[发明专利]基于复合泊松过程的软件可靠性预测方法

说明书

技术领域

本发明属于软件可信的重要属性，即软件可靠性的度量模型，具体涉及G-O软件可靠性模型以及复合泊松过程来将软件失效的严重程度集成到软件可靠性度量中，提高度量的全面性，统一软件可信性的度量标度。

背景技术

随着互联网与信息技术的飞速发展，以通信、存储和计算为核心的信息基础设施已经渗透到了政治、经济、军事、文化以及社会生活的各个层面。同时，由于软件失效而带来的巨大损失，使得各个国家、组织和研究者开始关注如何保障软件正确、有效的运行，即就是软件的可信性问题。

软件可靠性被学术界普遍认为是软件可信性的一个重要的子属性，因此软件可靠性模型对软件可信性研究具有重要意义。可靠性的概念是由硬件演化而来，软件可靠性模型用于度量和预测由于软件故障引起的软件失效数据，使用历史数据对软件失效间隔时间和软件中存在的故障总数进行度量和预测。

从20世纪60年代起，不断有研究者提出不同的度量模型，并进行改进。J-M模型是最早提出的基于马尔可夫过程的软件可靠性度量模型，认为失效间隔时间是一个服从指数分布的随机变量，为软件可靠性模型的发展奠定了重要的基础。G-O模型是较为经典的非齐次泊松过程模型，认为软件被检测出的累积故障数服从泊松分布，并认为软件中存在的固有故障数为随机变量，对软件可靠性模型的发展做出了重要贡献。Shooman模型认为发生失效的时间服从指数分布，其特点是运行时间用CPU时间进行度量。Musa模型同样是利用CPU时间进行度量，但是其同时考虑了CPU时间和日历时间的关系，并考虑了测试过程的资源消耗情况，并得到广泛应用。Nelson模型考虑将程序的输入数据看作一个集合，并将该集合进一步划分为使程序正常运行的输入子集和使程序运行失效的输入子集。S-W模型认为随着软件测试的逐渐进展，故障被发现的概率会增大，因此失效率不仅与剩余故障数成正比，同时也和测试时间成正比，且失效间隔时间服从威布尔分布。Littlewood贝叶斯排错模型基于J-M模型，认为程序在测试初期被发现的故障比测试后期被发现的故障对程序有更大的影响，并利用贝叶斯方法进行改进。

近些年来，人们尝试采用一些非经典的数学方法对软件可靠性建立数学模型，比较常见的方法是运用人工智能算法。有学者将将神经网络引入软件可靠性模型，利用神经元的数学模型模拟软件可靠性中的非线性关系。神经网络模型具有较好的鲁棒性，并且有较为成熟的实现方法，但是训练过程的收敛速度较慢且容易陷入局部极值而无法得到最优解。同时有人提出利用遗传算法得到软件可靠性的多元回归模型，可以有效得出全局最优解而避免了局部极值问题，但是其实现较为复杂。

传统可靠性模型基于失效时间，预测失效的总次数和时间。但是仅从失效时间的长短去衡量一个软件的可靠性程度过于单一和片面。如果我们从软件可信性的角度去考察软件可靠性问题，那么软件系统的失效率越高，则软件越不可信；同时，如果软件中存在的故障危害严重程度越大，那么软件也越不可信。因此，我们不仅要考察软件的失效率，同时也要考虑故障的危害严重程度对软件可靠性的影响。有关文献将软件中存在的故障进行分类的思想，但是没有将故障进行分类度量和预测。为了解决上述问题，我们将故障分类的思想引入软件可靠性模型中，来解决上述问题。

同时，软件可信性的度量一般通过其可信属性的度量来完成，软件可信包括的属性主要有可靠性、安全性、完备性、可用性、适用性等。不同的属性具有不同的度量标度，如可靠性是失效时间，安全性是漏洞个数，适用性是满足的百分比，标度的不统一，使得当前软件可信性的度量难以实现，只能通过比较主观的专家打分方法实现，因此，急需一种统一的度量标度来统一不同可信属性的度量。本发明引入损失量的度量指标，不仅可以使得可靠性度量更全面，也为软件可信属性提供了一种统一的标度，可将损失量的概念推广到其他可信属性的度量中，为软件可信度量奠定基础。

发明内容

本发明的目的在于提供一种基于复合泊松过程的软件可靠性预测方法。

本发明的其特征在于除了能够度量和预测失效间隔时间和失效总数之外，还可得到失效带来的损失量值，其实施按以下步骤完成：