提在此不做限制，可根据实际情况进行设定。
具体的，对状态转移信息中的状态转移规则进行特征提取，得到各目标组件对应的各状态转移特征。
比如，对表2中的状态转移规则进行特征提取，得到状态转移规则特征。
步骤S704，获取各状态转移特征分别对应的特征值，以及各目标参数对应的目标函数。
步骤S706，将各特征值输入所述目标函数中，得到各目标参数对应的目标参数值。
其中，特征值可以是指状态转移特征对应的数值。目标函数可以是指计算目标参数的数学函数，目标函数可以包括但不限于是初始感染组件数量函数、故障传播概率函数、初始失效组件函数、组件失效率函数、感染组件恢复概率和获得免疫力概率函数。
具体的，获取状态转移特征对应的特征值，将这些特征值输入初始感染组件数量函数、故障传播概率函数、初始失效组件函数、组件失效率函数、感染组件恢复概率和获得免疫力概率函数中，输入每个函数的函数值即目标参数值。
在一实施例中，初始感染组件数量函数是指起始时刻处于感染状态的组件的数量函数，初始感染组件数量函数的表达式可以如下：
Average()函数为取一组定性变量，如低、中、高的平均值，其输出为与这组定性变量平均水平最为接近的定性结果，N为组件数量。
在一实施例中，故障传播概率指处于故障状态的组件向其他组件传播故障，导致其他组件处于故障概率的函数，故障传播概率函数的表达式可以如下：
在一实施例中，初始失效组件函数是指起始时刻处于失效状态的组件的数量函数，初始失效组件函数的表达式可以如下：
在一实施例中，组件失效率函数是指计算组件失效概率的函数，组件失效率函数的表达式可以如下：/>
在一实施例中，感染组件恢复概率和获得免疫力概率函数是指处于感染状态的组件恢复的概率和恢复后短时间内抵御同类失效的概率，感染组件恢复概率和获得免疫力概率函数的表达式可以如下：
本实施例中，通过提取状态转移特征以及状态转移特征对应的特征值，并将特征值输入目标函数中，从而得到目标参数对应的目标参数值，提高了目标参数值的准确性，从而提高后续基于目标参数值进行组件仿真运行的准确性。
在一实施例中，不同应用场景下，人工智能软件的智能组件和基础组件均存在较大的差异，故进一步考虑到不同应用场景下的目标参数值，具体的，不同应用场景下的目标参数值可如表3所示。
表3
在一实施例中，如图8所示，在分别对智能组件和基础组件进行状态建模的步骤之前，还包括：
步骤S802，对目标软件进行组件分割，得到各初始组件。
步骤S804，获取各初始组件对应的组件属性。
其中，初始组件可以是指对目标软件进行初始分割之后得到的各组件。组件属性用于表示初始组件是否配置有智能化资源。智能化资源可以为人工智能算法。
具体的，服务器可首先对目标软件进行组件分割，可根据组件的结构进行分割，具体分割方式在此不做限制。分割之后得到多个初始组件，接着获取各初始组件的组件属性，以判断初始组件是否配置有人工智能算法。
步骤S806，基于组件属性，对各初始组件进行分类，得到智能组件和所述基础组件。
具体的，将配置有人工智能算法的初始组件归纳为智能组件，而将没有配置人工智能算法的初始组件归纳为基础组件。
本实施例中，通过对组件进行分类，以区分出配置有智能化资源的智能组件和没有配置有智能化资源的基础组件，以便于后续对智能组件和基础组件进行针对性的可靠性分析，进一步提高整个智能软件的可靠性评估的准确性。
在一实施例中，如图9所示，基于各仿真运行结果，对目标软件进行可靠性评估，得到目标软件对应的可靠性评估结果，包括：
步骤S902，获取各目标组件对应的组件总数量；
步骤S904，根据正常组件数量和组件总数量，对目标软件进行组件存活分析，得到目标软件对应的存活组件比。
其中，可靠性评估结果可包括组件存活比，状态转移结果可包括正常组件数量，存活组件比用于表示各目标组件在仿真运行过程中的存活率。
具体的，获取目标组件在初始时刻的组件总数量，即初始时刻智能组件和初始时刻基础组件的数量之和，并在组件仿真运行结束之后，从状态转移结果中提取出当前的正常组件数量即处于正常状态的智能组件与处于正常状态的基础组件的组件之和，并将正常组件数量和组件总数量之间的比值作为目标软件的存活组件比。存活组件比越高，目标软件越可靠。
在一实施例中，存活组件比的表达式可以为：
其中，PLC(t)表示存活组件比，MCS(t)表示正常组件数量，N(0)表示组件总数量。
在一实施例中，如图10所示，基于各仿真运行结果，对目标软件进行可靠性评估，得到目标软件对应的可靠性评估结果，还包括：
步骤S1002，获取组件失效次数对应的失效组件。
步骤S1004，基于状态维护结果，确定失效组件在经状态维护之后所对应的工作持续时长。
其中，组件失效次数可以从状态转移结果从提取得到，组件失效次数是指发生的失效次数，失效组件是指每一次组件失效所对应的组件。工作持续时长可以是指失效组件在经状态维护之后重新工作的工作时长。
具体的，可根据状态维护结果，提取到经过维护之后的失效组件，并统计该失效组件重新投入使用后的工作持续时间。
步骤S1006，根据工作持续时长和组件失效次数，确定目标软件对应的平均失效间隔时长。
其中，平均失效间隔时长可以是用于表征失效组件在经过维护之后重新工作的平均工作时长。在一实施例中，平均失效间隔时长的计算表达式可以为：
其中，MTBF表示平均失效间隔时长，表示失效次数，i表示失效组件。平均失效间隔时长越长，目标软件越可靠。/>
在一实施例中，还可根据实际需求，计算目标软件的平均修复时间（Mean Time ToRepair，MTTR），平均修复时间是指组件修复时间的平均值，修复时间是从发现故障到组件恢复到规定的功能所需的时间，即故障诊断（定位故障）、修理准备、实施修理、恢复及检验等所用的时间。基于平均修复时间来评估软件可靠性，即平均修复时间越短软件越可靠。
在一实施例中，还可计算有效性来评估目标软件的可靠性，有效性是可维修组件在某时刻具有或维持规定功能的能力，有效性的表达式可以为：
在一实施例中，还可计算软件可靠性、软件失效强度等指标来评估目标软件的可靠性。软件可靠性是指软件在规定的运行环境中和规定的时间内无失效运行的概率。软件失效强度是指工作到某时刻尚未发生失效的软件，在该时刻后单位时间内发生失效的概率。
在一具体实施例中，如图11所示，智能软件的可靠性评估方法的步骤可以包括：
S1：对目标软件进行组件分割，得到各初始组件，获取各初始组件对应的组件属性，组件属性用于表示初始组件是否配置有智能化资源，基于组件属性，对各所述初始组件进行分类，得到配置有智能化资源的智能组件和未配置有智能化资源的基础组件。
S2：基于SEIRS-F传染病模型，对智能组件和基础组件进行状态建模，得到智能组件对应的第一状态模型和基础组件对应的第二状态模型。
S3：基于智能组件对应的第一内部影响因素、基础组件对应的第二内部影响因素、以及外部影响因素，对智能组件进行状态转移分析，得到第一状态转移信息，第一状态转移信息包括第一状态转移规则和第一状态转移前提，以及基于第二内部影响因素、外部影响因素和第二状态模型，对基础组件进行状态转移分析，得到第二状态转移信息，第二状态转移信息包括第二状态转移规则和第二状态转移前提。
S4：响应于针对目标软件的可靠性评估指令，获取智能组件对应的第一状态转移规则和第一状态转移前提，以及基础组件对应的第二状态转移规则和第二状态转移前提，基于第一状态转移规则、第一状态转移前提、第二状态转移规则和第二状态转移前提，对智能组件和基础组件各自对应的目标参数进行建立及取值，得到目标参数对应的目标参数值。
S5：根据目标参数值，对智能组件和基础组件进行仿真运行，如图12所示，首先初始化组件状态和初始化维护资源，将当前的维护周期设定为零，以及将当前的仿真计时设定为零。开始仿真计时之后，在每一个时间片，各组件可根据状态转移概率进行状态转移，比如可以转移至失效状态，则组件失效，同时有些恢复组件会因超出免疫力持续时间而丧失对故障传播的免疫力，重新转为易感组件，然后故障会在未免疫的相邻组件之间传播，将易感组件转换为感染组件、暴露组件和失效组件，将这些状态转移情况记录为状态转移结果。再之后进入维护阶段，对所有失效组件进行维护，使之从失效状态转为易感状态，维护会消耗一定的维护资源，将维护情况记录为状态维护结果。每轮维护之后维护周期计时加一，仿真计时加一，并检测维护周期计时是否达到预设维护周期阈值，若是，则初始化维护资源，若否，则检测当前仿真运行时间是否超过预设仿真时间阈值，在仿真运行时间达到预设仿真时间阈值的情况下，将状态转移结果和状态维护结果共同作为仿真运行结果，在仿真运行时间未达到预设仿真时间阈值的情况下，同样记录当前的仿真运行结果，并返回组件失效步骤，即继续记录组件的状态转移情况。将状态转移结果和状态维护结果共同作为仿真运行结果。最后基于仿真运行结果，计算目标软件的存活组件比和平均失效间隔时长，基于存活组件比和平均失效间隔时长对目标软件进行可靠性评估，得到目标软件对应的可靠性评估结果。
本实施例中，首先响应于针对目标软件的可靠性评估指令，获取目标软件中各目标组件对应的状态转移信息，状态转移信息是指各目标组件之间进行状态转移时的转移规则。从而基于该状态转移信息，对各目标组件对应的目标参数进行取值，能够准确的得到目标参数对应的目标参数值，以提高后续根据目标参数值对各目标组件进行仿真运行的准确性，从而得到更加准确的各目标组件对应的仿真运行结果。最后基于各目标组件的仿真运行结果，对整个目标软件进行可靠性评估，得到目标软件的可靠性评估结果。利用仿真运行技术，能够模拟软件的真实运行过程，无需依赖软件后期的数据进行可靠性评估，从而有效降低了智能软件的早期可靠性评估的难度。
应该理解的是，虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的智能软件的可靠性评估方法的智能软件的可靠性评估装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个智能软件的可靠性评估装置实施例中的具体限定可以参见上文中对于智能软件的可靠性评估方法的限定，在此不再赘述。
在一个实施例中，如图13所示，提供了一种智能软件的可靠性评估装置，包括：信息获取模块1302，用于响应于针对目标软件的可靠性评估指令，获取目标软件中各目标组件对应的状态转移信息；状态转移信息是指各目标组件之间进行状态转移时的转移规则；取值模块1304，用于基于状态转移信息，对各目标组件对应的目标参数进行取值，得到目标参数对应的目标参数值；仿真运行模块1306，用于根据目标参数值，对各目标组件进行仿真运行，得到各目标组件对应的仿真运行结果；可靠性评估模块1308，用于基于各仿真运行结果，对目标软件进行可靠性评估，得到目标软件对应的可靠性评估结果。
在其中一个实施例中，仿真运行模块1306还用于：根据目标参数值，对各目标组件进行仿真运行，获得仿真运行过程中各目标组件对应的状态转移结果；根据状态转移结果，对各目标组件进行状态维护，得到状态维护结果；在仿真运行时间达到预设仿真时间阈值的情况下，将状态转移结果和状态维护结果共同作为仿真运行结果。
在其中一个实施例中，智能软件的可靠性评估装置还用于：检测当前维护周期是否达到预设维护周期阈值；若是，则初始化维护资源；维护资源用于对各目标组件进行状态维护；若否，则检测仿真运行时间是否超过预设仿真时间阈值。
在其中一个实施例中，取值模块1304还用于：提取状态转移信息中各目标组件对应的各状态转移特征；获取各状态转移特征分别对应的特征值，以及各目标参数对应的目标函数；将各特征值输入目标函数中，得到各目标参数对应的目标参数值。
在其中一个实施例中，智能软件的可靠性评估装置还用于：分别对智能组件和基础组件进行状态建模，得到智能组件对应的第一状态模型和基础组件对应的第二状态模型；获取智能组件对应的第一内部影响因素、基础组件对应的第二内部影响因素、以及外部影响因素；基于第一内部影响因素、外部影响因素和第一状态模型，对智能组件进行状态转移分析，得到第一状态转移信息；基于第二内部影响因素、外部影响因素和第二状态模型，对基础组件进行状态转移分析，得到第二状态转移信息。
在其中一个实施例中，智能软件的可靠性评估装置还用于：对目标软件进行组件分割，得到各初始组件；获取各初始组件对应的组件属性；组件属性用于表示初始组件是否配置有智能化资源；基于组件属性，对各初始组件进行分类，得到智能组件和基础组件。
在其中一个实施例中，可靠性评估模块1308还用于：获取各目标组件对应的组件总数量；根据正常组件数量和组件总数量，对目标软件进行组件存活分析，得到目标软件对应的存活组件比；存活组件比用于表示各目标组件在仿真运行过程中的存活率。
在其中一个实施例中，可靠性评估模块1308还用于：获取组件失效次数对应的失效组件；基于状态维护结果，确定失效组件在经状态维护之后所对应的工作持续时长；根据工作持续时长和组件失效次数，确定目标软件对应的平均失效间隔时长。
上述智能软件的可靠性评估装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图14所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储物品推荐数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种智能软件的可靠性评估方法。
本领域技术人员可以理解，图14中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：响应于针对目标软件的可靠性评估指令，获取目标软件中各目标组件对应的状态转移信息；状态转移信息是指各目标组件之间进行状态转移时的转移规则；基于状态转移信息，对各目标组件对应的目标参数进行取值，得到目标参数对应的目标参数值；根据目标参数值，对各目标组件进行仿真运行，得到各目标组件对应的仿真运行结果；基于各仿真运行结果，对目标软件进行可靠性评估，得到目标软件对应的可靠性评估结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据目标参数值，对各目标组件进行仿真运行，获得仿真运行过程中各目标组件对应的状态转移结果；根据状态转移结果，对各目标组件进行状态维护，得到状态维护结果；在仿真运行时间达到预设仿真时间阈值的情况下，将状态转移结果和状态维护结果共同作为仿真运行结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：检测当前维护周期是否达到预设维护周期阈值；若是，则初始化维护资源；维护资源用于对各目标组件进行状态维护；若否，则检测仿真运行时间是否超过预设仿真时间阈值。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：提取状态转移信息中各目标组件对应的各状态转移特征；获取各状态转移特征分别对应的特征值，以及各目标参数对应的目标函数；将各特征值输入目标函数中，得到各目标参数对应的目标参数值。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：分别对智能组件和基础组件进行状态建模，得到智能组件对应的第一状态模型和基础组件对应的第二状态模型；获取智能组件对应的第一内部影响因素、基础组件对应的第二内部影响因素、以及外部影响因素；基于第一内部影响因素、外部影响因素和第一状态模型，对智能组件进行状态转移分析，得到第一状态转移信息；基于第二内部影响因素、外部影响因素和第二状态模型，对基础组件进行状态转移分析，得到第二状态转移信息。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：对目标软件进行组件分割，得到各初始组件；获取各初始组件对应的组件属性；组件属性用于表示初始组件是否配置有智能化资源；基于组件属性，对各初始组件进行分类，得到智能组件和基础组件。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取各目标组件对应的组件总数量；根据正常组件数量和组件总数量，对目标软件进行组件存活分析，得到目标软件对应的存活组件比；存活组件比用于表示各目标组件在仿真运行过程中的存活率。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取组件失效次数对应的失效组件；基于状态维护结果，确定失效组件在经状态维护之后所对应的工作持续时长；根据工作持续时长和组件失效次数，确定目标软件对应的平均失效间隔时长。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：响应于针对目标软件的可靠性评估指令，获取目标软件中各目标组件对应的状态转移信息；状态转移信息是指各目标组件之间进行状态转移时的转移规则；基于状态转移信息，对各目标组件对应的目标参数进行取值，得到目标参数对应的目标参数值；根据目标参数值，对各目标组件进行仿真运行，得到各目标组件对应的仿真运行结果；基于各仿真运行结果，对目标软件进行可靠性评估，得到目标软件对应的可靠性评估结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据目标参数值，对各目标组件进行仿真运行，获得仿真运行过程中各目标组件对应的状态转移结果；根据状态转移结果，对各目标组件进行状态维护，得到状态维护结果；在仿真运行时间达到预设仿真时间阈值的情况下，将状态转移结果和状态维护结果共同作为仿真运行结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：检测当前维护周期是否达到预设维护周期阈值；若是，则初始化维护资源；维护资源用于对各目标组件进行状态维护；若否，则检测仿真运行时间是否超过预设仿真时间阈值。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：提取状态转移信息中各目标组件对应的各状态转移特征；获取各状态转移特征分别对应的特征值，以及各目标参数对应的目标函数；将各特征值输入目标函数中，得到各目标参数对应的目标参数值。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：分别对智能组件和基础组件进行状态建模，得到智能组件对应的第一状态模型和基础组件对应的第二状态模型；获取智能组件对应的第一内部影响因素、基础组件对应的第二内部影响因素、以及外部影响因素；基于第一内部影响因素、外部影响因素和第一状态模型，对智能组件进行状态转移分析，得到第一状态转移信息；基于第二内部影响因素、外部影响因素和第二状态模型，对基础组件进行状态转移分析，得到第二状态转移信息。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：对目标软件进行组件分割，得到各初始组件；获取各初始组件对应的组件属性；组件属性用于表示初始组件是否配置有智能化资源；基于组件属性，对各初始组件进行分类，得到智能组件和基础组件。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取各目标组件对应的组件总数量；根据正常组件数量和组件总数量，对目标软件进行组件存活分析，得到目标软件对应的存活组件比；存活组件比用于表示各目标组件在仿真运行过程中的存活率。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取组件失效次数对应的失效组件；基于状态维护结果，确定失效组件在经状态维护之后所对应的工作持续时长；根据工作持续时长和组件失效次数，确定目标软件对应的平均失效间隔时长。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：响应于针对目标软件的可靠性评估指令，获取目标软件中各目标组件对应的状态转移信息；状态转移信息是指各目标组件之间进行状态转移时的转移规则；基于状态转移信息，对各目标组件对应的目标参数进行取值，得到目标参数对应的目标参数值；根据目标参数值，对各目标组件进行仿真运行，得到各目标组件对应的仿真运行结果；基于各仿真运行结果，对目标软件进行可靠性评估，得到目标软件对应的可靠性评估结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据目标参数值，对各目标组件进行仿真运行，获得仿真运行过程中各目标组件对应的状态转移结果；根据状态转移结果，对各目标组件进行状态维护，得到状态维护结果；在仿真运行时间达到预设仿真时间阈值的情况下，将状态转移结果和状态维护结果共同作为仿真运行结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：检测当前维护周期是否达到预设维护周期阈值；若是，则初始化维护资源；维护资源用于对各目标组件进行状态维护；若否，则检测仿真运行时间是否超过预设仿真时间阈值。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：提取状态转移信息中各目标组件对应的各状态转移特征；获取各状态转移特征分别对应的特征值，以及各目标参数对应的目标函数；将各特征值输入目标函数中，得到各目标参数对应的目标参数值。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：分别对智能组件和基础组件进行状态建模，得到智能组件对应的第一状态模型和基础组件对应的第二状态模型；获取智能组件对应的第一内部影响因素、基础组件对应的第二内部影响因素、以及外部影响因素；基于第一内部影响因素、外部影响因素和第一状态模型，对智能组件进行状态转移分析，得到第一状态转移信息；基于第二内部影响因素、外部影响因素和第二状态模型，对基础组件进行状态转移分析，得到第二状态转移信息。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：对目标软件进行组件分割，得到各初始组件；获取各初始组件对应的组件属性；组件属性用于表示初始组件是否配置有智能化资源；基于组件属性，对各初始组件进行分类，得到智能组件和基础组件。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取各目标组件对应的组件总数量；根据正常组件数量和组件总数量，对目标软件进行组件存活分析，得到目标软件对应的存活组件比；存活组件比用于表示各目标组件在仿真运行过程中的存活率。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取组件失效次数对应的失效组件；基于状态维护结果，确定失效组件在经状态维护之后所对应的工作持续时长；根据工作持续时长和组件失效次数，确定目标软件对应的平均失效间隔时长。
需要说明的是，本申请所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-Only Memory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（FerroelectricRandom Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（StaticRandom Access Memory，SRAM）或动态随机存取存储器（Dynamic Random Access Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (12)
1.一种智能软件的可靠性评估方法，其特征在于，所述方法包括：
响应于针对目标软件的可靠性评估指令，获取所述目标软件中各目标组件对应的状态转移信息；所述状态转移信息是指各所述目标组件之间进行状态转移时的转移规则；
基于所述状态转移信息，对各所述目标组件对应的目标参数进行取值，得到所述目标参数对应的目标参数值；
根据所述目标参数值，对各所述目标组件进行仿真运行，得到各所述目标组件对应的仿真运行结果；
基于各所述仿真运行结果，对所述目标软件进行可靠性评估，得到所述目标软件对应的可靠性评估结果。
2.根据权利要求1所述的方法，其特征在于，所述根据所述目标参数值，对各所述目标组件进行仿真运行，得到各所述目标组件对应的仿真运行结果，包括：
根据所述目标参数值，对各所述目标组件进行仿真运行，获得仿真运行过程中各所述目标组件对应的状态转移结果；
根据所述状态转移结果，对各所述目标组件进行状态维护，得到状态维护结果；
在仿真运行时间达到预设仿真时间阈值的情况下，将所述状态转移结果和所述状态维护结果共同作为所述仿真运行结果。
3.根据权利要求2所述的方法，其特征在于，所述状态维护结果包括当前维护周期；在所述根据所述状态转移结果，对各所述目标组件进行状态维护，得到状态维护结果的步骤之后，还包括：
检测所述当前维护周期是否达到预设维护周期阈值；
若是，则初始化维护资源；所述维护资源用于对各所述目标组件进行状态维护；
若否，则检测所述仿真运行时间是否超过所述预设仿真时间阈值。
4.根据权利要求1所述的方法，其特征在于，所述基于所述状态转移信息，对各所述目标组件对应的各目标参数进行取值，得到各所述目标参数对应的目标参数值，包括：
提取所述状态转移信息中各所述目标组件对应的各状态转移特征；
获取各所述状态转移特征分别对应的特征值，以及各所述目标参数对应的目标函数；
将各所述特征值输入所述目标函数中，得到各所述目标参数对应的目标参数值。
5.根据权利要求1所述的方法，其特征在于，所述目标组件包括智能组件和基础组件，所述状态转移信息包括所述智能组件对应的第一状态转移信息和所述基础组件对应的第二状态转移信息；
在所述响应于针对目标软件的可靠性评估指令，获取所述目标软件中各目标组件对应的状态转移信息的步骤之前，还包括：
分别对所述智能组件和所述基础组件进行状态建模，得到所述智能组件对应的第一状态模型和所述基础组件对应的第二状态模型；
获取所述智能组件对应的第一内部影响因素、所述基础组件对应的第二内部影响因素、以及外部影响因素；
基于所述第一内部影响因素、所述外部影响因素和所述第一状态模型，对所述智能组件进行状态转移分析，得到所述第一状态转移信息；
基于所述第二内部影响因素、所述外部影响因素和所述第二状态模型，对所述基础组件进行状态转移分析，得到所述第二状态转移信息。
6.根据权利要求5所述的方法，其特征在于，在所述分别对所述智能组件和所述基础组件进行状态建模的步骤之前，还包括：
对所述目标软件进行组件分割，得到各初始组件；
获取各所述初始组件对应的组件属性；所述组件属性用于表示所述初始组件是否配置有智能化资源；
基于所述组件属性，对各所述初始组件进行分类，得到所述智能组件和所述基础组件。
7.根据权利要求2所述的方法，其特征在于，所述可靠性评估结果包括组件存活比，所述状态转移结果包括正常组件数量；所述基于各所述仿真运行结果，对所述目标软件进行可靠性评估，得到所述目标软件对应的可靠性评估结果，包括：
获取各所述目标组件对应的组件总数量；
根据所述正常组件数量和所述组件总数量，对所述目标软件进行组件存活分析，得到所述目标软件对应的存活组件比；所述存活组件比用于表示各所述目标组件在仿真运行过程中的存活率。
8.根据权利要求2所述的方法，其特征在于，所述可靠性评估结果还包括平均失效间隔时长，所述状态转移结果包括组件失效次数；所述基于各所述仿真运行结果，对所述目标软件进行可靠性评估，得到所述目标软件对应的可靠性评估结果，还包括：
获取所述组件失效次数对应的失效组件；
基于所述状态维护结果，确定所述失效组件在经状态维护之后所对应的工作持续时长；
根据所述工作持续时长和所述组件失效次数，确定所述目标软件对应的平均失效间隔时长。
9.一种智能软件的可靠性评估装置，其特征在于，所述装置包括：
信息获取模块，用于响应于针对目标软件的可靠性评估指令，获取所述目标软件中各目标组件对应的状态转移信息；所述状态转移信息是指各所述目标组件之间进行状态转移时的转移规则；
取值模块，用于基于所述状态转移信息，对各所述目标组件对应的目标参数进行取值，得到所述目标参数对应的目标参数值；
仿真运行模块，用于根据所述目标参数值，对各所述目标组件进行仿真运行，得到各所述目标组件对应的仿真运行结果；
可靠性评估模块，用于基于各所述仿真运行结果，对所述目标软件进行可靠性评估，得到所述目标软件对应的可靠性评估结果。
10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
12.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410302951.8A CN117891566A (zh) | 2024-03-18 | 2024-03-18 | 智能软件的可靠性评估方法、装置、设备、介质和产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410302951.8A CN117891566A (zh) | 2024-03-18 | 2024-03-18 | 智能软件的可靠性评估方法、装置、设备、介质和产品 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117891566A true CN117891566A (zh) | 2024-04-16 |
Family
ID=90651063
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410302951.8A Pending CN117891566A (zh) | 2024-03-18 | 2024-03-18 | 智能软件的可靠性评估方法、装置、设备、介质和产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117891566A (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| USH2201H1 (en) * | 2001-03-19 | 2007-09-04 | The United States Of America As Represented By The Secretary Of The Air Force | Software architecture and design for facilitating prototyping in distributed virtual environments |
| CN103970654A (zh) * | 2014-04-30 | 2014-08-06 | 北京航空航天大学 | 一种软件可靠性虚拟测试方法 |
| US20140365990A1 (en) * | 2013-06-11 | 2014-12-11 | Hitachi, Ltd. | Software evaluation device and method |
| CN110297765A (zh) * | 2019-05-31 | 2019-10-01 | 中国人民解放军63963部队 | 软件可靠性早期评估方法 |
| WO2021244029A1 (zh) * | 2020-05-30 | 2021-12-09 | 北京航空航天大学 | 一种可靠性、弹性、脆性的系统状态评估方法 |
| CN115080370A (zh) * | 2022-06-17 | 2022-09-20 | 天翼数字生活科技有限公司 | 软件并发能力评估方法及装置、存储介质及电子设备 |
| CN115270368A (zh) * | 2022-06-21 | 2022-11-01 | 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） | 基于仿真的网络系统可靠性评估方法、装置和计算机设备 |
| US20230028912A1 (en) * | 2014-12-11 | 2023-01-26 | Imagars Llc | Automatic Design Assessment and Smart Analysis |
| CN115858316A (zh) * | 2022-11-22 | 2023-03-28 | 中国兵器工业信息中心 | 基于多Agent的网络化软件系统可靠性建模仿真方法 |
| US20230098491A1 (en) * | 2021-09-29 | 2023-03-30 | Southern University Of Science And Technology | Assessment method and device for infectious disease transmission, computer equipment and storage medium |
| CN116010226A (zh) * | 2022-12-23 | 2023-04-25 | 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） | 软件系统可靠性仿真评估方法、装置和计算机设备 |
-
2024
- 2024-03-18 CN CN202410302951.8A patent/CN117891566A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| USH2201H1 (en) * | 2001-03-19 | 2007-09-04 | The United States Of America As Represented By The Secretary Of The Air Force | Software architecture and design for facilitating prototyping in distributed virtual environments |
| US20140365990A1 (en) * | 2013-06-11 | 2014-12-11 | Hitachi, Ltd. | Software evaluation device and method |
| CN103970654A (zh) * | 2014-04-30 | 2014-08-06 | 北京航空航天大学 | 一种软件可靠性虚拟测试方法 |
| US20230028912A1 (en) * | 2014-12-11 | 2023-01-26 | Imagars Llc | Automatic Design Assessment and Smart Analysis |
| CN110297765A (zh) * | 2019-05-31 | 2019-10-01 | 中国人民解放军63963部队 | 软件可靠性早期评估方法 |
| WO2021244029A1 (zh) * | 2020-05-30 | 2021-12-09 | 北京航空航天大学 | 一种可靠性、弹性、脆性的系统状态评估方法 |
| US20230098491A1 (en) * | 2021-09-29 | 2023-03-30 | Southern University Of Science And Technology | Assessment method and device for infectious disease transmission, computer equipment and storage medium |
| CN115080370A (zh) * | 2022-06-17 | 2022-09-20 | 天翼数字生活科技有限公司 | 软件并发能力评估方法及装置、存储介质及电子设备 |
| CN115270368A (zh) * | 2022-06-21 | 2022-11-01 | 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） | 基于仿真的网络系统可靠性评估方法、装置和计算机设备 |
| CN115858316A (zh) * | 2022-11-22 | 2023-03-28 | 中国兵器工业信息中心 | 基于多Agent的网络化软件系统可靠性建模仿真方法 |
| CN116010226A (zh) * | 2022-12-23 | 2023-04-25 | 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） | 软件系统可靠性仿真评估方法、装置和计算机设备 |
Non-Patent Citations (5)
| Title |
|---|
| 刘志祥;刘杰;李丹;云雷;: "一种基于马尔可夫模型的软件可靠性评估方法", 电子产品可靠性与环境试验, no. 04, 20 August 2012 (2012-08-20) * |
| 尚京威;陈平;韩邢健;: "软件可靠性工程综合应用建模技术研究", 信息安全研究, no. 11, 5 November 2018 (2018-11-05) * |
| 张凡;周兴社;董云卫;: "基于结构的软件可靠性建模研究进展", 计算机工程与应用, no. 36, 21 December 2008 (2008-12-21) * |
| 李克文，雷永秀，张震涛: "基于构件影响因子的软件可靠性评估方法", 中国优秀硕士学位论文全文库, vol. 43, no. 1, 31 January 2022 (2022-01-31), pages 1 - 6 * |
| 谢春丽;: "软件可靠性估计的不确定性分析", 计算机工程与设计, no. 15, 16 August 2010 (2010-08-16), pages 1 - 4 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kleinberg et al. | The temporal logic of causal structures | |
| JP2019061565A (ja) | 異常診断方法および異常診断装置 | |
| Lo et al. | Efficient sensor fault detection using combinatorial group testing | |
| CN115841046B (zh) | 基于维纳过程的加速退化试验数据处理方法和装置 | |
| Zhao et al. | The effect of temporal aggregation level in social network monitoring | |
| Qin et al. | Association analysis-based cybersecurity risk assessment for industrial control systems | |
| CN115514614A (zh) | 基于强化学习的云网络异常检测模型训练方法及存储介质 | |
| Leifeld et al. | Fault detection for probabilistic Boolean networks | |
| Ibias et al. | SqSelect: Automatic assessment of failed error propagation in state-based systems | |
| Mohamed et al. | Enhancing test cases prioritization for internet of things based systems using Search-based technique | |
| Wetzig et al. | Unsupervised anomaly alerting for iot-gateway monitoring using adaptive thresholds and half-space trees | |
| US20210365771A1 (en) | Out-of-distribution (ood) detection by perturbation | |
| CN116228045B (zh) | 基于性能退化的产品可靠性薄弱环节评估方法和装置 | |
| CN117134958A (zh) | 用于网络技术服务的信息处理方法及系统 | |
| CN117033039A (zh) | 故障检测方法、装置、计算机设备和存储介质 | |
| CN116909788A (zh) | 一种任务导向和视角不变的多模态故障诊断方法及系统 | |
| Liu et al. | Interval early warning method for state of engineering structures based on structural health monitoring data | |
| Feng et al. | Predicting intrusion goal using dynamic Bayesian network with transfer probability estimation | |
| JP2018073241A (ja) | 検知装置、検知方法および検知プログラム | |
| CN117891566A (zh) | 智能软件的可靠性评估方法、装置、设备、介质和产品 | |
| CN113079168B (zh) | 一种网络异常检测方法、装置及存储介质 | |
| KR20190109194A (ko) | 불확정성을 모델링할 수 있는 뉴럴네트워크 학습 장치 및 방법 | |
| Lijun et al. | An intuitionistic calculus to complex abnormal event recognition on data streams | |
| CN111815442B (zh) | 一种链接预测的方法、装置和电子设备 | |
| Sheng et al. | Network traffic anomaly detection method based on chaotic neural network |
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 |