Software reliability estimation is one of most active area of research in software testing. Since recording of time between failures has often been too difficult to collect, software testing data now have commonly been recorded as test-case-wise in a discrete set up. Although there have many models that were developed to estimate software reliability, they were too restrictive in nature. We have developed a model using the size-biased concept which not only estimates the software reliability, but also estimates the total number of bugs present in the software. The model is highly flexible as it could provide the reliability estimates at the end of software testing and also at any future phase of software testing that could have been conducted in order to improve the software reliability. This flexibility is instrumental to find the stopping phase such that the software reliability achieves a desired optimum level (e.g., 95\%). In addition, we also provide a model extension which could be applied on grouped bugs in different regions of a software. We assessed the performance of our model via simulation study and found that each of the key parameters could be estimated with satisfactory level of accuracy. We also applied our model to two different software testing data sets. In the first model application we found that the conducted software testing was inefficient and a considerable amount of further testing is required to achieve a optimum reliability level. On the other hand, the application to second empirical data set has shown that the respective software was highly reliable with software reliability estimate 99.8\%. We anticipate that our novel modelling approach to estimate software reliability could be very useful for the users and can potentially be a key tool in the field of software reliability estimation.


翻译:软件可靠性估算是软件测试中最活跃的研究领域之一。由于记录故障之间的时间间隔往往太难收集,因此,软件测试数据现在通常在一个离散的装置中作为测试个案记录。虽然有许多模型是用来估计软件可靠性的,但性质限制过强。我们开发了一个模型,使用尺寸偏差的概念不仅估计软件可靠性,而且还估计软件中存在的错误的总数。模型非常灵活,因为它可以在软件测试结束时和今后任何软件测试阶段提供可靠性估算,以便提高软件可靠性。这种灵活性有助于找到使软件可靠性达到理想最佳水平的停止阶段(例如,95 ⁇ )。此外,我们还开发了一个模型扩展,不仅可以适用于软件不同区域的分组错误。我们通过模拟研究评估了我们的模型的性能,发现每个关键参数都可以以令人满意的准确程度来估算。我们还将模型应用于两个不同的软件测试用户的可靠性,提高软件可靠性。8 在第一个阶段,软件可靠性达到理想水平的阶段,我们进行了一个测试,另一个测试是高水平的实地,我们进行了一个测试,这个测试的实地试验,一个是高水平的实地测试。我们发现,一个测试了相当低的软件的实地测试,一个测试,一个是高水平的实地测试。

0
下载
关闭预览

相关内容

专知会员服务
123+阅读 · 2020年9月8日
专知会员服务
60+阅读 · 2020年3月19日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
最新BERT相关论文清单,BERT-related Papers
专知会员服务
52+阅读 · 2019年9月29日
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Latest News & Announcements of the Workshop
中国图象图形学学会CSIG
0+阅读 · 2021年12月20日
【ICIG2021】Latest News & Announcements of the Plenary Talk1
中国图象图形学学会CSIG
0+阅读 · 2021年11月1日
【ICIG2021】Latest News & Announcements of the Industry Talk1
中国图象图形学学会CSIG
0+阅读 · 2021年7月28日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
vae 相关论文 表示学习 1
CreateAMind
12+阅读 · 2018年9月6日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Arxiv
0+阅读 · 2022年4月18日
VIP会员
相关VIP内容
专知会员服务
123+阅读 · 2020年9月8日
专知会员服务
60+阅读 · 2020年3月19日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
最新BERT相关论文清单,BERT-related Papers
专知会员服务
52+阅读 · 2019年9月29日
相关资讯
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Latest News & Announcements of the Workshop
中国图象图形学学会CSIG
0+阅读 · 2021年12月20日
【ICIG2021】Latest News & Announcements of the Plenary Talk1
中国图象图形学学会CSIG
0+阅读 · 2021年11月1日
【ICIG2021】Latest News & Announcements of the Industry Talk1
中国图象图形学学会CSIG
0+阅读 · 2021年7月28日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
vae 相关论文 表示学习 1
CreateAMind
12+阅读 · 2018年9月6日
相关基金
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Top
微信扫码咨询专知VIP会员