[发明专利]一种基于历史缺陷数据挖掘的软件故障注入方法

权利要求书

1.一种基于历史缺陷数据挖掘的软件故障注入方法,其特征包括：

A.根据软件的界面模块、功能模块和程序模块中包含的实体元素，在数据库的实体元素表中查找出相对应的实体元素的数据记录，根据所述实体元素的数据记录，在数据库的数据缺陷表中查询出这些实体元素对应的所有缺陷数据记录；

B.将所有缺陷数据记录分为两个数据集：测试环境缺陷数据集和生产环境缺陷数据集，在所述两个数据集中均包含了缺陷数据的以下字段：缺陷id、缺陷所属的实体元素id、缺陷类别和缺陷所在环境；

C.建立注入故障类型数据集，根据测试环境中软件模块的实际运行情况，针对测试环境缺陷数据集中的每一个缺陷数据，建立该缺陷数据与注入故障类型的关联关系数据集；根据生产环境中软件模块的实际运行情况，针对生产环境缺陷数据集中的每一个缺陷数据，建立该缺陷数据与注入故障类型的关联关系数据集；

并将所有缺陷数据与注入故障类型的关联关系数据保存在数据库中的缺陷数据与注入故障关系表中，每一条关系数据至少包含以下字段：缺陷id、注入故障类型id；

D.初始化隐马可夫模型λ的参数,建立注入故障预测模型；以实体元素id序列为观测序列、注入故障类型id序列为隐藏状态序列，建立隐马可夫模型λ,λ＝(A,B,π)，其中A为隐藏状态序列的状态转移概率的矩阵,B为隐藏状态序列生成观测序列的概率矩阵,π为初始的隐藏状态序列的概率分布矩阵；

初始化隐马可夫模型参数:根据实体元素id序列到注入故障类型id序列的转换，将模型参数变量设置为1,表示实体元素到注入故障类型的转换是必然发生的，每一个实体元素均有对应的注入故障类型；

E.以测试环境缺陷数据集和缺陷数据与注入故障类型的关联关系数据集一起作为训练样本集，以及将生产环境缺陷数据集和缺陷数据与注入故障类型的关联关系数据集一起作为测试样本集，用训练样本集和测试样本集对注入故障预测模型进行训练和测试，当训练误差值低于阈值时，终止训练，得到满足要求的最优参数的注入故障预测模型；

F.根据软件模块的当前变更内容，分析变更内容中所包括的实体元素，并在数据库中查询出所述对应的实体元素对应的id，形成待预测的实体元素id序列；将所述待预测的实体元素id序列和最优参数的注入故障预测模型一起输入维特比算法，得到最优的注入故障类型id序列；

G.根据得到的最优注入故障类型id序列，在注入故障类型表中查询出该注入故障类型数据，得到注入故障类型预测结果；在缺陷数据与注入故障关系表中查询出缺陷数据，得到导致这些注入故障的缺陷数据；

H.根据得到的注入故障类型预测结果，以及对应的缺陷数据，得到需要注入软件模块的每一个实体元素的缺陷类型,从而设计出软件模块的缺陷构造策略，进行缺陷构造和模拟，实施故障注入，判断软件模块的故障状态。

2.如权利要求1所述的一种基于历史缺陷数据挖掘的软件故障注入方法，其特征为：步骤C建立注入故障类型数据集，其中包括健壮性、容错性、容灾性和服务高可用性注入故障类型，注入故障类型数据集包含了以下字段：注入故障类型id、注入故障类型名称，并且将其保存在数据库的注入故障类型表中；根据软件模块的实际运行情况，建立缺陷数据与故障类型的关联关系。

3.如权利要求1所述的一种基于历史缺陷数据挖掘的软件故障注入方法，其特征为：步骤E包括:基于步骤B和步骤C得到训练样本集和测试样本集，从训练样本集中任意挑选一组数据，输入初始化后的隐马可夫模型，采用极大似然估计法进行隐马可夫模型参数的估计，得到估计结果后，通过损失函数进行训练效果度量，如果度量结果超过给定阈值，则使用训练样本集中余下的数据继续估计，进行参数的调校；如果度量结果没有超过给定阈值，则用测试样本集进行测试，如果测试结果符合要求，得到一组能够最优拟合训练样本集的模型参数，即得到参数最优的注入故障预测模型；如果预测模型不能很好的拟合测试结果，则交换训练样本集和测试样本集的数据，重新进行训练和测试。