软件可靠性分析基于多元伯努利分布

P.Banupriya
PG学生,Easwari工程学院,印度钦奈

文摘

相关组件故障(COCOF)可能降低一个基于组件的软件应用程序的可靠性,因此这些失败应明确纳入软件可靠性分析过程。相关组件故障的软件应用程序的上下文中应该分析可靠性应用设计和应用程序的体系结构可以基于中国十冶公司的代表。一些当代的可靠性分析方法引入一个指数参数的数量和计算效率低下,然而,甚至不能扩展到小型的软件应用程序。提出一种有效的、可伸缩的方法来分析与COCOF基于组件的软件应用程序的可靠性。由于方法是简单和有效的,并且可以应用于大型系统确定相关性。

关键字

体系结构分析为基础,相关组件失败,连续时间马尔可夫链,多元伯努利分布,灵敏度分析

介绍

系统的可靠性可以取决于单个组件的可靠性和软件开发过程的基础上,基于组件的软件设计。的建模方法能够考虑的架构可以估计系统可靠性考虑组件之间的交互,使用组件,组件及其接口与其他组件的可靠性。基于模型的分析描述应用程序可靠性基于组件和其体系结构。提出了许多分析模型来识别软件可靠性的问题。程序的可靠性可以测量1 -失败的可能性。如果程序给出了正确的答案,一个程序的可靠性等于1否则它是零。故障发生,如果考虑到输入值执行的程序,输出值是正确或不正确的。许多软件可靠性增长模型的假设是独立在连续的软件运行但是软件组件的依赖是一个常见的问题。

有三种类型的依赖。

1。软件模块的输出之间的依赖。

2。之间的依赖连续执行验收测试软件模块

3所示。在输入数据流聚类的依赖。

现有的基础架构模型种类分为三种类型:基于状态,基于路径和添加剂。基于状态模型用于表示软件架构通过使用控制图和预测的可靠性。基于路径的模型估计软件可靠性基于程序的可能的执行路径。可以确定使用模拟或执行路径算法通过执行应用程序。添加剂使用非齐次泊松过程模型(NHPP)模型的每个组件的可靠性。

在三类基于体系结构的软件可靠性模型,比较其他两种方法基于状态模型探索了在更大的程度上。系统分类方案基于状态可靠性预测方法。在基于状态模型的架构应用程序建模作为一个离散时间马尔可夫链(DTMC),或连续时间马尔可夫链(中国十冶公司)。大多数当代方法假定组件故障相互独立,但在实际上,组件的依赖性。因此,为了克服这种局限性,COCF模型介绍了软件体系结构的框架下的软件组件,组件之间的交互,他们的失败可能被认为是一个集成的方式[2]。

提出了一个高效、可伸缩的方法基于多元伯努利(多功能车辆总线)分布[3]分析与COCF软件应用程序的可靠性。现有的技术引入了指数参数的数量。提出的方法论的产生只有二次参数的数量和它消除了瓶颈的现代方法。

二世。相关研究

面向用户的软件可靠性模型提出的罗杰·C。张[4]测量软件系统的可靠性基于用户环境和制定一个简单的马尔可夫模型来确定软件系统的可靠性基于单个模块。beta-binomial分布建模多版本的软件和相关故障的组合模型来预测一个多版本软件系统的可靠性和社区错误恢复计划是用来增加多版本软件的可靠性提出了由尼古拉和Goyal [5]。Goseva提出的方法论和苏尼尔kamavaram[6]基于不确定性分析架构的软件可靠性模型对大型复杂的基于组件的应用程序。

恢复块用于建模软件容错技术,提出了由tomek trivedi [7]。我们使用伊和李强度分布。我们引入一个新的方法来生成强度分布和它是基于之间的两两相关模块。为基础的NHPP SRGM(软件可靠性增长模型)一步法(N-version编程)系统是腾和范教授提出的[8]。一步法系统的可靠性增长模型考虑了错误介绍率和错误去除效率。我们提出了一个框架,基于状态模型[2]基于体系结构的软件可靠性预测。代表不同的状态模型作为离散时间马尔可夫链(DTMC),或连续时间马尔可夫链(中国十冶公司)这些模型是用于表示应用程序的体系结构和模型用于定义应用程序的组件的失效行为和分析方法。

三世。基于体系结构的分析

在本节中,我们提供了一个基于该体系结构的概述一个软件应用程序的可靠性分析。软件的体系结构由吸收表示连续时间马尔可夫链(中国十冶公司)和指数分布为每个组件执行时间/访问。终端状态C和F代表应用程序的成功和失败。我每个节点,直接从我与率μipij j创建,j的概率控制在哪里从成功执行的组件我转移到组件j。组件的参数平均执行时间由1 /μi。每个组件失败常λi失败率。

让Ri表示组件的状态我。国际扶轮可以取两个值中的一个0或1,其代表组件的成功或失败。我们假设应用程序的执行组件1,开始和终止的n组件。因此,状态1考虑初始状态和状态n是认为中国十冶公司的最终状态和吸收状态。流行架构基础分析方法考虑以下假设。

一个¯·组件是基于两种可能的状态:成功和失败

一个¯·结果表明应用程序失败的执行组件

我们通过一个示例应用程序说明了基于体系结构的方法从欧洲太空总署(ESA)[6]及其架构图所示。1。它可以被建模的基础上,吸收中国十冶公司。假定的失败率远远小于执行利率,因此许多交易所controlare将发生在出现故障之前,也就是执行过程收敛到稳态之前失败是可能发生的。建设的马尔可夫过程如下。考虑一个n + 1国家中国十冶公司n瞬态状态和一个吸收状态。发生器Q *后获得吸收状态是不可约和描述了中国十冶公司获得由原中国十冶公司使用相同的初始概率,每当一个吸收n + 1发生状态。

解析器是应用程序的初始组件用于在模块中遇到一个语法错误和错误报告给用户。系统收益计算模块用于将数据和优化执行。系统生成的输出给用户。如果输出是正确的,计算模块将直接进入结束状态。如果到达结束状态,比应用程序是可靠的。

转移概率矩阵由j (t) i和j代表了组件和t代表执行时间和图1中的组件可以表示为

它还可以用于计算一些的ESA可靠性参数值和获得一个解析表达式,因为它使用敏感性分析改变参数值。敏感性分析是非常有用的在设计阶段的应用程序和组件参数具有高度不确定性,和不同的参数对应用程序的可靠性评估。应用程序可以提供面向语言的用户界面,允许用户解释一组天线的配置。应用程序的目的是准备一个基于预定义的数据文件格式和用户的特征。描述的阵列天线配置使用数组定义语言。

IV.MULTIVARIATE伯努利分布

多功能车辆总线分布可以表示组件可靠性μ和成对组件的相关性,可以使用关联矩阵来表示©。我们编码组件的多频振荡器参数表示为独立的泊松变量的函数。泊松过程的概率质量函数

k在哪里发生的事件的数量,t代表故障间隔时间和λ> 0的速度发生的事件如方程(1)所示。如果其中一个泊松变量经历一个或更多事件,那么所有相关组件是假设这个变量失败。我们必须考虑零的概率事件编码多频振荡器的参数。

我们证明这个编码过程使用三个组件的一个例子系统基于组件可靠性<μ1 = 0.909,μ2 = 0.936,μ3 = 0.968 >,和相关矩阵

这些多功能车辆总线编码参数,Λ1中泊松率矩阵。对角线这个插图是充分的矩阵是对称的

V.ALGORITHM

选择性特征规则的情况开始所有专业零泊松变量的事件。在这种情况下,所有系统部件是可靠的,从而导致一个可靠的系统。从这个主要情况,我们倾向于持续设置泊松变量,并探索混合的方式将增加piosson变量之一,它以关联应用程序失败。算法的目的是寻找那些泊松组合变量,导致系统的可靠性,而考虑最少的组合,导致不可靠的系统联系起来。选择性的描述表征方法将正式描述如下。考虑泊松的组合变量映射到相关联的结果所产生的联合分布系统故障。选择性特征算法遵循一些步骤提供系统可靠性估计。它接受作为输入的令牌系统的削减,可能决定支持使用任何有效的使单机系统设计[10]。

一个¯·使单机始于国家每当Y都是零。这是所有泊松变量的组合技能零事件,导致所有可靠的组件。这个状态的基础节点在零级的选择性特征树,并且可以为软件应用程序的可靠性。

一个¯·第一次迭代产生n (n + 1) / 2根节点的孩子。在每一个节点,一个独特的泊松变量准备至少一个。

一个¯·算法也检查是否这个集合包含一个系统的割集。如果节点包含割集,然后组合不会导致系统可靠性和它的孩子永远不会导致应用程序的可靠性。

一个¯·当每个节点的水平在评估一个在所有的树,节点的设置,没有产生单位探索任何系统故障区域。

一个¯·故障集与设计的割集相比,节点是消除任何认为如果故障集的结合最终在系统故障。

¯·通常,树的水平考虑泊松变量的组合无论专业知识一个或更多事件。一个节点,导致系统的可靠性也会一片叶子曾经剩余变量的数量。

算法终止一旦没有节点将进一步阐述。这条规则确保发现所有的公式组合导致系统的可靠性。

视图。显示创建的树有选择性的描述规则。规则构造节点的基础。然后创建六个孩子节点,一个用于每一个泊松变量。表2显示了计算基层泊松的变量。对于每一个组合,包括

一个¯·的结果映射到泊松变量的联合分布

一个¯·节点是否有助于应用程序的可靠性。

第一、第二、第三和第六个节点是叶节点包含削减。回顾表我,决定,所有三个组件失败一旦日元= 1。因此,000100年和000010年的两个节点,导致应用程序的可靠性。因此,计算树的第二层次包括节点000110。这个节点对系统可靠性和它对应的结果是100。我们计算每个结果的概率,结合这些概率基于全概率公式来估计系统的可靠性

其中公关{R}表示概率的结果组件和E[一]¢R代表应用程序的条件概率为每个组件的结果和这些条件概率乘以组件的概率结果,和聚合的结果从方程(5)无条件概率,导致系统可靠性估计E [Acorr] = 0.8864。E (Acorr)代表了应用程序的可靠性与相关性。

VI.SENSITIVITY分析

敏感性分析是重要的评估应用程序的可靠性和性能的敏感性。它也有助于优化软件和瓶颈分析的组件[9]。为模型输入参数的值是未知的,在设计阶段的发展。灵敏度分析可以用来分析的输入参数的变化对可靠性的影响指标和性能。这个分析最关键的组件,用于识别优先改进基于有限的资源。

在灵敏度分析相关参数可以识别的影响减少或消除两两相关应用程序的可靠性。在当代的方法是低效的,因为它引入了一个指数的相关参数。这个模型表明如何提高系统可靠性的评估系统可靠性的敏感性。灵敏度分析技术开发,以确定系统可靠性最重要的组件。这个模型的应用来确定失败的预期违约成本和开发成本有效的测试策略。灵敏度分析可以改变建筑模型的某些参数,观察对预测结果的影响。可靠性的敏感性个体模型参数的估算,然后评估应用程序的可靠性。

七世。结论和FUTUREWORK

本文提出了一种有效的方法来评估软件的可靠性基于组件的应用程序使用中国十冶公司,考虑到应用程序体系结构,软件组件之间的单个组件的可靠性和相关性。这种方法依赖于关联算法,变换一个多元伯努利分布的联合分布组件[11]。选择性提高了现有模型的方法描述只有那些联合分布的结果,导致系统的可靠性。方法的有效性证明使用ESA的应用程序。因为它的力量,另外适合的方法分析系统可靠性的敏感性组件和相关参数。我们未来的分析包括扩展MVB-based方法为应用程序的可靠性得到解析表达式,这将提高可靠性和灵敏度分析的能力。

引用

埃德·m .律,软件可靠性工程的手册。纽约,纽约,美国:麦格劳-希尔,1996年。
Gokhale和k . Trivedi”为架构的软件可靠性预测中分析模型:一个统一的框架,“IEEE反式。Rel卷。55岁。4,第590 - 578页,2006年12月。
n·约翰逊,美国科孜,n . Balakrishnan离散多元分布,爵士。爵士。威利系列概率和统计。美国纽约:威利,1997年。
r·张“面向用户的软件可靠性模型,IEEE反式。软件中。,vol. 6, no. 2, pp. 118–125, Mar. 1980.
诉尼古拉和a . Goyal建模相关社区失败和错误恢复的多版本软件,“IEEE反式。软件中。,vol. 16, no. 3, pp. 350–359, Mar. 1990.
K。Goseva-Popstojanova和美国Kamavaram”,基于组件的软件系统的可靠性评估的不确定性”,在Proc, Int。电脑。软件Rel。英格。,Denver, CO, USA, Nov. 2003, pp. 307–320.
l . Tomek j . Muppala, k . Trivedi“建模相关软件恢复块、IEEE反式。软件中。,vol. 19, no. 11, pp.1071– 1086,Nov.1993.
x腾和h·范教授n-version编程系统的软件可靠性增长模型”,IEEE反式。Rel卷。51岁的没有。3,第321 - 311页,2002年9月。
美国Gokhale和k Trivedi可靠性预测和基于软件体系结构灵敏度分析,“在Proc, Int。电脑。软件Rel。英格。,Annapolis, MD, USA, Nov. 2002, pp. 64–75.
d . Karger“随机抽样图优化问题,”博士,斯坦福大学,斯坦福大学,CA, 1994年。
l . Fiondella s Rajasekaran, s . Gokhale“高效的系统可靠性与相关组件失败,”在Proc。13日IEEE Int.High保证系统。Eng。计算机协会。,Boca Raton, FL, USA, Nov. 2011.