그룹 고장 데이터의 소프트웨어 신뢰성 예측에 관한 신경망 모델

Neural Network Modeling for Software Reliability Prediction of Grouped Failure Data

  • 이상운 (국방품질관리소) ;
  • 박영목 (경상대학교 대학원 컴퓨터공학과) ;
  • 박수진 (경상대학교 컴퓨터과학과) ;
  • 박재흥 (경상대학교 컴퓨터과학과)
  • 발행 : 2000.12.01

초록

많은 소프트웨어 프로젝트는 시험이나 운영단계에서 고장 시간이나 고장 수 데이타 보다는 그룹 고장 데이타 (여러 고장 간격에서 또는 가변적인 시간 간격에서의 고장 들)가 수집된다. 본 논문은 그룹 고장 데이타에 대해 가변적인 미래의 시간에서 누적 고장 수를 예측할 수 있는 신경망 모델을 제시한다. 신경망의 입-출력으로 무엇을 선택하고 어떤 순서로 훈련을 수행하느냐에 따라 신경망의 예측력에 영향을 미친다. 따라서, 신경망의 입-출력에 대한 11개의 훈련제도가 고려되었으며, 모델의 성능을 평가하기 위해 다음 단계 평균 상대 예측 오차 (AE)와 정규화된 AE (NAE) 측도에 의해 최적의 훈련제도가 선택되고, 다른 잘 알려진 신경망 모델과 통계적 소프트웨어 신뢰성 성장 모델과 비교되었다. 실험 결과, 가변적인 미래의 시간 간격에서 누적 고장 수를 예측하기 위해서는 신경망 모델에 가변 시간간격 정보가 필요함을 보였다.

Many software projects collect grouped failure data (failures in some failure interval or in variable time interval) rather than individual failure times or failure count data during the testing or operational phase. This paper presents the neural network (NN) modeling that is dble to predict cumulative failures in the variable future time for grouped failure data. ANN's predictive ability can be affected by what it learns and in its ledming sequence. Eleven training regimes that represents the input-output of NN are considered. The best training regimes dre selected rJdsed on the next' step dvemge reldtive prediction error (AE) and normalized AE (NAE). The suggested NN models are compared with other well-known KN models and statistical software reliability growth models (SHGlvls) in order to evaluate performance, Experimental results show that the NN model with variable time interval information is necessary in order to predict cumulative failures in the variable future time interval.

키워드

참고문헌

  1. G. Cybenko, 'Approximation by Super-positions of A Sigmoidal Function,' Mathematics of Control, Signals and Systems, Vol.2, pp.303-314, 1989 https://doi.org/10.1007/BF02551274
  2. S. E. Fahlman and C. Lebiere, 'The Cascade-Correlation Learning Architecture,' Advances in Neural Information Processing Systems II, pp.525-532, 1990
  3. J. Ghosh and K. Tumer, 'Structural Adaptation and Generalization in Supervised Feedforward Networks,' Journal of Artificial Neural Networks, Vol.1, No.4, pp.431-458, 1994
  4. A. L. Goel, 'Software Reliability Models Assumptions, Limitation, and Applicability,' IEEE Trans. on Software Eng. Vol.SE-11, No.12, pp.1411-1423, 1985 https://doi.org/10.1109/TSE.1985.232177
  5. L. Holmstrom, P. Koistinen, J. Laaksonen, and E. Oja, 'Neural and Statistical Classifiers-Taxonomy and Two Case Studies,' IEEE Trans. on Neural Networks, Vol.8, No.1, pp.5-17, 1997 https://doi.org/10.1109/72.554187
  6. K. Hornik, M. Stinchcombe, and H. White, 'Multilayer Feedforward Networks are Universal Approximators.' Neural Networks, Vol.2, pp.359-366, 1989 https://doi.org/10.1016/0893-6080(89)90020-8
  7. R. H. Hou and S. Y. Kuo, 'Applying Various Learning Curves to Hypergeometric Distribution Software Reliability Growth Model,' IEEE. 1994 https://doi.org/10.1109/ISSRE.1994.341342
  8. N. Karunanithi, D. Whitley and Y. K. Malaiya, 'Using Neural Networks in Reliability Prediction,' IEEE Software., pp.53-59, 1992 https://doi.org/10.1109/52.143107
  9. N. Karumanithi, D. Whitley and Y. K. Malaiya, 'Prediction of Software Reliability Using Connectionist Models,' IEEE Trans. on Software Eng., Vol.18, No.7, pp.563-574, July. 1992 https://doi.org/10.1109/32.148475
  10. T. M. Khoshgoftaar, E. B. Allen, J. P. Hudepohi, and S. J. Aud, 'Application of Neural Networks to Software Quality Modeling of a very Large Telecommunications Systems,' IEEE Trans. on Neural Networks, Vol.8, No.4, pp.902-909, 1997 https://doi.org/10.1109/72.595888
  11. T. Y. Kwok and D. Y. Yeung, 'Constructive Algorithms for Structure Learning in Feedforward Neural Networks for Regression Problems,' IEEE Trans. on Neural Networks, Vol.8, No.3, pp.630-645, 1997 https://doi.org/10.1109/72.572102
  12. M. R. Lyu, 'Handbook of Software Reliability Engineering,' IEEE Computer Society Press, 1996
  13. Y. K. Malaiya, N. Karunanithi, and P. Verma, 'Predictability Measures for Software Reliability Models,' IEEE Trans. on Reliability, Vol.41, No.4, pp.539-546, 1992 https://doi.org/10.1109/24.249581
  14. J. D. Musa, A. Iannino, and K. Okumoto, 'Software Reliability: Measurement, Prediction, Application,' McGraw-Hill, 1987
  15. M. Ohba, 'Software Reliability Analysis Models,' IBM Journal of Research and Development, Vol.21, No.4, pp.428-443, 1984
  16. J. Y. Park, S. U. Lee, and J. H. Park, 'Neural Network Modeling for Software Reliability Prediction from Failure Time Data,' Journal of Electrical Eng. and Information Science, Vol.4, No.4, pp.533-538, 1999
  17. F. Popentiu and D. N. Boros, 'Software Reliability Growth Supermodels,' Microelectron. Reliab. Vol.36, No.4, pp.485-491, 1996 https://doi.org/10.1016/0026-2714(95)00068-2
  18. 이상운, '비정규화 데이타를 이용한 신경망 소프트웨어 신뢰성 예측', 정보처리학회 논문지, 제7권, 제5호, pp.1419-1426, 2000. 5