一种通用的数据驱动的软件和系统可靠性模型及参数优化方法技术方案

本发明专利技术提出了一种通用的数据驱动的软件和系统可靠性模型及参数优化方法。提出的模型具有通用性，现有的数据驱动的可靠性模型是本发明专利技术所提出的模型的一个特例。提出了一种混合遗传算法，通过该算法可得到模型参数的最优值。提出了一种用二进制码表示模型的某些参数的方法，该方法用于本发明专利技术所提出的混合遗传算法中。所提出的可靠性模型和参数优化方法适用于：１、软件可靠性与失效过程的建模、预测以及模型的参数优化；２、系统可靠性与失效过程的建模、预测以及模型的参数优化。

【技术实现步骤摘要】

本专利技术是关于软件和系统的可靠性与失效过程的建模、预测以及模型的参数优 化，属于可靠性工程和应用数学领域，尤其涉及对软件和系统的失效过程进行建模与预测 的领域。
技术介绍
从20世纪70年代开始，人们在软件和系统的可靠性建模、分析、评估、预测等 方面开展了大量的研究，提出了各种可靠性模型。软件和系统可靠性模型大体上可分 为两类解析可靠性模型(Analytical Reliability Model)和数据驱动的可靠性模型 (Data-drivenRellability Model)。解析可靠性模型包括马尔科夫模型、非齐次泊松过程 模型、二项分布模型、贝叶斯模型等等。由于解析可靠性模型通常需要对软件或系统做出较 多的假设，如失效间隔时间的概率分布等等，而这些假设不一定符合实际情况，因此解析可 靠性模型的适用性和准确性受到了较大的影响，并且在实际的工程应用中，在各种解析可 靠性模型中选择恰当的一个模型是比较困难的。针对解析可靠性模型的不足，近年来提出了一些数据驱动的可靠性模型。数据驱 动的可靠性模型不需要对软件或系统做过多的假设，而是将软件或系统的失效过程视为一 个时间序列进行建模和预测。数据驱动的可靠性模型包括基于传统时间序列分析方法(如 差分自回归滑动平均，ARIMA)的模型、基于人工神经网络(Artificial Neural Network, ANN)的模型、基于支持向量机(SupportVector Machine, SVM)的模型等等。数据驱动的可 靠性模型适用范围较传统的解析可靠性模型更广，并且预测精度通常比解析可靠性模型更 尚o然而，现有的数据驱动的可靠性模型大都认为软件和系统的失效与旱卑昨一个或 几个失效(如之前的第一个到第五个失效)存在相关关系，并基于此对失效过程进行建模 和预测。而实际的情况是，软件和系统的失效是与之前的荸斗个失效(如之前的第三个、第 四个、第八个失效)存在相关关系，应该基于该相关关系对失效过程进行建模和预测。
技术实现思路
本专利技术针对现有的数据驱动的可靠性模型的以上不足，提出了一种新的通用的数 据驱动的软件和系统可靠性模型，并提出了一种新的模型参数的优化方法。所提出的模型 和方法适用于1、软件可靠性与失效过程的建模、预测以及模型的参数优化；2、系统可靠 性与失效过程的建模、预测以及模型的参数优化。本专利技术的目的在于建立一种更加符合实际情况、预测精度更高的数据驱动的可靠 性模型和模型参数的优化方法。为实现上述目的，本专利技术提供了一种通用的数据驱动的软 件和系统可靠性模型以及模型参数的优化方法，其特征在于包含以下内容1.模型的表达形式本专利技术所提出的软件和系统可靠性模型表示为\ =FO,,， ’、- )⑴上式中，i和p为正整数，mj(j = 1，2，…，p)为正整数，Xi表示软件或系统的第i 个失效数据(失效数据可以为任何形式，如累计失效时间、失效间隔时间、累计失效数等)， F( )表示软件或系统的当前失效(即Xi)与之前的失效(即x'-m|，\-m2，…， )之间的 相关关系。F(*)可以通过任意方式来表达，如基于ARIMA的模型、基于人工神经网络的模 型、基于支持向量机的模型等等。现有的数据驱动的可靠性模型表示为Xi = F(Xh，Xi_2，Xi_w)(2)可见，现有的数据驱动的可靠性模型是本专利技术所提出的模型(1)的一个特例，即p =w并且mj = j(1 < j <p)。因此，本专利技术所提出的软件和系统可靠性模型具有通用性， 包含了现有的数据驱动的可靠性模型不能表达的情况，并在特定条件下可退化为现有的数 据驱动的可靠性模型。2.模型参数的最优化在模型(1)中，需要确定的模型参数包括两部分p的值和mj(j = 1,2,…，p)的 值、F( )中的各参数值。本专利技术提出了一种混合遗传算法(Hybrid Genetic Algorithm) 同时求得这两部分参数的最优值，该算法如图1所示。混合遗传算法包括外层的遗传算法(GA1)和内层的遗传算法(GA2)。GA1用于确 定最优的P和m」(j = 1,2,…，p)的值；GA2用于确定在某p值和mj(j = 1,2,…，p)的值 的条件下，F( )中各参数的最优值；当混合遗传算法运行结束后，即得到所有的模型参数 的最优值。在混合遗传算法中GA1中用一个二进制码来表示模型(1)中的p值和mj(j = 1,2,…，p)的值，具体 方法如下由模型使用者给定一个正整数值V，该值表示模型(1)中p的最大可能取值，用 一个长度为v的二进制码来表示模型(1)中的P值和= 1,2,…，p)的值，具体表示 方法为该二进制码中“1”的个数为P的值，每个“1”从右往左(或从左往右)所在的位置 代表一个％的值；或该二进制码中“0”的个数为p的值，每个“0”从右往左(或从左往右) 所在的位置代表一个％的值。例如，若二进制码中“1”的个数为p的值，每个“1”从右往左 所在的位置代表一个m」的值，则图2所示的二进制码“10100010”表示v = 8，p = 3，mi = 2, m2 = 6, m3 = 8,艮口模型(1)为、=F(xi_2, x^g, x^g)。GA2用于确定在GA1的某二进制码的条件下最优的F( )中的各参数值。混合遗传算法的具体实施方式见后面所述。遗传算法的相关知识可见参考文献 。3.用模型进行预测当模型(1)的参数确定后，即可用该模型对软件或系统将来的失效进行预 测。设目前共观测到n(n彡2)个软件或系统的失效数据{Xi，i = 1，2，…，n}，则将 x"+、(J = i，2，…，对应的P个失效数据代入模型(1)，即得到软件或系统的下一次失效的 预测值乞+1。附图说明图1是本专利技术所提出的混合遗传算法流程图；图2是模型(1)中的p值和mj(j = 1,2, -,p)的值采用本专利技术权利要求2所述 的表示方式之一种来表示的示例图；图3是本专利技术的具体实施方式的说明图。下面结合附图对本专利技术作进一步的详细描述。具体实施例方式本专利技术的具体实施方式如图3所示，包括三个阶段训练阶段、测试阶段、预测阶 段。其中，训练阶段和测试阶段采用如图1所示的混合遗传算法来确定模型(1)中各参数 的最优值，S卩P、!!^」=1，2，…，P)以及F(0中各参数的最优值。设目前共观测到n(n彡2)个软件或系统的失效数据{Xi，i = 1，2，…，n}。实施过 程中，由模型使用者给定一个正整数d，则失效数据被划分为两部分前(n-d)个数据{Xi，i =1,2,…，n-d}用于训练阶段；其余的d个数据{Xi，i = n-d+l,n-d+2, -,n}用于测试 阶段。模型使用者还要给定一个正整数值v(v<n-d-l)，该值表示模型(1)中p的最大可 能取值，即P彡V。下面以F(0为具有高斯核函数(Gaussian kernel function)的支持向量机为 例，来说明本专利技术的具体实施方式。支持向量机的相关知识可见参考文献 。权利要求1.一种通用的数据驱动的软件和系统可靠性模型，其特征在于模型表示为VFOc—x,,，...,、、)，其中，Xi表示软件或系统的第i个失效数据(i 为正整数)，失效数据可以为任何形式，如累计失效时间、失效间隔时间、本文档来自技高网...

【技术保护点】
一种通用的数据驱动的软件和系统可靠性模型，其特征在于：模型表示为：ｘ↓［ｉ］＝Ｆ（ｘ↓［ｉ－ｍ↓［１］］，ｘ↓［ｉ－ｍ↓［２］］，…，ｘ↓［ｉ－ｍ↓［ｐ］］），其中，ｘ↓［ｉ］表示软件或系统的第ｉ个失效数据（ｉ为正整数），失效数据可以为任何形式，如累计失效时间、失效间隔时间、累计失效数等等，ｉ和ｐ为正整数，ｍ↓［ｊ］（ｊ＝１，２，…，ｐ）为正整数，Ｆ（.）表示软件或系统的当前失效（即ｘ↓［ｉ］）与之前的失效（即ｘ↓［ｉ－ｍ↓［１］］，ｘ↓［ｉ－ｍ↓［２］］，…，ｘ↓［ｉ－ｍ↓［ｐ］］）之间的相关关系。Ｆ（.）可以通过任意方式来表达，如基于差分自回归滑动平均（ＡＲＩＭＡ）的模型、基于人工神经网络的模型、基于支持向量机的模型等等。

【技术特征摘要】

【专利技术属性】
技术研发人员：杨波，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：90[中国|成都]