软件可靠性预计方法、系统、设备及储存介质技术方案

本发明专利技术公开了一种软件可靠性预计方法、系统、设备及储存介质，所述方法包括：将软件系统输入至层次分解模型进行分解，输出层次分解树结构；针对层次分解树结构，分析树节点的影响域；其中，原树的子节点和父节点之间强关联，兄弟节点有影响阈值达到固定值的为弱关联；建立好关联后将树转化为有向图，自底向上进行初始模型构建；准备数据并清理，基于函数化神经元的神经网络算法预测所述初始模型参数，并用k折交叉验证来进行模型微调，得到调整后的层次分解模型；将当前软件系统按照调整后的层次分解模型进行分解，自底向上进行可靠性预测。通过本公开的处理方案，减小分解分析时的人为因素对软件本身描述的影响，从而提高可靠性预计效果。

【技术实现步骤摘要】

本专利技术涉及软件检测，特别是涉及一种软件可靠性预计方法、系统、设备及储存介质。

技术介绍

1、目前软件可靠性预计方法有基于雷利模型的方法和基于开发过程的可靠性预计方法，存在的局限性如下：

2、雷利模型是基于现在观察的缺陷数据来预测未来的缺陷数据进而预测未来软件的可靠性，局限性在于现在观察的数据的前提条件需要达到，例如早期设计阶段很难观察到软件的实际缺陷数，因此无法在开发初期使用。另外，不同阶段引入的缺陷数实际是不同的，不能一概而论，因此预测可能不准确。

3、基于开发过程的可靠性预计需要的参数较多，而且大部分参数在软件设计中后期才能获取到，该方法无法在开发早期使用。另外，开发过程采用的一个常量表是美国20世纪90年代统计的软件数据，并不适用于目前的软件情况，因此预测可能也不准确。基于开发过程的可靠性预计方法适用于失效率指标、mttf等指标。

4、总体上，典型的可靠性预计方法存在的问题是模型需要借助的支撑数据难以采集到，考虑的可靠性影响因素不合理等，使得其在开发早期无法及时地使用，而一般可靠性预计需要在系统论证和开发初期就本文档来自技高网...

【技术保护点】

1.一种软件可靠性预计方法，包括在层次分解模型上应用函数化神经元的BP神经网络进行软件可靠性预计，其特征在于，所述方法包括以下步骤：

2.根据权利要求1所述的软件可靠性预计方法，其特征在于，所述初始模型构建，包括：

3.根据权利要求1所述的软件可靠性预计方法，其特征在于，所述基于函数化神经元的神经网络算法，包括：

4.根据权利要求1所述的软件可靠性预计方法，其特征在于，所述将软件系统输入至层次分解模型进行分解，输出层次分解树结构，包括：

5.根据权利要求4所述的软件可靠性预计方法，其特征在于，所述分析操作的技术实现步骤，并对应到技术架构层次...

【技术特征摘要】

1.一种软件可靠性预计方法，包括在层次分解模型上应用函数化神经元的bp神经网络进行软件可靠性预计，其特征在于，所述方法包括以下步骤：

2.根据权利要求1所述的软件可靠性预计方法，其特征在于，所述初始模型构建，包括：

3.根据权利要求1所述的软件可靠性预计方法，其特征在于，所述基于函数化神经元的神经网络算法，包括：

4.根据权利要求1所述的软件可靠性预计方法，其特征在于，所述将软件系统输入至层次分解模型进行分解，输出层次分解树结构，包括：

5.根据权利要求4所述的软件可靠性预计方法，其特征在于，所述分析操作的技术实现步骤...

【专利技术属性】
技术研发人员：马由，关昕，贾祺，杨勋姮，宋博通，于静，曹扬，
申请(专利权)人：中国电子科技集团公司第十五研究所，
类型：发明
国别省市：