Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Dự đoán độ tin cậy phần mềm bằng các kỹ thuật tính toán mềm lấy cảm hứng từ sinh học
Tóm tắt
Nhiều mô hình đã được xây dựng để dự đoán độ tin cậy của phần mềm. Các mô hình độ tin cậy bị hạn chế ở việc sử dụng các phương pháp và số lượng tham số nhất định. Có một số kỹ thuật và phương pháp có thể được sử dụng để dự đoán độ tin cậy. Cần chú ý đến các tham số khi ước lượng độ tin cậy. Độ tin cậy của một hệ thống có thể tăng lên hoặc giảm xuống tùy thuộc vào việc lựa chọn các tham số khác nhau. Do đó, cần xác định các yếu tố ảnh hưởng mạnh mẽ đến độ tin cậy của hệ thống. Ngày nay, khả năng tái sử dụng chủ yếu được sử dụng trong nhiều lĩnh vực nghiên cứu. Khả năng tái sử dụng là cơ sở của Hệ thống Dựa trên Thành phần (CBS). Chi phí, thời gian và kỹ năng con người có thể được tiết kiệm bằng cách sử dụng các khái niệm Kỹ thuật Phần mềm Dựa trên Thành phần (CBSE). Các chỉ số CBSE có thể được sử dụng để đánh giá các kỹ thuật phù hợp hơn cho việc ước lượng độ tin cậy của hệ thống. Tính toán mềm được sử dụng cho các vấn đề quy mô nhỏ cũng như lớn, nơi khó tìm ra kết quả chính xác do bất định hoặc ngẫu nhiên. Có nhiều khả năng để áp dụng các kỹ thuật tính toán mềm trong các vấn đề liên quan đến y học. Khoa học lâm sàng của y học sử dụng phương pháp logic mờ, mạng nơ-ron một cách đáng kể, trong khi khoa học cơ bản của y học sử dụng thuật toán di truyền mạng nơ-ron thường xuyên và ưu tiên. Các nhà khoa học y tế không thể không quan tâm đến việc sử dụng các phương pháp tính toán mềm khác nhau trong ngành di truyền, sinh lý học, chẩn đoán hình ảnh, tim mạch và thần kinh học. CBSE khuyến khích người dùng tái sử dụng phần mềm đã có và phần mềm quá khứ để tạo ra sản phẩm mới nhằm cung cấp chất lượng với việc tiết kiệm thời gian, bộ nhớ và tiền bạc. Bài báo này tập trung vào việc đánh giá các kỹ thuật tính toán mềm thường được sử dụng như Thuật toán Di truyền (GA), Mạng Nơ-ron (NN), Logic Mờ, Máy Vector Hỗ trợ (SVM), Tối ưu hóa Đàn kiến (ACO), Tối ưu hóa Đoàn bướm (PSO), và Tối ưu hóa Đàn ong Nhân tạo (ABC). Bài báo trình bày cách thức hoạt động của các kỹ thuật tính toán mềm và việc đánh giá các kỹ thuật tính toán mềm để dự đoán độ tin cậy. Các tham số được xem xét trong việc ước lượng và dự đoán độ tin cậy cũng được thảo luận. Nghiên cứu này có thể được sử dụng trong việc ước lượng và dự đoán độ tin cậy của nhiều dụng cụ trong hệ thống y tế, kỹ thuật phần mềm, kỹ thuật máy tính và kỹ thuật cơ khí cũng như. Các khái niệm này có thể được áp dụng cho cả phần mềm và phần cứng, để dự đoán độ tin cậy bằng cách sử dụng CBSE.
Từ khóa
#độ tin cậy phần mềm #kỹ thuật tính toán mềm #thuật toán di truyền #mạng nơ-ron #logic mờ #tối ưu hóa #CBSETài liệu tham khảo
Wang, W. L., Chen, M. H., Heterogeneous software reliability modeling. 13th International Symposium on Software Reliability Engineering(ISSRE): 41–52, 2003.
Zheng, J., Predicting software reliability with neural network ensembles. Expert Syst. Appl. 36(2):2116–2122, 2009.
Singh, Y., and Kumar, P., Application of feed-forward neural networks for software reliability prediction. ACM SIGSOFT Softw. Eng. Notes 35(5):1–6, 2010.
Bisi, M., and Goyal, N. K., Software reliability prediction using neural network with encoded input. Int. J. Comput. Appl. 47(22):46–52, 2012.
Arora, M., and Choudhary, S., Software reliability prediction using neural network. Int. J. Softw. Web Sci. 5(2):88–92, 2013.
Kumar, D., Kansal, Y., Kapur, P. K., Integrating Neural Networks with Software Reliability. 3rd International Conference on Computing for Sustainable Global Development (INDIACom): 4072–4077, 2016.
Ramasamy, S., and Lakshmanan, I., Application of artificial neural network for software reliability growth modeling with testing effort. Indian J. Sci. Technol. 9(29):1–7, 2016.
Aljahdali, S. H., El-Telbany, M. E, Software reliability prediction using multi-objective genetic algorithm. International Conference on Computer Systems and Applications(AICCSA 2009:293–300, 2009.
Kim, T., Lee, K., and Baik, J., An effective approach to estimating the parameters of software reliability growth models using a real-valued genetic algorithm. J. Syst. Softw. 102:134–144, 2015.
Sharma, A., Rishon, P., and Aggarwal, A., Software testing using genetic algorithms. Int. J. Comput. Sci. Eng. Surv 7(2):21–33, 2016.
Fazel, F. S., A new method to predict the software fault using improved genetic algorithm. Bull. la Société R. des Sci. Liège 85:187–202, 2016.
Rotshtein, A., Katielnikov, D., Pustylnik, L., Reliability modeling and optimization using fuzzy logic and chaos theory. Int. J. Qual. Stat. Reliab.: 1–10, 2012.
Qian, L., Methodology on qualitative simulation modeling of software reliability based on chaos theory. 5th IEEE International Conference on Software Engineering and Service Science (ICSESS): pp. 99–104, 2014.
Tong, H., Han, R., Liu, B., Xu, B., Software reliability prediction using chaos theory and heterogeneous ensemble learning. Risk, Reliab. Saf. Innov. Theory Pract.:2396–2402, 2017.
Becerra, R. L., Sagarna, R., Yao, X. An evaluation of differential evolution in software test data generation, IEEE Congress on in Evolutionary Computation( CEC’09): 2850–2857, 2009.
Nasar, M., Johri, P., and Chanda, U., A differential evolution approach for software testing effort allocation. J. Ind. Intell. Inf. 1(2):111–115, 2013.
Mahadevan, S., and Rebba, R., Validation of reliability computational models using bayes networks. Reliab. Eng. Syst. Saf. 87(2):223–232, 2005.
Bai, C. G., Bayesian network-based software reliability prediction with an operational profile. J. Syst. Soft. 77(2):103–112, 2005.
Pai, P. F., and Hong, W. C., Software reliability forecasting by support vector machines with simulated annealing algorithms. J. Syst. Softw. 79(6):747–755, 2006.
Elish, K. O., and Elish, M. O., Predicting defect-prone software modules using support vector machines. J. Syst. Softw. 81(5):649–660, 2008.
Kiran, N. R., and Ravi, V., Software reliability prediction by soft computing techniques. J. Syst. Softw. 81(4):576–583, 2008.
Fenton, N., Neil, M., and Marquez, D., Using bayesian networks to predict software defects and reliability. Proc. Inst. Mech. Eng. Part O J. Risk Reliab. 222(4):701–712, 2008.
Doguc, O., and Ramirez-Marquez, J. E., A generic method for estimating system reliability using bayesian networks. Reliab. Eng. Syst. Saf. 94(2):542–550, 2009.
Aljahdali, S., Sheta, A. F., Predicting the Reliability of Software Systems Using Fuzzy Logic,” 8th International Conference on Information Technology: New Generations (ITNG):36–40, 2011.
Moura, M. D. C., Zio, E., Lins, I. D., and Droguett, E., Failure and reliability prediction by support vector machines regression of time series data. Reliab. Eng. Syst. Saf. 96(11):1527–1534.
Singh, H., and Toora, V. K., Neuro fuzzy logic model for component-based software engineering. Int. J. Eng. Sci. 1:303–314, 2011.
Rana, S., and Yadav, R. K., A fuzzy improved association mining approach to estimate software quality. Int. J. Comput. Sci. Mob. e Comput. 2(6):116–122, 2013.
Ziauddin, N., Khan, S., and Nasir, J. A., A fuzzy logic based software cost estimation model. Int. J. Softw. Eng. It's Appl. 7(2):7–18, 2013.
Yang, S., Lu, M., Ge, L., Bayesian network-based software reliability prediction by dynamic simulation. 7th IEEE International Conference on Software Security and Reliability (SERE):13–20, 2013.
Khosla, A., and Soni, L. G. M. K., Comparison of ABC and ant colony algorithm based fuzzy controller for an inverted pendulum. Int. J. Innov. Technol. Explore. Eng. 3(2):123–234, 2013.
Elloumi, W., Baklouti, N., Abraham, A., Alimi, A. M., Hybridization of fuzzy PSO and fuzzy ACO applied to TSP, 13th International Conference on Hybrid Intelligent Systems (HIS):105–110, 2013.
Shanmugam, L., and Florence, L., Enhancement and comparison of ant colony optimization for software reliability models. J. Comput. Sci. 9(9):1232–1240, 2013.
Roopa, Y. M., and Reddy, A. R. M., Particle swarm optimization approach for component-based software architecture. Int. J. 3(12):557–561, 2013.
Singh, C., Pratap, A., Singhal, A., An estimation of software reusability using fuzzy logic technique. International Conference on Signal Propagation and Computer Technology (ICSPCT):250–256, 2014.
Okutan, A., and Yıldız, O. T., Software defect prediction using bayesian networks. Empir. Softw. Eng. 19(1):154–181, 2014.
Tyagi, K., and Sharma, A., An adaptive neuro-fuzzy model for estimating the reliability of component-based software systems. Appl. Comput. Informatics 10(1):38–51, 2014.
Lal, R., and Kumar, N., Design and analysis of reliability for component-based software system by using soft computing approaches. Int. J. Emerg. Technol. Adv. Eng. 4(6):929–932, 2014.
Tyagi, K., and Sharma, A., A heuristic model for estimating component-based software system reliability using ant colony optimization. World Appl. Sci. J. 31(11):1983–1991, 2014.
Diwaker, C., Rani, S., Tomar, P., Metrics used in component-based software engineering. IJITKM Spec. Issue: 46–50, 2014.
Jaiswal, G. P., and Giri, R. N., Software reliability estimation of component-based software system using fuzzy logic. Int. J. Comput. Sci. Inf. Secure. 127(7):16–20, 2015.
Diwaker, C., and Tomar, P., Assessment of Ant Colony using Component-Based Software Engineering Metrics. Indian J. Sci. Technol. 9(44):1–5, 2016.
Diwaker, C., Tomar, P., Optimization and appraisal of PSO for CBS using CBSE metrics. 3rd International Conference on Computing for Sustainable Global Development (INDIACom:1024–1028, 2016.
Bolisetty, P. K., and Yalla, P., An efficient component-based software architecture model using hybrid PSO–CS algorithm. Int. J. Intelligen t Eng. Syst. 9(3):46–52, 2016.
Diwaker, C., and Tomar, P., Evaluation of swarm optimization techniques using CBSE reusability metrics. IJCTA 2(22):189–197, 2016.
Preethi, W., Rajan, M. R. B., Survey on Different Strategies for Software Reliability Prediction. International Conference on Circuit, Power and Computing Technologies (ICCPCT): 1–3, 2016.
Rizvi, S. W. A., Khan, R. A., and Singh, V. K., Software reliability prediction using fuzzy inference system: early stage perspective. Int. J. Comput. Appl. 145(10):16–23, 2016.
Rizvi, S. W. A., Singh, V. K., and Khan, R. A., Fuzzy logic based software reliability quantification framework: early stage perspective (FL SRQF). Procedia Comput. Sci. 89:359–368, 2016.
Dubey, S. K., Jasra, B., Reliability assessment of component-based software systems using fuzzy and ANFIS techniques. Int. J. Syst. Assur. Eng. Manag. 8(2):1319–1326, 2017.
Sharma, R. K., and Gandhi, P., Estimate reliability of component-based software sys-tem using modified neuro-fuzzy model. Int. J. Eng. Technol. 6(2):45–49, 2017.
Hermawanto, D., Genetic algorithm for solving simple mathematical equality problem. 1–9, 2013.
Albertos, P., Sala, A., Fuzzy logic controllers: advantages and drawbacks. 8 th International Congress of Automatic Control, 3: 833–844, 1998.
Awodele, O., Jegede, O., Neural networks and its application in engineering, Proceedings of Informing Science & IT Education Conference (InSITE):83–95, 2009.
Haykin, S. S., Neural Networks and Learning Machines. NJ: Pearson Upper Saddle River, 2009.
Tu, J. V., Advantages and disadvantages of using artificial neural networks versus logistic regression for predicting medical outcomes. J. Clin. Epidemiol. 49(11):1225–1231, 1996.
Das, S., Abraham, A., Konar, A., Particle swarm optimization and differential evolution algorithms: technical analysis, applications and hybridization perspectives. Adv. Comput. Intell. Ind. Syst: 1–38, 2008.
Karamizadeh, S., Abdullah, S. M., Halimi, M., Shayan, J., Javad, R. M., Advantage and Drawback of Support Vector Machine Functionality. International Conference on Computer, Communications, and Control Technology (I4CT: 63–65, 2014.
Katiyar, S., Ibraheem, N., and Ansari, A. Q., Ant colony optimization: a tutorial review. MR Int. J. Eng. Technol. 7(2):35–41, 2015.
Karaboga, D., and Akay, B., A comparative study of artificial bee colony algorithm. Appl. Math. Comput. 214(1):108–132, 2009.
Diwaker, C., and Tomar, P., Identification of factors and techniques to design and develop component-based reliability model. Int. J. Sci. Res. Comput. Sci. Eng. 5(3):107–114, 2017.
Tyagi, K., and Sharma, A., Significant factors for reliability estimation of component-based software systems. J. Softw. Eng. Appl. 7(11):934–943, 2014.