基于自回歸模型的軟件可靠性預測方法研究

陳靜

摘 要：隨著人們對高可靠和高質量軟件需求的日益增長，這種需求迫使軟件開發人員不斷提高軟件的可靠性。本文提出了一種基于自回歸模型的軟件可靠性預測方法，并利用最小二乘估計方法對模型中的參數進行估計。使用開源軟件Firefox的真實故障數據，利用SPSS軟件對可靠性模型進行驗證分析，實驗結果表明本文提出的模型是有效的。

關鍵詞：自回歸模型;軟件可靠性;最小二乘估計;SPSS

中圖分類號：TP183? ? ? ? 文獻標識碼：A ? ? ? 文章編號：1003-5168（2021）24-0023-04

Research on Software Reliability Prediction Method Based on Autoregressive Model

CHEN Jing

（College of Information Engineering， Guizhou University of Traditional Chinese Medicine， Guiyang? Guizhou 550025）

Abstract： With the increasing demand for the peoples pursuit of the high reliability and high-quality software， this demand forces software developers to continuously improve the reliability of software. This paper put forwards a software reliability prediction method based on an autoregressive model， and uses the least square estimation method to estimate the parameters in the model. The real failure data of the open source software Firefox and SPSS software were used to verify and analyze the reliability model，and the experimental results show that the model proposed in this paper is effective.

Keywords： autoregressive model;software reliability; least square estimation; SPSS

對系統軟件故障的管理研究主要是對一些有嚴重故障或容易表現出錯的軟件模塊進行分析識別，并為其創建軟件故障管理預測系統模型，為其提供軟件維護使用指南。通過對整個軟件系統可靠性進行測試，找出對整個軟件系統可靠性具有重大影響的軟件錯誤。近年來，隨著信息技術的飛速發展和廣泛普及，計算機軟件可靠性技術已經將相關軟件設備存在的運行狀態故障情況作為研究依據。人們對使用軟件的迫切需求也不斷提高，從而直接推動了我國軟件技術的不斷進步。隨著軟件結構的設計復雜性的日益增加，直接導致了各種軟件維護系統故障的結構復雜性也隨之增加，隨之而來的是軟件開發和安裝維護軟件過程中的成本也相應加大。因此，利用軟件測試過程中產生的故障數據，對軟件可靠性進行分析預測是當前研究的一個重要問題。

自回歸模型是一種在社會統計學中已經得到廣泛研究運用的時間序列分析方法，目前已經廣泛應用在經濟學、信息學、自然科學等現象的分析預測上，是在20世紀70年代由美國現代統計學中的學者博克思（Box）和詹金斯（Jenkins）聯合提出的一種預測和分析三維時間序列的計算方法。馬颯颯等人將軟件可靠性測試階段獲得的失效數據作為時間序列進行多尺度分解，對分解到不同尺度上的數據分別利用不同的時序預測模型進行分析，提出了軟件可靠性多尺度預測模型[1]。賈治宇等人對基于求和自回歸滑動平均模型（ARIMA模型）的軟件可靠性預測方法進行了研究，提出了利用ARIMA（p，d，q）模型來對軟件可靠性進行預測[2]。吳燁清介紹了時間序列理論的基本知識，研究了隨機時間序列方法在軟件可靠性建模中的應用[3]。Cao等人提出了一種結合ARIMA和分形模型的混合方法，以利用ARIMA和分形模型在建模中的獨特優勢，提出了一種基于ARIMA和分形的混合軟件可靠性模型，提出了軟件失效機理研究的新思路[4]。Chatterjee等人建立了一種ARIMA模型來預測軟件的可靠性，所提出的模型已使用一些實際的軟件故障數據進行了驗證，結果顯示較好[5]。Choudhary等人提出了一種基于Cuckoo搜索算法、集合經驗模態分解和ARIMA時間序列的混合軟件可靠性模型，該模型提供了更準確的故障預測[6]。自回歸綜合移動平均模型（ARIMA或Box-Jenkins技術）和人工神經網絡（ANN）都是傳統可靠性分析方法（如Weibull分析、泊松過程、非均勻泊松過程和馬爾可夫方法）的可行替代方案。通過ARIMA或ANN進行故障間隔時間（TBF）的時間序列分析沒有傳統方法的局限性，如先驗假設的要求/假設或TBF的統計獨立且分布均勻的觀測值。Dindarlo等人通過對TBF的分析研究了LHD裝置的可靠性。季節性自回歸綜合移動平均值（SARIMA）用于建模和預測故障，并將結果與基于ANN的模型進行比較，最優ARIMA模型在預測LHD的TBF方面優于人工神經網絡[7]。Kumaresan等人提出了一種時間序列SARIMA方法，用于開發能夠提供顯著改善的可靠性預測模型。使用實時的公共可用軟件故障集，將其與以前的可靠性模型進行比較，時間序列SARIMA方法較好[8]。