软件失效时序数据的灰色拟合及多步预测算法.docVIP

软件失效时序数据的灰色拟合及多步预测算法 　　摘要： 关键词： 中图分类号： 文献标志码： A文章编号： 2095-2163 　　Abstract： For the reliability model of the software system， its main function is to accurately predict the occurrence of a subsequent software failure time. The paper studies grey fitting problem of the software failure time series data， and proposes the corresponding multistep prediction algorithm. First of all， based on the condition of a fitting accuracy， apply grey theory GM （1， 1） model for the software failure time series data to establish the corresponding piecewise fitting model； then， use the orthogonal polynomial function to estimate fitting residual error at the end of the sequence， and utilize the estimate result for correcting and compensating grey prediction model at the end of the sequence； in the end， apply the combined forecasting model based on compensation to realize multistep projections for the occurrence of software failure time. The experiment verifies the correctness and effectiveness of the algorithm. 　　0引言 　　在?件可靠性的分析与建模过程中，其首要任务就是建立一个精确易用的预测模型，以便对软件系统的各种可靠状况做出精确的预测。根据预测目标的不同，软件可靠性的预测模型通常可以分为两种：静态模型和动态模型。其中，静态模型主要是利用软件系统的各种复杂性参数来预测该软件所隐藏的缺陷总数；而动态模型则是基于软件测试过程中所获得的失效时序数据，借助数理统计的方法来预测下一次软件失效的发生时间[1-3]。由于软件失效时序数据较为容易获取，故动态模型在实际应用中得到了更为广泛的应用。 　　目前，软件可靠性的动态模型按其使用的建模方法划分，又可分为统计分析方法和时序数据辨识方法两大类[4-5]。其中，统计分析方法是在假设某些条件成立的情况下，应用特定的函数分布来描述软件失效时间的发生过程。以基于非齐次泊松过程（non-homogeneous poisson process， NHPP）的预测方法为例，由于该类方法具有预测精度高且结构简单的优点，故其成为软件可靠性的经典统计分析方法[6-8]。相对地，时序数据辨识方法则无需指定任何先决条件的假设，而是利用软件失效时序数据的前后相依关系，直接将时序数据辨识方法应用于建模研究中。例如，马飒飒等通过对软件失效时序数据设计提出多尺度分解，并对分解后所得到的不同数据成分进行单独的建模，进而得到了一种适应性较好的软件可靠性预测模型[9]；贾治宇等基于非平稳时序数据辨识方法，运用自回归积分滑动平均模型 （auto-regressive integrated moving average model， ARIMA）对软件失效时序数据进行建模，从而得到了一种简捷易用的软件可靠性预测模型[10]。此外，由于时序数据辨识方法在建模过程中能较好地关注了数据的动态特性，故在辨识精度上较统计分析方法更具有优势。 　　在实际应用中，用户往往需要预测下一次、甚至后续多次的软件失效的发生时间，即需要进行多步预测。据此，本文拟基于分段的灰色预测模型，设计实现一种具有误差补偿机制的软件失效序列的多步预测算法，并在软件可靠性评测领域的公开数据集中验证算法的正确性和有效性。 　　1问题描述 　　软件失效时序数据是指软件系统在规定的环境中其各次无失效运行的持续时间，以数学的形式进行描述，有：Y=Yt， t∈N+（1）其中，Yt为一随机变量，用