惠子青, 刘晓燕, 严 馨

(昆明理工大学 信息工程与自动化学院， 云南 昆明 650500)

软件可靠性是软件工程领域一个重要分支，在软件保障中具有重要作用[1]。软件可靠性是影响软件质量的最重要因素，评价软件可靠性的方法之一是分析软件的测试过程[2]。为了能够准确评估软件的可靠性，现已开发出上百种应用于实际项目的软件可靠性增长模型(Software Reliability Growth Models，SRGM)。开发出的这些模型都是基于各种各样的假设，所以模型的通用性和预测精度不高。其中最经典的非齐次泊松过程(non-homogeneous Poisson process，NHPP)类软件可靠性增长模型，它的假设条件[3]是：1)软件失效遵循一个NHPP过程；2)在任何时刻软件的失效都是由软件中存在的故障引起的；3)在任何时间序列构成的时间区间中检测到的故障数是相互独立的；4)在任何时刻软件的失效强度与软件中存在的故障数成正比。由于非参数化可靠性增长模型不需要估计参数，且不需要做出条件假设，只需要将历史故障数据作为输入，通过机器学习的相关算法训练非参数化模型，因此非参数化可靠性增长模型可以获得更高的预测精度和更强的通用性。

非参数化的SRGM使用机器学习技术中的人工神经网络、遗传编程和支持向量机(Support Vector Machine，SVM)相关的技术知识来深入了解和预测软件可靠性。其中支持向量机是基于结构风险最小化原则，寻求最小化泛化误差(训练误差和置信区间)的上界，这样具有更高的泛化能力。而经验风险误差原则仅最小化训练误差，支持向量机另一个重要特点是训练支持向量机等同于解线性约束的二次型规划问题。……