Non-Parametric Software Reliability Model Using Deep Neural Network and NHPP Software Reliability Growth Model Comparison
Youn Su Kim, In Hong Chang, Da Hye Lee · The Korean Data Analysis Society · 2020
현재 소프트웨어는 다양한 기능을 수행할 수 있도록 복잡한 구성으로 만들어진다. 소프트웨어가 고장 나게 될 경우 산업 및 경제적으로 매우 큰 손실을 일으킬 수 있다. 소프트웨어에서 아주 작은 고장이 발생하더라도 큰 손실을 초래할 수 있다. 이러한 문제를 해결하기 위해 소프트웨어의 품질과 신뢰성을 추정하는 도구인 소프트웨어의 신뢰성 성장 모형이 제안되었다. 대부분의 소프트웨어 신뢰성 성장 모형은 모수적 방법인 비균질성 포아송 과정을 가정한 평균값 함수 m(t)를 기반으로 모형이 만들어지는데 이는 분포를 가정하기 때문에 일반화에 문제가 발생한다. 본 연구에서는 일반화에 문제를 해결하기 위해 본포를 가정하지 않고 데이터에 의존하는 비모수적(Non-Parametric) 방법으로 접근하여 소프트웨어 신뢰성을 측정한다. 비모수적 방법 중 인간이 사고하는 생물학적 시스템을 모태로 하는 인공신경망을 활용한다. 특히, 최근에 많이 연구되고 있는 인공신경망 중의 하나인 심층신경망을 활용하여 일반화 시킬 수 있는 소프트웨어 신뢰성 모형을 제안하고, 기존에 연구된 소프트웨어 신뢰성 성장 모형(SRGMs)과 5가지의 적합도를 비교한 후 가장 적합한 모형을 찾아 제시한다.The software is made in a complex configuration to perform various functions. If software is faulty, it can cause huge losses both industrially and economically. Even very small failures in software can lead to significant losses. To solve the problem, a software reliability growth models(SRGMs) has been proposed. Most software reliability growth models are modeled assuming a Non-Homogeneous Poison Process(NHPP). But these models has problems with generalization. In this paper, we propose a software reliability model that can be generalized using deep neural network among non-parametric methods that don’t assume distribution and depend on data. We propose more suitable model after comparing the fit of the previously studied software reliability growth models and software reliability model using deep neural network.