پروژه بررسی قابلیت اعتماد نرم افزار

چکیده:
مدل های قابلیت اطمینان نرم افزار برای تخمین وپیش بینی قابلیت اطمینان نرم افزاراستفاده می شوند. در این مطالعه برای تحلیل رشد اطمینان از نرم افزار منبع باز (OSS)که از مدل های رشد قابلیت اطمینان داده (SRGM) و همچنین داده های شکست خورده از بیست و پنج انتشار مختلف از پنج OSS نمونه استفاده شده است برای هر انتشار از نمونه پروژه انتخابی از مجموعه داده ها بوجود امده، مجموعه داده ها ی پیشرفته با ارتباط با داده های بوجود امده ی معیوب (داده ی ایجاد شده DS) و مجموعه داده های پیشرفته با ارتباط با داده بروز رسانی شده معیوب (بروز رسانی داده های DS). این مجموعه داده معیوب که در هشت مدل SRGM آورده شده اند: Okumoto Musa، Infleetion s-shaped، goel okumoto، Delayed s-shaped ،Logistic ،Gompertz ،Exponential Yamada و generalized goel model.
سیستم های نرم افزاری با طول عمر زیاد که در تولیدهای جدید بیرون آمده اند درگیر درجه بندی نهایی بعد از پخش و انتشار نسخه های قبلی از این نرم افزار بعد از نسخه جدید در بازار است. اما بهبود امکانات در نرم افزار باعث افزایش حجم خطا می شود.بنابراین برای مدل سازی رشد قابلیت اعتماد در نرم افزار با پخش های چند گانه،باید شکست هایی که از پخش قبلی را بهبود داده و امکانات ایجاد شده  را ملاحظه کنید و این شکست ها که درپخش و انتشار قبلی اشکال زدایی نشده بودند را حذف نمائیم.ابزارها و تکنیک هابرای انتخاب مدل قابلیت اطمینان نرم افزارموجود در نوشته های عملی,نمی توانند با سطح بالایی از اطمینان استفاده شوندزیرا ان هاتعداد محدودی از ملاک های انتخاب مدل را استفاده می کنند.قابلیت اعتماد نرم افزار یک عامل مهم برای مشخص کردن کمی کیفیت نرم افزار به شمارمیرود ودوره ی تست نرم افزار راتخمین میزند.نتایج نشان میدهد که SRGM ها قابلیت تناسب و کیفیت نرم افزار را پیش بینی کرده و  مستقیمأ افزایش میابد. زمانیکه زمان بوجود امدن عیب برای پیشبرد OSS استفاده شده و شکست مجموعه داده ها برای مشخص سازی و قابلیت رشد در OSS وجود دارد در حالی که OSS میتواند قابلیت رشد داشته باشد با SRGM در بهترین روش اگر زمان بوجود امدن عیب به جای بروز رسانی عیب و توسعه مجموعه داده های معیوب در قابلیت نمونه ها انجام شود نتیجه بهتری در بردارد.
مدل های توسعه یافته پارامتری سنتی قابلیت اعتمادنرم افزار (SRGMS) ازقبیل مدل های غیرهمگن فرایند پوآسن (NHPP ) به طورموفقیت آمیزی درمهندسی قابلیت اعتماد نرم افزار عملی استفاده شده است.به هرحال،هیچ مدل پرامتری ای نمیتواند درهمه موارد پیش بینی درستی را انجام دهدبه علاوه ی مدل های پارامتری،مدل های غیرپارامتری هم مانندشبکه های عصبی نشان داده اندکه میتواند تکنیک های موثری برای پیش بینی قابلیت اطمینان نرم افزاربه شمار روند.
در این گزارش ،مدل های قابلیت اطمینان نرم افزارطبق چرخه حیات توسعه نرم افزاررده بندی شده تعدادی از معیارها به همراه اولویت اهمیت ان ها برای انتخاب مدل قابلیت اطمینان نرم افزارتعیین وتعریف می شود همچنین الگوریتمی برای استفاده از این معیاربیان می شود، مطالعه در قابلیت رشدOSS با رابطه برطرف کردن عیوب و زمان بروز رسانی عیب ها، مشکلات نقشه های پخش شده مطلوب که هزینه تست کردن انتشار رابه حداقل می رساند که بردن آن به بازار درزیر فشاربرای حذف درجه خطا در انتشار صورت می گیرد و همچنین روشی رابررسی میکنیم که درآن یک سیستم غیره پارامتری ارائه میشود که پیش بینی بهتری را از قابلیت اطمینان نرم افزار براساس مجموع شبکه عصبی ومدل های NHPP، ارائه میشوند.
در این گزارش علاوه بر شناسایی چند روش قابلیت اطمینان نرم افزار راهکارهای انتخاب مدل مناسب نیز مورد بررسی قرار گرفته است.

فهرست مطالب:
چکیده     
مقدمه    
انتشار منفرد V/S مدلهای ترقی قابلیت اعتماد چند بخشی    
srgm یک بعدی V/S بر خلاف srgm دو بعدی     
مشکل برنامه ریزی انتشار    
چهار چوب مدل سازی دو بعدی     
چهار چوب مدل سازی انتشار چند تایی دو بعدی    
انتشار متعدد دو بعدی مدل سازی SRGM    
الگوریتم حل روش تکوینی     
مدل پیشرفته نرم افزار قابل اعتماد     
هدف ها سوالات تحقیق و استاندارد ها    
مولفه شبکه عصبی    
نتیجه گیری    
سپاسگذاری    
مراجع

---

برچسب ها: SOFTWARE RELIABILITY پروژه مهندسی نرم افزار قالبیت اعتماد نرم افزاری قابلیت اطمینان نرم افزاری مدل سازی SRGM الگوریتم حل روش تکوینی پیش بینی قابلیت اطمینان نرم افزار پروژه قابلیت اطمینان نرم افزار پیش بینی قالبیت اطمینان نرم افزار قالبیت اع