software reliability

У багатьох моделях прогнозування надійності програмного забезпечення (ПЗ) припущення про незалежність виконання компонент є спрощенням реального харак- теру програмного продукту. Врахувати залежності виконання ПЗ у прогнозуванні його надійності можна за допомогою марковських ланцюгів вищих порядків. Запропоновано використовувати інформаційний критерій Акаїке (АІС) для визначення порядку марковського ланцюга, що є головною проблемою під час роботи з ними.

Досліджено вплив функції активації нейронної мережі типу RBF на ефективність навчання та прогнозування надійності програмного забезпечення у вигляді часових рядів. Показано, що оптимальною функцією активації для цієї задачі є Inverse Multiquadric з 10 нейронами у вхідному шарі та 30 – у прихованому.

Mobile systems and devices including Android are vulnerable to the effects of software aging which are manifested in performance degradation during long run-time. It is important to identify efficient system and user interface metrics for detecting and counteracting the software aging effects. The aging metrics used in researches of the Android operating system do not take into account the aging processes in user applications.

In this paper the radial-basis neural network was used for software failures prediction. The influence of activation function of the RBF neural net on the learning efficiency and software failures prediction is studied. It is shown that the optimal activation function is Inverse Multiquadric with 10 neurons in the input layer and 30 neurons in the hidden one (square of Pearson correlation coefficient is 0.997 and mean deviation is 14.4).

Assumption of independent components execution in software reliability models built using architectural approach is a simplification of real software execution. In this paper Gokhale model with higher order Markov chains has been improved to appreciate software execution dependencies in it's reliability prediction.