[發明專利]基于灰色廣義回歸神經網絡的小樣本軟件可靠性預計方法

無效

• 申請號: 201010602453.3
• 申請日: 2010-12-23
• 公開（公告）號: CN102073586A
• 公開（公告）日: 2011-05-25
• 發明（設計）人: 吳玉美;楊日盛;陸民燕
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06F11/36
• 分類號: G06F11/36;G06N3/00
• 代理公司: 北京永創新實專利事務所 11121
• 代理人: 趙文利

技術領域

本發明涉及一種軟件可靠性測試中的軟件可靠性預計方法，具體涉及一種基于灰色廣義回歸神經網絡的小樣本軟件可靠性預計方法，屬于軟件可靠性預計技術領域。

背景技術

隨著計算機技術的飛速發展，人們對計算機軟件的依賴性日益增強，對軟件的可靠性要求也越來越高。軟件可靠性預計面臨著要對可靠性要求高、測試數據個數少的軟件進行預計建模的問題。此外，如果要在軟件可靠性測試的早期進行軟件可靠性預計也存在數據個數少，難以滿足傳統預計方法對樣本容量要求的問題。若按照傳統的方法，等到測試的后期收集到足夠的數據后再進行軟件可靠性預計的建模，則等待的時間會難以承受，同時也存在著用于預計的樣本數據個數少的風險。

軟件可靠性預計方法的研究主要指的是對軟件可靠性增長模型的研究，是利用軟件可靠性增長測試中獲得的失效數據來對軟件可靠性進行估計和預計的模型。傳統的軟件可靠性增長模型的建模思路是：首先對軟件的失效模式或行為進行一定的假設，然后在這些假設的基礎上運用統計理論建立數學模型。在這些模型中包含了模型參數的顯式定義，而這些模型參數往往具有明確的物理意義。最后，用這一模型來擬合失效數據曲線，從而確定模型參數，獲得軟件可靠性的估計并進行預計。

目前，軟件可靠性預計建模普遍存在的難以解決的問題是：不少軟件可靠性增長模型對某些失效數據能給出較好的預計結果，但對另一些失效數據給出的預計結果卻差強人意，這稱為軟件可靠性模型研究中的不一致性問題，它嚴重地阻礙了軟件可靠性技術的推廣。造成這一問題的原因主要是建立模型時提出的假設可能與實際不符。

此外，這種軟件可靠性建模方法僅依賴于軟件失效數據，對軟件信息的挖掘不夠全面，導致了預計的準確度不足。因此，如何綜合考慮軟件可靠性測試得到的失效數據和軟件交付確認之前的一些歷史信息，如程序員的技能、測試努力度、測試覆蓋率和程序規格說明書的改動頻率等來建立綜合模型，力圖全面考慮影響軟件可靠性的各種信息進行軟件可靠性的建模與評估成為一種新的思路。然而這些信息或因素通常相互之間高度相關且與可靠性呈非線性關系。這就使得現存的基于相互獨立性和線性的統計建模方法在對這些數據建模時具有很大的局限性。

因此，能夠處理多種因素且能夠在理論上以任意精度逼近任意非線性映射的神經網絡建模方法近年來吸引了人們的注意并取得了一些研究成果。

人工神經網絡作為一種模仿人腦神經網絡行為特征進行分布式并行信息處理的算法數學模型，能夠從已知的數據中通過調整網絡內部大量結點之間的相互連接關系來學習和提取這些數據中的內在規律，具有很強的非線性映射能力。人工神經網絡具有以下幾個突出優點：1.高度的并行性；2.高度的非線性全局作用；3.良好的容錯性和聯想記憶功能；4.十分強的自適應、自學習功能。

廣義回歸神經網絡(General?Regression?Neural?Network，簡稱GRNN)是由The?LockheedPalo?Alto研究實驗室的Donald?Specht在1991年提出的，是概率神經網絡的一種拓展形式。廣義回歸神經網絡建立在數理統計基礎之上，能夠根據樣本數據逼近其中隱含的映射關系，即使樣本數據稀少，網絡的輸出結果也能夠收斂于最優回歸表面，而且網絡的學習算法簡單，在結構方面也具有高度的并行性。

廣義回歸神經網絡作為徑向基函數神經網絡(Radius?Basic?Function?Neural?Network，簡稱RBFNN)的一種改進形式，相比于目前廣泛使用的反向傳播神經網絡(Back?PropagationNeural?Network，簡稱BPNN)具有收斂速度快以及不易陷入局部極小等優點。此外，相比于普通的RBFNN，GRNN還具有更強的非線性映射逼近能力和學習速度、柔性網絡結構以及高度的容錯性和魯棒性，并且在樣本數據較少時，預計效果也比較好，還可以處理不穩定的數據。

人工神經網絡其實是一種“黑盒”方法，它相對于傳統方法的優點在于建模時對被建模對象的經驗知識要求不多，一般不必事先知道有關被建模對象的結構、參數和動態特性等方面的知識，只需給出對象的輸入/輸出數據，通過網絡本身的學習功能就可以得到輸入與輸出的映射關系。

然而，與基于統計理論的軟件可靠性建模一樣，基于神經網絡的軟件可靠性建模需要一定數量的樣本數據，當樣本的容量很少時，難以建立可用的模型，預計的精度可能會很差。