基于信息熵的軟件可靠性多模型動態(tài)預測方法

王二威，瞿 英，吳祈宗，3

（1.北京理工大學珠海學院，廣東　　珠海 519088；2.河北科技大學經(jīng)濟管理學院，石家莊 050018；3.北京理工大學　　管理與經(jīng)濟學院，北京 100081）

基于信息熵的軟件可靠性多模型動態(tài)預測方法

王二威1，瞿 英2，吳祈宗1，3

（1.北京理工大學珠海學院，廣東珠海 519088；2.河北科技大學經(jīng)濟管理學院，石家莊 050018；3.北京理工大學管理與經(jīng)濟學院，北京 100081）

針對經(jīng)典軟件可靠性預測模型中的不一致問題和“變點”問題，研究了一種基于信息熵的軟件可靠性多模型動態(tài)預測方法，采用固定步長滑動窗口的動態(tài)賦權策略，運用信息熵對多個經(jīng)典模型預測性能進行動態(tài)融合，實現(xiàn)了軟件可靠性的綜合預測。試驗結果表明，在一定步長情況下，基于信息熵的軟件可靠性多模型動態(tài)預測方法比單個經(jīng)典模型有更好的預測性能。

軟件可靠性預測；動態(tài)賦權；多模型綜合；信息熵

0 引 言

軟件日益成為影響社會生活、經(jīng)濟、軍事、政治的重要因素：一方面，計算機軟件的應用日益廣泛，人們對計算機軟件的依賴性日益增強；另一方面，軟件的規(guī)模、復雜程度、關鍵程度日益提高，尤其體現(xiàn)在那些關系國計民生的大型工程以及高精尖工程中（如銀行系統(tǒng)、醫(yī)護檢測系統(tǒng)、水利工程、核工程、航天工程等）。這就對軟件的可靠性要求越來越高，因為一旦計算機軟件發(fā)生故障，將會因產(chǎn)生連鎖反應而帶來災難性的后果。在美國航天史上發(fā)生了很多次事故，事后調(diào)查，多數(shù)是由于軟件問題造成的［1］。軟件可靠性的研究開始于20世紀60年代“軟件危機”出現(xiàn)之后，其量化評估和預測日漸成為研究者們關注的焦點。

軟件可靠性的研究是伴隨著“軟件危機”的出現(xiàn)，于20世紀60年代興起的，軟件可靠性模型是軟件可靠性研究中備受關注、成果最多、最活躍的一個領域［1］。軟件可靠性建模的基本方法是：以軟件的歷史失效數(shù)據(jù)為依據(jù)，通過對其失效規(guī)律的擬合，進而預測軟件的未來行為。

早期的研究者們多是采用概率統(tǒng)計的理論和方法，將軟件失效過程看作一個隨機過程，自第一個軟件可靠性模型發(fā)表以來，公開發(fā)表的軟件可靠性模型已達數(shù)百種之多（文中將基于隨機過程的模型稱為“經(jīng)典模型”）。但經(jīng)典模型存在兩個非常明顯的缺陷：一是采用經(jīng)典模型對軟件可靠性進行評估和預測時存在假設條件，這些假設條件是固定不變的，而且無從證明；二是經(jīng)典模型僅僅考慮了輸入的隨機性，對于軟件實際運行時存在的各種隨機因素（如測試工具、測試人員、計算機環(huán)境等）未予考慮。實踐證明：經(jīng)典模型在軟件可靠性評估和預測時存在不一致的問題，即對某一個軟件有較高的預測準確性而對其他的軟件則預測效果很差［2］，此外預測精度也不夠理想。

隨著軟件可靠性研究的深入，更多的研究者將新的理論和方法（如模糊理論［3］、神經(jīng)網(wǎng)絡、支持向量機［4］、遺傳算法、灰色理論［5］、混沌理論［6-7］、未確知理論［8］等）應用于軟件可靠性的建模和優(yōu)化，產(chǎn)生了許多新的預測方法：Karunanith等最早將神經(jīng)網(wǎng)絡系統(tǒng)理論應用到軟件的可靠性預測，取得了良好的效果［9-12］；Khoshgoftaar等將神經(jīng)網(wǎng)絡理論運用到軟件測試中以預測軟件失效［13-14］；Sitte在比較了傳統(tǒng)的回歸參數(shù)模型和基于神經(jīng)網(wǎng)絡的軟件可靠性預測模型的預測性能后，發(fā)現(xiàn)基于神經(jīng)網(wǎng)絡的軟件可靠性模型不僅更簡單，而且具有更好的預測效果［15］?；谏窠?jīng)網(wǎng)絡的軟件可靠性模型可以對不同軟件環(huán)境、不同失效數(shù)據(jù)、不同復雜情況有針對性地構建模型，但也存在3個缺陷：①網(wǎng)絡權重解釋難［8］，神經(jīng)網(wǎng)絡的結構、采用的歸一化方法、選擇的激勵函數(shù)等都會對模型預測性能產(chǎn)生較大的影響；②計算復雜性會隨著神經(jīng)元個數(shù)的增長而快速增長；③容易出現(xiàn)過度擬合。Cai等在大量對比實驗的基礎上指出：大多數(shù)情況下，神經(jīng)網(wǎng)絡方法很難得出滿意的量化預測結果［16］。

Lyu等在進行了多輪次實驗的基礎上得出：通過綜合多個經(jīng)典模型進行的預測，較單個經(jīng)典模型預測的效果更好，而且抗數(shù)據(jù)“噪聲”能力強，不但對短期預測有效，長期預測效果更為明顯［2，17］。多模型綜合預測具有更高的預測精度，且穩(wěn)健性好。之后的研究人員先后采用聚類方法［18-19］、貝葉斯方法［20］、神經(jīng)網(wǎng)絡［21-24］、時間序列［25-26］、組合評價［27-28］等用于軟件可靠性多模型綜合預測，取得了良好的效果。然而以上方法均是靜態(tài)賦權，將多個經(jīng)典模型的預測性能進行綜合，缺乏動態(tài)考慮。Bev Littlewood通過研究發(fā)現(xiàn)了軟件可靠性預測中“變點”的存在，即在一個失效數(shù)據(jù)集中從失效時刻1至失效時刻20大致可以用一個模型來描述，從失效時刻21至失效時刻60則可以用另一個模型來描述［29］，因此不同的經(jīng)典模型在不同的時期預測效果不一樣，需要動態(tài)的賦權來綜合經(jīng)典模型的預測性能，以消除數(shù)據(jù)噪聲、提高預測算法的穩(wěn)定性和魯棒性。

本文提出了一種基于信息熵的軟件可靠性多模型動態(tài)預測方法，采用固定步長滑動窗口的策略，運用信息熵的方法動態(tài)地對各經(jīng)典模型的預測結果進行信息融合，更準確地預測軟件的可靠性。

1　綜合預測問題的一般描述

軟件可靠性多模型綜合預測問題可描述為

針對該組合預測問題，首先確定參與預測的經(jīng)典模型，然后確定各單個經(jīng)典模型的權重，即可計算出多模型綜合預測值。因此，如何計算各經(jīng)典模型的權重是解決問題的關鍵。

2　單個經(jīng)典模型權重的確定

2.1權重確定的方法

軟件可靠性綜合預測最關鍵的環(huán)節(jié)之一是各單個經(jīng)典模型權重的計算，目前關于權重確定的方法可以歸納為靜態(tài)賦權方法和動態(tài)賦權方法。Bev Littlewood的研究表明，不能期望用某一個模型來描述軟件的失效過程，并提出了“變點”的思想。因此，對于軟件可靠性綜合預測，采用動態(tài)賦權法能夠取得更理想的預測效果。本文采用固定步長滑動窗口的動態(tài)賦權方法。

2.2基于信息熵的權重計算

若用m個單一經(jīng)典模型進行預測，對每個單一經(jīng)典模型采用n個指標進行評價，得評價矩陣

式中：A為m個單一模型，n個指標的評價矩陣；aij為第i個經(jīng)典模型的第j個指標的評價值。

對評價矩陣中所有元素進行歸一化，得歸一化評價矩陣

其中

則由信息熵定義知，第i個經(jīng)典模型的信息熵為

其中：Si為第i個經(jīng)典模型的信息熵；bij是第i個經(jīng)典模型第j個指標的評價值在m個模型中所占的比重。

信息熵用來測度系統(tǒng)紊亂程度，因此經(jīng)典模型在綜合預測中的擾動程度可以用該模型的信息熵來衡量：信息熵越大，帶來的擾動就越大，則該模型獲得的綜合預測權重應該越小。因此，第i個經(jīng)典模型在綜合預測中的權重為

3　基于信息熵的軟件可靠性多模型動態(tài)預測

3.1一般步驟

基于信息熵的軟件可靠性多模型動態(tài)預測是在Lyu提出的軟件可靠性多模型綜合預測思想的基礎上，融入“變點”的思想，采用信息熵的方法動態(tài)地對經(jīng)典模型的預測結果進行信息融合，其步驟如下：

Step1：選擇經(jīng)典模型；

Step2：確定固定步長h，令t=h；

Step3：選擇模型預測效果的評價指標；

Step4：采用各單個經(jīng)典模型，分別計算得出0～T時刻預測軟件失效數(shù)序列（T是一個給定的較長時間，t為某個時刻，t包含于［0，T］）；

Step5：根據(jù)各單個經(jīng)典模型t-h+1到t時刻預測軟件失效數(shù)和實際失效數(shù)，采用信息熵的方法計算預測t+1時刻軟件失效數(shù)時各單個經(jīng)典模型的權重wi，t+1；

Step6：利用Step5確定的權重對t+1時刻的軟件失效數(shù)進行綜合預測；

Step7：令t=t+1，返回Step5。

3.2模型預測效果評價指標

對軟件可靠性模型預測效果進行評價最主要的是看模型的有效性，它可以用定量的方法來測量。本文采用的評價指標如下。

①平均絕對誤差：模型預測的誤差均值，只能針對同一數(shù)據(jù)進行比較。平均絕對誤差越小，模型的預測效果越好。

②平均絕對誤差百分比：平均絕對誤差百分比越小，模型的預測效果越好。

③均方誤差：模型預測值和實際值距離，均方誤差值越小，模型的擬合度越高，預測性能越好。

④均方誤差百分比：均方誤差百分比越小，模型的擬合度越高，預測性能越好。

⑤Pearson相關系數(shù)：表示實際序列與預測序列曲線相似程度，其值在0～1，Pearson相關系數(shù)越大，模型的預測效果越好。

前4項評價指標屬于損失性指標，第5項指標屬于效益性指標，為了便于進行綜合評價，將第5項指標變換為損失性指標R′。

3.3實例分析

試驗數(shù)據(jù)：選取Lyu提供的數(shù)據(jù)包［30］中一軟件失效數(shù)據(jù)作為實例進行預測分析，這組數(shù)據(jù)是在實際軟件工程中獲取的軟件可靠性數(shù)據(jù)。

經(jīng)典模型選擇：選用 JM、GO、LV、YO 4個經(jīng)典模型。它們都有很好的預測效果，并在工程中有廣泛的應用。其中：JM是馬爾科夫過程模型，GO和YO是非齊次泊松過程模型，LV是貝葉斯模型，GO、LV模型預測結果比較樂觀，JM、YO模型預測結果有悲觀也有樂觀，4個模型的預測偏好正好可以相互抵消。

單個經(jīng)典模型預測效果評價指標：采用3.2節(jié)確定的5項指標。

采用本文提出的預測方法，分別固定步長為3、4、5進行預測，其預測結果見表1，各模型預測性能評價見表2。

表1　軟件失效預測數(shù)據(jù)Table 1 Predicted results of software failure data

從表1可以看出，該失效數(shù)據(jù)存在“變點”的問題，在第5～7個時刻，JM和LV模型預測相對誤差較小，比較適用；從第8～12個時刻，LV和GO模型預測相對誤差較小，比較適用；13個時刻點后沒有特別合適的模型。

如表2、圖1所示，基于信息熵的軟件可靠性多模型動態(tài)預測方法，采用固定步長滑動窗口的策略，不斷感知數(shù)據(jù)的變化，減小數(shù)據(jù)噪聲，對各時刻各分模型的權重進行調(diào)整，使得整個測試過程中對失效數(shù)的預測更為準確，體現(xiàn)出了比單個經(jīng)典模型更好的預測性能。然而隨著固定步長h的增大，帶來的數(shù)據(jù)噪聲也越大，預測性能反而有所降低，因此需要確定合適的步長以提高預測效果。

表2　各模型預測性能評價Table 2 Estimated performance evaluation of models

圖1　各模型預測性能比較Fig.1 Estimated performance comparison of models

綜合以上實例分析可以得出：多模型綜合預測方法融合了諸多經(jīng)典模型的優(yōu)勢，能夠提高預測算法的穩(wěn)定性和魯棒性，且具備更高的預測精度。

4　結束語

針對軟件可靠性預測中的“變點”問題，本文采用固定步長滑動窗口的動態(tài)賦權策略，運用信息熵方法將多個經(jīng)典模型的預測性能進行融合，提出了基于信息熵的軟件可靠性多模型動態(tài)預測方法。試驗分析表明，在步長合適的情況下，該方法預測性能顯著地優(yōu)于單個經(jīng)典模型的預測性能。

［1］蔡開元.軟件可靠性工程基礎［M］.北京：清華大學出版社，1995.

［2］Lyu M R，Nikora A.Applying reliability models more effectively［J］.IEEE Software，1992，9（4）：43-52.

［3］王二威，侯福均，鄭述招.基于隸屬度的軟件可靠性綜合預測方法［J］.微型機與應用，2011，30（15）：4-7.

［4］崔正斌，湯光明，樂峰.遺傳優(yōu)化支持向量機的軟件可靠性預測模型［J］.計算機工程與應用，2009，45（36）：71 -74.

［5］靳昂，江建慧，樓俊剛，等.基于灰色模型的軟件可靠性建模 ［J］.計算機應用，2009，29（3）：690-694.

［6］鄒豐忠，李傳湘.軟件可靠性混沌模型［J］.計算機學報，2001，24（3）：281-291.

［7］張柯，張德平，汪帥.軟件可靠性混沌神經(jīng)網(wǎng)絡模型［J］.計算機科學，2014，41（4）：172-177.

［8］張永強，孫勝娟.基于未確知理論的軟件可靠性建模［J］.軟件學報，2006，27（8）：1681-1687.

［9］Karunanithi N，Malaiya Y K，Whitley D.Prediction of software reliability using neural networks［C］//1991 IEEE International Symposium on Software Reliability Engineering. IEEE，1991：124-130.

［10］Karunanithi N，Whitley D，Malaiya Y K.Prediction of software reliability using connectionist models［J］.IEEE Transactions on Software Engineering，1992，18（7）：563-574.

［11］Karunanithi N，Whitley D，Malaiya Y K.Using neural networks in reliability prediction［J］.IEEE Software，1992，9（4）：53-59.

［12］Karunanithi N，Whitley D.Prediction of software reliability using feedforward recurrent neural nets［C］//1992 International Joint Conference on Neural Networks.IEEE，1992：800-805.

［13］Khoshgoftaar T M，Pandya A S，More H B.A neural network approach for predicting software development faults［C］// Proceedings of the Third International Symposium on Software Reliability Engineering.IEEE，1992：83-89.

［14］Khoshgoftaar T M，Szabo R M.Using neural networks to predict software faults during testing［J］.IEEE Trasactions on Reliability，1996，45（3）：456-462.

［15］Sitte R.Comparison of software-reliability-growth predictions： Neural networks vs parametric-recalibration［J］.IEEE Trasactions on Reliability，1999，48（3）：285-291.

［16］Cai K Y，Cai L，Wang W D，et al.On the neural network approach in software reliability modeling［J］.The Journal of Systems and Software，2001，58（1）：47-62.

［17］Lyu M R，Nikora A.CASRE：A computer-aided software reliability estimation tool［C］//International Workhop on Computer-Aided Software Engineering Proceedings.IEEE，1992：264-275.

［18］馬颯颯，陳自力，趙守偉.軟件可靠性及可靠性多模型綜合研究［J］.微計算機信息，2006，22（18）：263-265.

［19］緱艷陽.基于模型聚類的軟件可靠性混合模型研究［J］.甘肅聯(lián)合大學學報：自然科學版，2013，27（5）：89-92.

［20］鄒豐忠，徐仁佐.軟件可靠性多模型綜合評估［J］.同濟大學學報，2002，30（10）：1183-1185.

［21］Su Y S，Huang C Y，Chen Y S，et al.An artificial neuralnetwork-based approach to software reliability assessment［C］//TENCON 2005IEEE，Region 10Conference. IEEE，2005：1-6.

［22］Su Y S，Huang C Y.Neural-network-based approaches for software reliability estimation using dynamic weighted combinational models［J］.The Journal of Systems and Software，2007，80（4）：606-615.

［23］尹乾.基于神經(jīng)網(wǎng)絡的軟件可靠性模型研究［D］.北京：北京師范大學，2006.

［24］王高祖，李偉華，徐艷玲.基于神經(jīng)網(wǎng)絡組合模型的軟件可靠性評估研究 ［J］.計算機仿真，2010，27（8）：176 -180.

［25］滕云龍，師奕兵，康榮雷.軟件可靠性組合預測模型研究［J］.計算機應用，2008，28（12）：3092-3094.

［26］李克文，劉洪太.基于時序數(shù)據(jù)的軟件可靠性模型組合新方法［J］.計算機應用，2014，34（S2）：208-210，249.

［27］韓坤，吳緯，曹軍海，等.基于組合模型的軟件可靠性預計方法［J］.系統(tǒng)工程與電子技術，2013，35（12）：2661-2664.

［28］林琳，馮喆.空管自動化系統(tǒng)軟件可靠性的模糊綜合評價 ［J］.沈陽工業(yè)大學學報，2014，36（6）：694-700.

［29］Phame H.Reliability Handbook［K］.NewYork：Springer Verlag，2002.

［30］Lyu M R.Handbook of software reliability engineering/software reliability tools and data［BD/OL］.（2013-11-26）. http：//www.cse.cuhk.edu.hk/～lyu/book/reliability/.

Multi-model dynamic prediction method of software reliability based on information entropy

WANG Er-wei1，QU Ying2，WU Qi-zong1，3
（1.Zhuhai Campus，Beijing Institute of Technology，Zhuhai 519088，China；2.Department of Economics and Management，Hebei University of Science and Technology，Shijiazhuang 050018，China；3.Department of Management and E-conomics，Beijing Institute of Technology，Beijing 100081，China）

Multi-model dynamic prediction method of software reliability based on information entropy was proposed to solve the inconsistency problem and“change points”of classical prediction models.Based on information entropy theory，using dynamic weighted strategy by fixed step sliding window，the combined prediction method of software reliability was obtained which enhanced the prediction results by fushing the prediction performances of classical models dynamically.Test results show that the multi-model dynamic prediction method of software reliability based on information entropy is better than classical ones under the right step condition.

prediction of software reliability；dynamic weight；combinational models；information entropy

TP311

A

1674-9057（2016）03-0603-06

10.3969/j.issn.1674-9057.2016.03.030

2015-06-30

國家自然科學基金項目（71301044）

王二威 （1985—），男，碩士，講師，管理科學與工程專業(yè)，wodezazhi@126.com。

引文格式：王二威，瞿英，吳祈宗.基于信息熵的軟件可靠性多模型動態(tài)預測方法［J］.桂林理工大學學報，2016，36（3）：603-608.