[論文レビュー] Function Based Nonlinear Least Squares and Application to Jelinski--Moranda Software Reliability Model

Jingwei Liu, Meizhi Xu|arXiv (Cornell University)|Aug 25, 2011

Software Reliability and Analysis Research参考文献 20被引用数 4

ひとこと要約

本稿では、Jelinski–Moranda ソフトウェア信頼性モデルにおけるパラメータ推定を改善するため、関数ベース非線形最小二乗推定法（FNLSE）を提案する。新たに導入されたべき乗変換に基づく手法（powLSE）は、古典的LSE、MLE、LogLSEに比べてMTBF予測精度が優れている。本手法は、変換関数を重みとして扱うことで不均等分散性（heteroscedasticity）に対処し、6つのベンチマークデータセットにおける実験結果から、最適なべき乗指数を有するpowLSEは、比較手法に比べて顕著に低い再帰的相対誤差およびBraun統計量を達成した。

ABSTRACT

A function based nonlinear least squares estimation (FNLSE) method is proposed and investigated in parameter estimation of Jelinski-Moranda software reliability model. FNLSE extends the potential fitting functions of traditional least squares estimation (LSE), and takes the logarithm transformed nonlinear least squares estimation (LogLSE) as a special case. A novel power transformation function based nonlinear least squares estimation (powLSE) is proposed and applied to the parameter estimation of Jelinski-Moranda model. Solved with Newton-Raphson method, Both LogLSE and powLSE of Jelinski-Moranda models are applied to the mean time between failures (MTBF) predications on six standard software failure time data sets. The experimental results demonstrate the effectiveness of powLSE with optimal power index compared to the classical least--squares estimation (LSE), maximum likelihood estimation (MLE) and LogLSE in terms of recursively relative error (RE) index and Braun statistic index.

研究の動機と目的

• Jelinski–Moranda ソフトウェア信頼性モデルにおけるパラメータ推定において、古典的最小二乗推定法（LSE）および対数LSE（LogLSE）の限界を是正すること。
• 従来手法の推定精度を低下させるソフトウェア障害データの不均等分散性（heteroscedasticity）を克服すること。
• 変換関数を重み付けメカニズムとして組み込むことでLSEを拡張する一般化フレームワーク—関数ベース非線形最小二乗推定法（FNLSE）—を構築すること。
• 最適なべき乗指数を有するべき乗変換に基づくLSE（powLSE）手法を提案・評価し、予測精度を向上させること。
• 6つの標準的なソフトウェア障害時間データセットを用いて、再帰的相対誤差およびBraun統計量の基準により、提案手法の妥当性を検証すること。

提案手法

• FNLSEは、応答変数に変換関数を適用することで重み付き非線形最小二乗推定（WNLSE）として定式化され、残差平方和を最小化するように変換パラメータを最適化する。
• 本手法は、従来のLSEおよびLogLSEを一般化したものであり、変換関数が自然対数である場合がLogLSEの特殊ケースに相当する。
• 柔軟な変換関数族としてべき乗変換関数を導入し、予測誤差を最小化するようにグリッドサーチにより最適なべき乗指数を選定する。
• Jelinski–Moranda モデルにおけるpowLSEのパラメータ推定は、故障時間データをべき乗関数で変換し、非線形最適化問題を解くためにニュートン・ラプソン法を適用することで導出される。
• 2つの統計的基準—再帰的相対誤差（RE）およびBraun統計量—を用いて手法を評価し、ローリングなトレーニングおよびテストデータサブセットで計算される。
• 不均等分散性は、時間経過に伴う残差の分散を分析することで評価され、データのモデリング誤差への感受性が分散のパターンに反映されることを示している。

実験結果

リサーチクエスチョン

• RQ1 関数ベース非線形最小二乗推定法（FNLSE）フレームワークは、古典的LSEおよびLogLSEに比べ、Jelinski–Moranda ソフトウェア信頼性モデルにおけるパラメータ推定精度を向上させることができるか？
• RQ2 最適なべき乗指数を有する提案されたべき乗変換に基づくLSE（powLSE）は、標準障害データセットにおいてMLE、LSE、LogLSEに比し、MTBF予測性能が優れているか？
• RQ3 FNLSE手法は、ソフトウェア障害データの不均等分散性をどのように処理するか？また、これによりモデルのロバスト性および予測精度が向上するか？
• RQ4 変換関数の選択（例：対数関数 vs. べき乗関数）が、Jelinski–Moranda モデルの予測誤差および統計的適合度に及ぼす影響はどの程度か？
• RQ5 FNLSEフレームワークは、Jelinski–Moranda モデルにとどまらず、他のソフトウェア信頼性モデルへも一般化可能か？

主な発見

• 最適なべき乗指数を有するpowLSEは、全6つのベンチマークデータセットで最小の再帰的相対誤差（RE）およびBraun統計量を達成し、MLE、LSE、LogLSEを上回った。
• JDM-IIおよびJDM-IVデータセットでは、最適指数を有するpowLSEがLSEに比べ、Braun統計量をそれぞれ7.6%および3.8%低減した。これは、予測精度の向上を示している。
• 最適なべき乗指数はデータセットごとに異なり、JDM-Iでは-1/2、JDM-IIでは-2、JDM-IIIでは1/4、他のデータセットでは1であった。これは、変換に対するデータセット固有の感受性を示している。
• JDM-IIでは最適指数を有するpowLSEのBraun統計量が0.512、LSEは0.847であった。JDM-IVでは、powLSEが0.918、LSEが0.994であった。両者とも一貫した改善が確認された。
• 全6つのデータセットで不均等分散性が観察され、分散が時間経過とともに増加した。powLSEは、その負の影響を効果的に緩和した。
• FNLSEフレームワークは、変換関数がデータ圧縮および分散安定化のメカニズムとして機能する重み付き非線形最小二乗推定の一種であることが証明された。