基于深度学习的软件可靠性度量技术研究

摘要

随着信息技术和信息产业的快速发展，计算机软件系统在众多领域中取得了广泛的应用。近年来计算机软件系统的规模和复杂度不断提高，软件系统的可靠性越来越难以度量。软件可靠性度量技术经过多年发展，众多专家学者提出了几百种适合不同应用场景的软件可靠性度量模型来度量软件系统的可靠性。论文通过对软件可靠性增长模型的理论研究和实践，针对基于GRU(Gated Recurrent Unit)神经网络的软件可靠性增长模型存在的问题，提出一种深度CG-EGU(Efficient Gated Unit with Control Gate)神经网络，并且利用深度CG-EGU神经网络，在软件失效数据集上建立软件可靠性模型。 论文的研究工作分为以下三个部分: (1)针对GRU单元更新门学习能力不足导致GRU单元整体学习效率低的问题，提出了一种高效门控单元EGU(Efficient Gated Unit)。为了使GRU单元更新门学习时更有效，EGU单元在GRU单元的更新门更新时引入遗忘门，增加了更新门更新的效率，降低了训练开销，提高模型性能。 (2)针对深度GRU网络多个隐含层之间信息处理效率不高的问题，提出一种基于深度EGU网络的深度CG-EGU神经网络。深度CG-EGU神经网络在深度EGU网络的基础上，通过在不同隐含层之间添加控制门的方式，增强隐含层之间的信息处理能力，进而提高信息处理的效率。 (3)通过实验对本文提出的EGU单元和深度CG-EGU神经网络的性能分别进行对比验证。在公认的软件缺陷数据集中，分别建立基于深度BP神经网络、深度GRU神经网络、深度EGU神经网络、深度CG-EGU神经网络的软件可靠性增长模型，通过比较模型的召回率，验证在隐含层个数相同时，EGU单元相比于GRU单元而言性能是否提高。验证在隐含层个数不同时，深度CG-EGU网络相比于深度EGU网络而言性能是否提高。

目录

声明

摘要

第1章绪论

1．1研究背景及意义

1．2国内外研究现状及分析

1．2．1基于随机过程的预测模型

1．2．2基于机器学习的预测模型

1．2．3基于深度学习的预测模型

1．3研究目标与内容

1．4论文的组织结构

第2章深度EGU网络

2．1引言

2．2 GRU神经网络

2．2．1深度学习

2．2．2 GRU单元

2．2．3 GRU网络

2．3深度EGU神经网络

2．3．1 GRU分析

2．3．2 EGU单元

2．3．3 EGU网络

2．4本章小结

第3章深度CG-EGU网络

3．1引言

3．2模型优化方法

3．2．1数据质量提升方法

3．2．2模型训练方法

3．3深度CG-EGU网络

3．3．1 CG-GRU网络

3．3．2 CG-EGU网络

3．4本章小结

第4章实验及分析

4．1实验目的及意义

4．2实验环境

4．3实验数据及预处理

4．3．1实验数据

4．3．2数据预处理

4．4基于深度学习的软件可靠性度量模型

4．4．1软件可靠性度量模型

4．4．2性能评价指标

4．4．3实验结果分析

4．5本章小结

结论

参考文献

攻读硕士学位期间发表的论文和取得的科研成果

致谢