基于分形的软件失效时间预测详解.ppt

算法 Begin Repeat for i=k to m+k-1 { B(i)=log(A(i)); C(i)=log(i); } A=log(s)=-dlog(k); K++; Until End 分形与混沌关系密切，但是含义却各不相同。虽然，混沌一般会产生分形结构，但不是所有的分形都由混沌产生，二者并没有必然联系[12]。上述软件可靠性数据中失效次数和失效时间间的分形关系是否是因为混沌产生的呢？这需要求李雅普诺夫指数。相空间中所有李雅普诺夫指数的总和为系统体积的平均收缩率，如果其总和大于零，则该系统可能混沌。因此，常常用求最大李雅普诺夫指数的方法来判别系统是否混沌。 * * * * Begin 初始化：确定滑动窗口大小m，k=1，A是窗口中实际失效次数（1到m）对应时间的数组； Repeat for i=k to m+k-1{ B(i)=log(A(i));(窗口中实际失效时间对数) C(i)=log(i); (窗口中失效次数对数) } ①根据（5）式，按照线性回归的方法，计算窗口内各点拟合直线的斜率b= d= 和常数a=log（s）=-d log（k）； ②对窗口外紧邻的一点按求得的b、a进行预测； ③将窗口外紧邻的一点的实际失效时间加入A； k++;(窗口后移) until 测试结束 End 当m=7时，用失效次数与失效时间描述的所有点的双对数中，预测与实际相差最大为5.6℅，一般相差不超过1℅；然后，又选择了m=8至30的所有值，所有点的双对数的预测与实际相差最大均未超过5.8℅，以m=26时为最佳，相差最大不超过2℅。可见，用失效次数与失效时间描述的所有点的双对数在窗口范围内具有良好的线性性，虽然，随着窗口的滑动，利用线性回归求得的斜率有变化，但是，线性关系却依然保持，也就是说，在窗口滑动的过程中，后来窗口中的点可能不和以前窗口中的点近似在一条直线上，但是，在同一个窗口中的点却的确近似在一条直线上，并且还可以对下一个点作出较准确的预测。 * * * * 基于分形的软件失效时间预测 姓名：黄露 学号：20111156011 学校：西南林业大学 学院：计算机与信息学院 指导教师：曹涌 研究意义 目前软件使用已经涉及到经济、政治、国防等方面，在信息社会中发挥着至关重要的作用。 软件本身会出现相关问题，就会出现风险，包括软件故障、软件错误、软件缺陷、软件失效，如果问题严重就会影响国家机密等，本文主要是关于软件失效问题的研究。 如何预测软件失效时间 可靠性模型的提出。 分形模型的广泛使用（分形可以用于预测地震这些随机事件的分析与预测等）。 提出对于软件失效这种随机事件，是否可以用分形分析和预测？(软件失效预测以前比较常用的模型有Littlewood等模型预测) 分形数据存在幂律伸缩性关系 基于分形的软件可靠性模型 分形的特点是由分形维数D来描述，根据观测的尺度r和在此时被观测到的度量N（r）定义 因为 所以   由分形的讨论可以知道，只要能证明被观测到的度量N(r)和观测的尺度r的各点的双对数在一条的双对数在一条直线上，即可认为存在分形关系。那么在软件可靠性数据中，是否存在这种关系呢？ 将软件失效发生看作“点事件”它可以用每次失效发生时间和从软件测试开始到该次失效发生时的总次数描述，以时间作为观测的尺度r，失效发生次数作为被观测到的度量N(r)，再对这些点求双对数，便可以对它们进行分析。 数据1 数据集1：因为表1现在关心的是从开始测试到发生第i次失效时时间累积（逐行从左到右读）,所以对之进行交换得到表2 表1 数据1的处理 数据集2： Musa数据集1中第i次失效时的累计时间（i=1，...），逐行从左到右读 表2 数据集1的双对数图： 对用失效次数与失效时间描述的所有点的双对数在窗口范围内具有良好的线性性，虽然，随着窗口的滑动，利用线性回归求得的斜率有变化，但是，线性关系却依然保持 。在同一个窗口中的点近似在一条直线上，并且还可以对下一个点作出较准确的预测。对M u sa 数据集1的分析看来，基于分形的软件可靠性模型是有效的 实验截图分析 实验截图分析 对M usa 数据集1进行预测，选择滑动窗口大小m=7，其预测与实际的比较见右图，可见, 预测与实际数据基本吻合 Musa数据集2中第i次失效时的累计时间（i=1，2，……），逐行从左到右读 数据2 数据2与实际比较图 其预测与实际的比较见右图，实际失效数据与预测失效数据的线性回归基本一致。可见, 由图形分析可知，预测与实际数据基本吻合 数据3 NTDS数据集中第i次失效时的累计时间（i=1，2，……），逐行从左到右读 数据2与实际比较