论文部分内容阅读
随着软件应用的日益广泛及其重要性的不断增加,软件的质量问题日益突出。怎样提高软件的质量成为当前关注和研究的重点。软件可靠性是软件质量的固有特性之一,是软件质量的重要方面。提高软件的可靠性是提高软件质量的关键方法。
软件可靠性模型是定量评估和预测软件可靠性的核心和关键。近几十年来,该领域衍生出大量模型及其变种,不同的模型根据假设条件的不同适用于不同的应用环境,同一个模型对于相同的数据在不同的测试阶段也会产生不同的预测精度。但是目前创建的模型通用性都不高,只能适用于某些特定的环境,因此如何利用现有的可靠性模型得到较好的预测结果就成了当前研究者关注的重点。
本文在软件可靠性增长模型最新研究成果的基础上,提出了一种可靠性增长模型筛选和组合应用框架,并利用神经网络对选择得到的优选类模型进行组合,通过实际项目中产生的失效数据对此进行了分析。本文的主要工作包括:
(1)介绍了可靠性的基本概念以及可靠性模型的研究进展。介绍了软件可靠性和可靠性工程相关的概念；对可靠性模型的理论基础、特点和分类进行了介绍；概述了软件可靠性模型的研究进展并对经典的可靠性增长模型进行了介绍；最后分析了可靠性模型评价准则及预测结果评价指标。
(2)提出了一种可靠性增长模型筛选和组合应用框架。与已有的软件可靠性增长模型应用不同,该方法结合不同的模型评价准则对多种待选可靠性增长模型进行选择比较,利用提出的优选类模型选择算法,得到对特定失效数据集适应性比较好的模型集合,然后利用得到的优选类模型进行组合得到可靠性预测结果。
(3)利用神经网络对不同可靠性增长模型进行组合。通过对神经网络的研究,提出了利用神经网络对优选类模型进行组合。将优选类模型输出作为神经网络的输入,根据实际失效数据不断的训练,将训练好的网络用于软件可靠性的预测。充分利用了可靠性增长模型对特定失效数据良好的预测能力,同时结合了神经网络优秀的学习和泛化能力,克服了当前模型组合中权重难以确定以及预测能力不足的问题。
(4)实例分析。利用收集得到的实际项目失效数据对本文提出的方法进行了分析,对失效数据利用模型评价准则选择优选类模型,并根据MATLAB建立的神经网络对模型集进行组合,最后的仿真实验结果表明利用本文的模型选择算法得到的模型对特定的失效数据具有较好的适应性；经过选择后的神经网络模型组合方法得到的预测结果比当前方法具有更好的精确度。