鐵路軟件可靠性增長(zhǎng)模型應(yīng)用研究

李紅輝，趙 森，管軍霖，江周嫻

（1. 北京交通大學(xué) 計(jì)算機(jī)與信息技術(shù)學(xué)院 高速鐵路網(wǎng)絡(luò)管理教育部工程研究中心，北京 100044；2. 桂林電子科技大學(xué) 計(jì)算機(jī)與信息安全學(xué)院，桂林 541004）

列車(chē)在運(yùn)營(yíng)過(guò)程中高度依賴軟件的可靠性，如果軟件癱瘓甚至出現(xiàn)一個(gè)小故障，造成的后果可能都是災(zāi)難性的[1]。目前，我國(guó)列車(chē)主要采用按運(yùn)行里程計(jì)劃維護(hù)的策略，運(yùn)營(yíng)和維護(hù)費(fèi)用較高[2]，對(duì)于突發(fā)性或緊急事件的響應(yīng)效果也比較差，嚴(yán)重時(shí)會(huì)造成重大經(jīng)濟(jì)損失和人員傷亡。

軟件可靠性增長(zhǎng)模型（SRGM，Software Reliability Growth Model）用于軟件可靠性的評(píng)估和預(yù)測(cè)[3]。利用SRGM 對(duì)鐵路軟件進(jìn)行可靠性預(yù)測(cè)，能提前預(yù)知故障的發(fā)生時(shí)間，不但能有效幫助鐵路企業(yè)控制成本，還能更好地保證行車(chē)安全。目前，公開(kāi)發(fā)表的SRGM 有100 多種，它們的基本假設(shè)條件不同、考慮的因素不同，適用性也不同，因此，用它們估測(cè)同一款軟件，所得結(jié)果可能差異較大。選擇或設(shè)計(jì)合適的評(píng)估模型、有效進(jìn)行鐵路軟件可靠性評(píng)估是目前亟需研究的問(wèn)題。

邢穎[4]等人討論了鐵路軟件可靠性測(cè)試關(guān)鍵技術(shù)及軟件可靠性模型，但未針對(duì)鐵路軟件失效數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)。潘浪濤[5]建立了一個(gè)鐵路自動(dòng)售票系統(tǒng)的可靠性分析模型，總結(jié)了系統(tǒng)可靠性與系統(tǒng)模塊失效概率之間的關(guān)系，但是，對(duì)模型的普適性未進(jìn)行說(shuō)明。廖亮[6]等人基于非齊次泊松過(guò)程（NHPP）對(duì)處于開(kāi)發(fā)后期階段的鐵路信號(hào)計(jì)算機(jī)聯(lián)鎖軟件進(jìn)行可靠性評(píng)估，但未用NHPP 模型與其它SRGM 作對(duì)比。

本文選取G-O 模型、Delayed S-shaped 模型、Ohba-Chou 模型及P-N-Z 模型[7]4 個(gè)較經(jīng)典的SRGM，分析它們的特點(diǎn)及適用場(chǎng)景，提出一種可靠性模型參數(shù)計(jì)算的優(yōu)化算法，在此研究基礎(chǔ)上開(kāi)發(fā)了一款軟件可靠性增長(zhǎng)模型分析工具（SRGM Tool）。以鐵路聯(lián)鎖軟件為例，研究軟件可靠性增長(zhǎng)模型應(yīng)用方法，確定了適合被測(cè)軟件的可靠性增長(zhǎng)模型，驗(yàn)證了方法的有效性。

1 SRGM 簡(jiǎn)介

SRGM 是在軟件失效數(shù)據(jù)集的基礎(chǔ)上，采用統(tǒng)計(jì)學(xué)方法，用數(shù)學(xué)方程式來(lái)表達(dá)軟件錯(cuò)誤數(shù)量與不同因素（時(shí)間、測(cè)試工作量、不完美排錯(cuò)及錯(cuò)誤檢測(cè)率等）之間的關(guān)系。一般而言，隨著軟件中錯(cuò)誤的排除，軟件中累計(jì)錯(cuò)誤數(shù)量增長(zhǎng)速度變慢，即軟件的可靠性逐漸增強(qiáng)。SRGM 是對(duì)軟件可靠性增長(zhǎng)趨勢(shì)進(jìn)行建模，該趨勢(shì)可用隨機(jī)變量分布描述，建模過(guò)程中提出基本假設(shè)，同時(shí)，引入與該趨勢(shì)相關(guān)的參數(shù)。

設(shè)m(t)表示t時(shí)刻累計(jì)錯(cuò)誤數(shù)量的函數(shù)，a(t)為軟件總錯(cuò)誤量，b(t)為錯(cuò)誤檢測(cè)率，t> 0。

文中，假設(shè)所研究的模型均符合以下條件條件：累計(jì)檢測(cè)到的錯(cuò)誤數(shù)量變化率（dm(t)/dt）與當(dāng)前錯(cuò)誤檢測(cè)率（b(t)）條件下剩余的錯(cuò)誤數(shù)量（a(t)-m(t)）成正比，可用式（1）表示：

1.1 排除錯(cuò)誤類(lèi)型

針對(duì)SRGM，假設(shè)發(fā)現(xiàn)錯(cuò)誤，在排除錯(cuò)誤時(shí)，如果錯(cuò)誤可以完全被改正，且不會(huì)引入新的錯(cuò)誤，稱為完美排錯(cuò)；如果在排除一個(gè)錯(cuò)誤時(shí)引起其它錯(cuò)誤，則稱為不完美排錯(cuò)。

1.2 4 種SRGM

1.2.1 G-O 模型

G-O 模型的假設(shè)條件較理想化，在數(shù)學(xué)表達(dá)上較簡(jiǎn)單，假設(shè)總錯(cuò)誤數(shù)量與錯(cuò)誤檢測(cè)率恒定，即：

屬于完美排錯(cuò)型。

1.2.2 Dealyed S-shaped 模型

該模型考慮了延遲效應(yīng)，開(kāi)始時(shí)增長(zhǎng)比較慢，然后增長(zhǎng)迅速，直至到達(dá)峰值，所以其可靠性增長(zhǎng)曲線是一個(gè)呈S 型的曲線。假設(shè)總錯(cuò)誤數(shù)量恒定，但錯(cuò)誤檢測(cè)率考慮延遲效應(yīng)，函數(shù)表達(dá)為：

同樣屬于完美排錯(cuò)類(lèi)型。

1.2.3 Ohba-Chou 模型

該模型在G-O 模型的基礎(chǔ)上改進(jìn)，考慮排除錯(cuò)誤時(shí)有可能引入新的錯(cuò)誤，假設(shè)在排除錯(cuò)誤時(shí)引入新錯(cuò)誤的概率與t時(shí)刻檢測(cè)到的錯(cuò)誤數(shù)量成正比，比例系數(shù)為r，且r< 1，則a(t)、b(t) 可表示為：

1.2.4 P-N-Z 模型

考慮測(cè)試人員學(xué)習(xí)能力對(duì)失效過(guò)程的影響。a(t)增加，意味著錯(cuò)誤總數(shù)增加，排除錯(cuò)誤過(guò)程不完善；錯(cuò)誤包括已檢測(cè)和排除的錯(cuò)誤，以及在排除錯(cuò)誤過(guò)程中引入的錯(cuò)誤。b(t) 增長(zhǎng)，意味著錯(cuò)誤檢測(cè)率增大，測(cè)試人員學(xué)習(xí)能力提升。設(shè)α為引入錯(cuò)誤率參數(shù)，β為拐點(diǎn)因子，a(t)、b(t)可分別表示為：

1.3 模型對(duì)比分析

4 種模型的對(duì)比分析見(jiàn)表1，從表中可以看出4種模型的差異，主要體現(xiàn)在a(t)和b(t)的不同，使得各模型的適用場(chǎng)景也不同。

2 可靠性增長(zhǎng)模型評(píng)價(jià)指標(biāo)

本文采用擬合與預(yù)測(cè)效果相結(jié)合的方法衡量4個(gè)模型的優(yōu)劣。

表1 4 種模型的對(duì)比

2.1 擬合效果評(píng)價(jià)指標(biāo)

擬合效果即擬合數(shù)據(jù)與真實(shí)數(shù)據(jù)的吻合程度，本文選取均方誤差（MSE）和擬合優(yōu)度（R-Square）兩個(gè)指標(biāo)進(jìn)行評(píng)價(jià)。

2.1.1 MSE

MSE 可以反映模型擬合出的數(shù)據(jù)與真實(shí)數(shù)據(jù)的差距，計(jì)算公式為：

式中，EMSE為均方誤差值，yi為真實(shí)失效數(shù)據(jù)，m(ti) 為擬合數(shù)據(jù)。EMSE值越小，說(shuō)明擬合數(shù)據(jù)與真實(shí)數(shù)據(jù)差距越小，擬合效果越好。

2.1.2 R-Square

與MSE 相似，同樣可以用于評(píng)估模型的擬合效果，計(jì)算公式為：

式中，ER?Square為擬合優(yōu)度值，m(ti) 為ti時(shí)刻累計(jì)錯(cuò)誤數(shù)量的擬合值，yi為ti時(shí)刻累計(jì)錯(cuò)誤數(shù)量的真實(shí)值。

R-Square 的值越接近1，說(shuō)明擬合數(shù)據(jù)與真實(shí)數(shù)據(jù)越接近，擬合效果越好。

2.2 預(yù)測(cè)效果評(píng)價(jià)指標(biāo)

相對(duì)誤差（RE）[8]根據(jù)記錄到的失效數(shù)據(jù)預(yù)測(cè)未來(lái)失效發(fā)生的趨勢(shì)，從而評(píng)價(jià)模型的預(yù)測(cè)效果，可通過(guò)計(jì)算數(shù)據(jù)集中所有記錄的RE 值來(lái)表達(dá)，計(jì)算公式為：

式中，ERE為相對(duì)誤差值，根據(jù)此值繪制模型的RE 曲線，RE 值越小，說(shuō)明該模型的預(yù)測(cè)結(jié)果具有更小的誤差，預(yù)測(cè)性能更好。

3 軟件失效趨勢(shì)分析方法

軟件失效數(shù)據(jù)集包含記錄時(shí)間、累計(jì)錯(cuò)誤數(shù)量等，可借助可視化方法對(duì)其可靠性增長(zhǎng)趨勢(shì)進(jìn)行初步分析。常用的趨勢(shì)分析方法包括圖形法、拉普拉斯法、曲線圖技術(shù)、數(shù)據(jù)建模技術(shù)等，不同失效數(shù)據(jù)分析技術(shù)具有各自的使用場(chǎng)合和優(yōu)勢(shì)。本文采用圖形法和拉普拉斯法分析軟件失效數(shù)據(jù)集的可靠性增長(zhǎng)趨勢(shì)，用可視化方法更方便地觀測(cè)軟件失效數(shù)據(jù)集的發(fā)展趨勢(shì)，以便選擇合適的可靠性模型。

3.1 圖形法

圖形法比較直觀，主要對(duì)軟件運(yùn)行時(shí)間、累計(jì)失效數(shù)等各種變量之間關(guān)系進(jìn)行分析。

橫軸表示時(shí)間ti；

縱軸表示累計(jì)錯(cuò)誤數(shù)量m(ti)，即ti時(shí)累計(jì)故障數(shù)量。

用描點(diǎn)法繪制折線圖，若折線圖呈現(xiàn)凸出狀態(tài)，可 以認(rèn)為可靠性在增長(zhǎng)，否則認(rèn)為可靠性在下降。

3.2 拉普拉斯法

拉普拉斯法[9]是把軟件失效數(shù)據(jù)集采集數(shù)據(jù)的時(shí)間劃分成n個(gè)等長(zhǎng)的單位時(shí)間，在第i個(gè)單位時(shí)間中記錄到的錯(cuò)誤數(shù)為n(i)，拉普拉斯法表達(dá)式為：

式中，u(k) 為第k個(gè)記錄的拉普拉斯因子，k=1, 2, ···,n，以時(shí)間順序觀察拉普拉斯因子值，若拉普拉斯因子值減小，說(shuō)明失效強(qiáng)度降低，則軟件可靠性逐漸增強(qiáng)。

結(jié)合圖形法和拉普拉斯法兩種方法，可以得到軟件失效數(shù)據(jù)集的可靠性增長(zhǎng)趨勢(shì)。

4 參數(shù)計(jì)算及算法優(yōu)化

4.1 參數(shù)計(jì)算

計(jì)算SRGM 中的參數(shù)（即a、b、r、α、β），需要在軟件失效數(shù)據(jù)集的數(shù)據(jù)上進(jìn)行參數(shù)計(jì)算，將得到的參數(shù)值代入模型，計(jì)算出擬合數(shù)據(jù)，與軟件失效數(shù)據(jù)集進(jìn)行擬合。

4.2 算法優(yōu)化

本文參數(shù)計(jì)算采用極大似然估計(jì)法，將軟件失效數(shù)據(jù)集代入模型，給出參數(shù)值的初始化值和范圍，通過(guò)設(shè)定的步長(zhǎng)逐個(gè)枚舉參數(shù)值，求MSE 值，輸出得到最優(yōu)MSE 值時(shí)的參數(shù)值。為減少計(jì)算時(shí)間，在實(shí)驗(yàn)過(guò)程中將范圍和步長(zhǎng)設(shè)置大一些，以快速獲知參數(shù)的最優(yōu)值所在的范圍，然后逐步縮小范圍和步長(zhǎng)，計(jì)算出精確的參數(shù)值。

在實(shí)驗(yàn)過(guò)程中發(fā)現(xiàn)，用軟件失效數(shù)據(jù)集全部數(shù)據(jù)得到的模型參數(shù)，生成的擬合數(shù)據(jù)與真實(shí)值的誤差較大。在幾個(gè)軟件失效數(shù)據(jù)集中進(jìn)行大量實(shí)驗(yàn)，使用數(shù)據(jù)集的前一部分?jǐn)?shù)據(jù)進(jìn)行參數(shù)計(jì)算，后一部分?jǐn)?shù)據(jù)用于驗(yàn)證，結(jié)果表明，使用部分?jǐn)?shù)據(jù)進(jìn)行參數(shù)計(jì)算和MSE 值計(jì)算，所得的MSE 值優(yōu)于使用全部數(shù)據(jù)進(jìn)行相關(guān)計(jì)算得到的MSE 值。因此，改進(jìn)了參數(shù)計(jì)算算法，使用前i（n/2

圖1 參數(shù)計(jì)算的優(yōu)化算法流程

5 可靠性分析工具及實(shí)驗(yàn)分析

在上述理論研究和優(yōu)化算法的基礎(chǔ)上，基于Java 語(yǔ)言，設(shè)計(jì)并開(kāi)發(fā)了一款SRGM Tool，該工具可在個(gè)人計(jì)算機(jī)Web 端使用：導(dǎo)入軟件失效數(shù)據(jù)集，計(jì)算得到模型參數(shù)，進(jìn)行可靠性分析，輔助完成可靠性模型的選擇。

5.1 SRGM Tool

SRGM Tool 的功能模塊包括：軟件失效數(shù)據(jù)集導(dǎo)入，可靠性趨勢(shì)分析，可靠性擬合和預(yù)測(cè)，不同模型的效果對(duì)比，如圖2 所示。

圖2 SRGM Tool 功能模塊示意

（1）軟件失效數(shù)據(jù)集導(dǎo)入模塊：選擇一個(gè)數(shù)據(jù)集導(dǎo)入SRGM Tool 中，為趨勢(shì)分析和模型的擬合做準(zhǔn)備。

（2）趨勢(shì)分析模塊：分析失效數(shù)據(jù)集趨勢(shì)，利用圖形法和拉普拉斯法對(duì)可靠性增長(zhǎng)趨勢(shì)進(jìn)行刻畫(huà)，得到所選數(shù)據(jù)集的可靠性增長(zhǎng)趨勢(shì)。

（3）模型擬合模塊：在所選軟件失效數(shù)據(jù)集的基礎(chǔ)上，根據(jù)模型的均值函數(shù)和參數(shù)值，計(jì)算得出擬合值，將它們與軟件失效數(shù)據(jù)集的數(shù)據(jù)進(jìn)行擬合，在同一坐標(biāo)系中展示結(jié)果，并計(jì)算相應(yīng)的評(píng)價(jià)指標(biāo)值（MSE 值、R-Square 值、RE 值）。

（4）模型效果對(duì)比模塊：支持同數(shù)據(jù)集不同模型的對(duì)比、同模型不同數(shù)據(jù)集的對(duì)比。其中，同數(shù)據(jù)集不同模型的對(duì)比，在同個(gè)數(shù)據(jù)集上進(jìn)行擬合，繪制所有模型的曲線；同模型不同數(shù)據(jù)集的對(duì)比，在3 個(gè)數(shù)據(jù)集上進(jìn)行擬合，展示3 個(gè)擬合圖形。

5.2 鐵路軟件失效數(shù)據(jù)集

為了對(duì)鐵路軟件進(jìn)行準(zhǔn)確估計(jì)，需要真實(shí)的鐵路軟件失效數(shù)據(jù)集，保證數(shù)據(jù)的真實(shí)性、準(zhǔn)確性及完整性。本文在進(jìn)行模型對(duì)比實(shí)驗(yàn)驗(yàn)證時(shí)選取了鐵路計(jì)算機(jī)聯(lián)鎖軟件的失效數(shù)據(jù)集，該數(shù)據(jù)集以《計(jì)算機(jī)聯(lián)鎖技術(shù)條件》為標(biāo)準(zhǔn)判斷軟件是否出錯(cuò)，軟件運(yùn)行半年，共采集了17 組失效數(shù)據(jù)，每組數(shù)據(jù)記 錄了測(cè)試的時(shí)間和累計(jì)錯(cuò)誤數(shù)量。

5.3 實(shí)驗(yàn)

在SRGM Tool 上，以鐵路計(jì)算機(jī)聯(lián)鎖軟件的失效數(shù)據(jù)集為例開(kāi)展實(shí)驗(yàn)。

（1）導(dǎo)入軟件失效數(shù)據(jù)集，進(jìn)行可靠性趨勢(shì)分析，將計(jì)算得到的結(jié)果繪制成圖形。

（2）計(jì)算模型參數(shù)，得到參數(shù)后，利用可視化方法展示各模型與鐵路軟件失效數(shù)據(jù)集的擬合效果，同 時(shí)，計(jì)算、展示可靠性評(píng)估的指標(biāo)值。

5.3.1 軟件可靠性增長(zhǎng)趨勢(shì)分析

運(yùn)用圖形法得到的結(jié)果如圖3 所示，運(yùn)用拉普拉斯法得到的結(jié)果如圖4 所示，兩種方法所展現(xiàn)的效果基本一致，曲線斜率總體上隨時(shí)間變化逐漸減小。拉普拉斯法中，總體上數(shù)值在減小。第9～第78 天期間出現(xiàn)了波動(dòng)，局部可靠性下降，但該軟件失效數(shù)據(jù)集總體上呈可靠性增長(zhǎng)趨勢(shì)。

圖3 軟件可靠性增長(zhǎng)趨勢(shì)結(jié)果（圖形法）

對(duì)于鐵路軟件失效數(shù)據(jù)集進(jìn)行初步的可靠性增長(zhǎng)趨勢(shì)分析后，可根據(jù)該數(shù)據(jù)集的趨勢(shì)特點(diǎn)選擇合適 的模型進(jìn)行驗(yàn)證，本文利用4 個(gè)模型進(jìn)行對(duì)比驗(yàn)證。

5.3.2 模型擬合對(duì)比

利用改進(jìn)的參數(shù)計(jì)算方法，多次試驗(yàn)發(fā)現(xiàn)，運(yùn)用前14 組數(shù)據(jù)計(jì)算參數(shù)，得到的MSE 值最小，即擬合效果最好，因此，選擇前14 組數(shù)據(jù)得到的參數(shù)組合作為最終采用的參數(shù)數(shù)值，以達(dá)到更好的擬合效果，同時(shí)，選擇第15～第17 組數(shù)據(jù)作為驗(yàn)證數(shù)據(jù)。

圖4 軟件可靠性增長(zhǎng)趨勢(shì)結(jié)果（拉普拉斯法）

將鐵路聯(lián)鎖軟件失效數(shù)據(jù)集運(yùn)用于G-O 模型、Delayed S-shaped 模型、Ohba-Chou 模型及P-N-Z 模型上，進(jìn)行擬合測(cè)試，計(jì)算各模型引入?yún)?shù)的數(shù)值，繪制相應(yīng)的擬合曲線，4 種模型的擬合結(jié)果在同一圖形中進(jìn)行對(duì)比，如圖5 所示，圖6 為相對(duì)誤差曲線，表2 列出各模型的擬合效果評(píng)價(jià)指標(biāo)值。

圖5 擬合結(jié)果圖形對(duì)比

圖6 各模型相對(duì)誤差曲線

5.4 結(jié)果分析

結(jié)合實(shí)驗(yàn)結(jié)果，可以得到以下結(jié)論：

（1）圖5 中，第1～第14 組數(shù)據(jù)作為擬合數(shù)據(jù)，第15～第17 組數(shù)據(jù)作為驗(yàn)證數(shù)據(jù)。從圖中可以看出，擬合數(shù)據(jù)中，P-N-Z 模型與數(shù)據(jù)集數(shù)據(jù)的擬合優(yōu)度最好；而驗(yàn)證數(shù)據(jù)中，G-O 模型的擬合效果則更好一些，但是總體上P-N-Z 模型的效果最優(yōu)。從圖6 的相對(duì)誤差曲線也可以得到同樣的結(jié)論；

（2）從圖5 中可以明顯地發(fā)現(xiàn)，Delayed S -shaped 模型在初始時(shí)增長(zhǎng)緩慢，反映了模型的延遲效應(yīng)，但是對(duì)于本文的鐵路軟件失效數(shù)據(jù)集，總體擬合效果較差，說(shuō)明此數(shù)據(jù)集可能不存在排除錯(cuò)誤延遲問(wèn)題；

（3）G-O 模型擬合和預(yù)測(cè)效果均為4 個(gè)模型中最差的，Ohba-Chou 模型在該數(shù)據(jù)集上擬合較好，從量化指標(biāo)來(lái)看差距較小，原因?yàn)镺hba-Chou 模型是在G-O 模型基礎(chǔ)上考慮新引入的錯(cuò)誤數(shù)與糾正的錯(cuò)誤數(shù)成正比，比較理想化，所以O(shè)hba-Chou 模型較G-O 模型有改進(jìn)，但是改進(jìn)不大；

（4）從表2 中可以看出，對(duì)于該聯(lián)鎖軟件的失效數(shù)據(jù)集來(lái)說(shuō)，P-N-Z 模型的擬合優(yōu)度最好，若用于實(shí) 際生產(chǎn)中，該模型是最佳選擇。

6 結(jié)束語(yǔ)

本文對(duì)鐵路軟件可靠性模型應(yīng)用方法進(jìn)行了研究，利用4 種可靠性增長(zhǎng)模型，對(duì)鐵路軟件進(jìn)行可靠性增長(zhǎng)趨勢(shì)分析和可靠性評(píng)估預(yù)測(cè)，提出了一種可靠性模型參數(shù)計(jì)算的優(yōu)化算法，并通過(guò)實(shí)例給出鐵路聯(lián)鎖軟件可靠性模型分析和預(yù)測(cè)的方法，可為鐵 路領(lǐng)域其它軟件的可靠性分析和預(yù)測(cè)提供參考。

每個(gè)可靠性模型都有其適用的失效數(shù)據(jù)集和場(chǎng)景，具體情況應(yīng)結(jié)合實(shí)際應(yīng)用進(jìn)行分析。對(duì)于本文實(shí)驗(yàn)中的鐵路聯(lián)鎖軟件失效數(shù)據(jù)集而言，P-N-Z 擬合效果最優(yōu)。

在鐵路領(lǐng)域其它軟件的實(shí)際使用中，可結(jié)合收集到的軟件失效數(shù)據(jù)集，與各個(gè)模型相結(jié)合，考察模型的擬合優(yōu)度和預(yù)測(cè)效果，結(jié)合MSE 和R-Square等指標(biāo)，進(jìn)行綜合比較，最終選擇更適合其失效過(guò)程的模型，預(yù)測(cè)下次失效的時(shí)間或發(fā)生錯(cuò)誤的頻率，提前做好排除錯(cuò)誤計(jì)劃和相關(guān)措施，從而保障鐵路運(yùn)營(yíng)和維護(hù)安全，最大限度地減小因軟件失效帶來(lái)的經(jīng)濟(jì)損失。