Using time and stochastic models for software reliability forecasting and analysis

Abstract

Tämä työ luo katsauksen ajallisiin ja stokastisiin ohjelmien luotettavuus malleihin sekä tutkii muutamia malleja käytännössä. Työn teoriaosuus sisältää ohjelmien luotettavuuden kuvauksessa ja arvioinnissa käytetyt keskeiset määritelmät ja metriikan sekä varsinaiset mallien kuvaukset. Työssä esitellään kaksi ohjelmien luotettavuusryhmää. Ensimmäinen ryhmä ovat riskiin perustuvat mallit. Toinen ryhmä käsittää virheiden ”kylvöön” ja merkitsevyyteen perustuvat mallit. Työn empiirinen osa sisältää kokeiden kuvaukset ja tulokset. Kokeet suoritettiin käyttämällä kolmea ensimmäiseen ryhmään kuuluvaa mallia: Jelinski-Moranda mallia, ensimmäistä geometrista mallia sekä yksinkertaista eksponenttimallia. Kokeiden tarkoituksena oli tutkia, kuinka syötetyn datan distribuutio vaikuttaa mallien toimivuuteen sekä kuinka herkkiä mallit ovat syötetyn datan määrän muutoksille. Jelinski-Moranda malli osoittautui herkimmäksi distribuutiolle konvergaatio-ongelmien vuoksi, ensimmäinen geometrinen malli herkimmäksi datan määrän muutoksille.

The aim of the present study was to provide a survey of time and stochastic software reliability models, and also to investigate some of these models in practice. The theoretical part of the study contains basic definitions and software metrics, used to describe and evaluate software reliability, and the description of the models as such. The paper provides a survey of two software reliability model groups: risk function based models – the first group, and error ”seeding” and tagging and input data structure based models – the second group. The practical part contains the description and results of experiments, which were done using three models of the first group – Jelinsky-Moranda model, the first geometrical model and the simple exponential model. The purpose of the experiments was to investigate, how the input data distribution affects the model’s functionality, and also how sensitive the models are to the input data size changes. Jelinsky-Moranda model turned out to be the most critical to the distribution because of convergence problems, and the first geometrical model – the most sensitive to the data size changes.