资源描述：
《软件可靠性的评价准则》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。
1、软件可靠性的评价准则迄今为止,尚无一个软件可靠性模型对软件的不同特性和不同使用环境都有效。已公开发表的100余种软件可靠性模型,表达形式不同,适应性各异,与实际的软件开发过程有较大差异。而且,新模型还在不断发表。因此,在进行软件可靠性预计、分析、分配、评价和设计之前,对软件可靠性模型进行评价及选择与软件项目相符或相近的模型非常重要。通过建立有效的评价准则,在考虑它们与各种软件的关系的基础上,对拟评价的可靠性模型就有效性、适应性和模型能力等进行评价,判定它们的价值,比较它们的优劣,然后选择有效的软件可靠性模
2、型。另一方面,在可接受的模型之间无法做出明确的选择时,可根据模型的使用环境等,在模型评价准则的基础上,进行模型择优。当然,软件可靠性模型的评价不仅依赖于模型的应用,还依赖于理论的支持和丰富的、高质量可靠性数据的支持。软件可靠性模型的评价最早始于1984年Iannino、Musa、Okumoto和Littlewood所提出的原则。根据这一原则,结合后人的工作,形成了基本的软件可靠性评价准则集。它们是软件可靠性模型比较、选择和应用的基础。准则一:模型预测有效软件可靠性模型最重要的评价指标是模型预测的有效性。它
3、根据软件现在和过去的故障行为,用模型预测软件将来的故障行为和可靠性水平。它主要通过能有效描述软件故障随机过程特性的故障数方式对模型进行描述与评价。基于软件故障时间特性的随机过程也是一种常用的方法,而且这两种方法相互重叠。要确定软件可靠性模型预测的有效性,首先要比较模型预测质量。这种比较通常通过相对误差法、偏值、U图法、Y图法、趋势法等方法进行。故障数度量是一种在工程上被广泛应用的方法。此外,还可以通过比较不同数据集合所做出的中位线图形来评价模型预测的有效性。如果一个模型产生的曲线最接近于0,则该模型是最优
4、的。而且,这种有效性测定方法有效地克服了规范化图形评价与具体软件项目之间的联系,保证了它的独立性。用给定可靠性数据对软件可靠性模型进行比较时,必须考察拟合模型与观察数据的一致性和符合性。当然,根据拟合模型进行采样,是否可以获得足够的观察数据非常重要。拟合优度检验是一种系统地表达并证明观察数据和拟合模型之间全局符合性的方法,使用最广泛的是x2检验。1.准确性软件可靠性模型预测的准确性可用前序似然函数来测定。设观察到的失效数据对应于软件相继失效之间的时间序列t1,t2,..,ti-1,并用这些数据来预测软件在
5、未来可能的Ti,即希望得到Ti的真实概率密度函数Fi(t)的最优估计值。假设以t1,t2,...,ti-1为基础预测Ti的分布Fi(t)的概率密度函数@@42D11000.GIF;表达式1@@对Ti+1,Ti+2,...,Ti+n的这种向前一步预测,即进行了n+1次预测之后的前序似然函数为@@42D11001.GIF;表达式2@@由于这种度量常常接近于0,所以常用其自然对数进行比较。假定比较的两个软件可靠性模型分别为A和B,则对它们进行n次预测之后的前序似然比为@@42D11002.GIF;表达式3@@这
6、个比率表示一个模型将比另一个模型给出更准确的预测的可能。如果@@42D11003.GIF;表达式4@@则表明模型A比模型B预测的准确性高,模型A的有效性优于模型B。如果有c>0且@@42D11004.GIF;表达式5@@即随着预测次数的无限增加,两个模型A和B的前序似然比趋于一个常量,则表明两个模型A和B的预测结果是等价的,即两个模型的预测准确性或有效性是等价的。2.偏倚在软件可靠性模型的应用过程中,如果用模型得到预期预测结果的时间和观测到的软件失效时间不一致,就认为该模型是有偏的。为了测定模型的偏倚量,
7、可计算在单位斜率线和i时刻真实概率密度的估计Fi(ti)概率积分变换值之间的最大垂直距离。Fi(ti)是在各个观察到的失效时间点上计算出来的模型分布函数值。同时,这一模型的分布函数值还表明了模型偏倚的方向。当Fi>0时,表示模型趋向于乐观,反之则表示模型趋向悲观。无论哪种情况绝对值越小,模型固有的偏倚就越小。3.趋向有时,模型在早期的预测值集是令人乐观的,但这种乐观有可能随着预测的不断进行而丧失。它说明所描述的偏倚检验将均化这些影响,因而模型显得是无偏的。在这种情况下,重要的是分析Fi(ti)的趋向。它被
8、定义为单位斜率线和yi的累积分布函数之间的科尔马高洛夫距离。趋向表示模型偏倚的一致性。趋向值越小,意味着模型更能适应软件可靠性数据的变化,因而能产生更好的预测有效性。4.噪声在软件可靠性模型中,通常将噪声假设为白噪声。实际情况并非总是如此,而且软件可靠性模型对各种噪声并非均具有较好的适应性和不敏感性。一般地,我们可用经典统计学中的均方差来检验模型中的噪声。无论哪种情况,我们都希望得到尽量小的噪声度量值。它不仅指模型预测中的噪声
