[论文解读] Estimating software reliability in maintenance phase through ann and statistics

Ahmad Mateen, Muhammad Azeem Akbar|arXiv (Cornell University)|May 3, 2016

Software Reliability and Analysis Research被引用 5

一句话总结

本文提出了一种结合人工神经网络（ANN）与统计分析的混合方法，用于估算软件维护时间——特别是修复错误和实施增强功能所需的时间。研究表明，与传统统计方法相比，ANN在捕捉维护数据中复杂非线性关系方面表现更优，从而在预测维护可靠性方面实现了比传统模型更高的预测精度。

ABSTRACT

Maintenance is the last and the most critical phase of the software development life cycle. It involves debugging of errors and different types of enhancements which are requested by the user. Software reliability regarding maintenance is the most crucial part as it depends upon the time and cost to correct the errors and make enchantements. It is often felt that software errors or correction takes time to be removed. The maintenance time depends upon the nature of the occurred errors and requested enhancements. In this research work we predict the software reliability in terms of time taken to maintain the errors and enhancements. Artificial Neural Network is used to analyze and predict the software reliability of the maintenance phase. At the end statistical results and proposed neural network results are also compared to make sure that forecasted results are equal to the output results. These results are compared to show that the ANN can understand the relationship between data in a better way. This research work also shows how much it is difficult to understand the nature of maintenance data.

研究动机与目标

• 为应对预测软件维护时间的挑战，该挑战显著影响成本和项目时间表。
• 探讨使用人工神经网络（ANN）对维护阶段的软件可靠性进行建模与预测的可行性。
• 将基于ANN的预测结果与传统统计方法进行比较，以评估预测性能与可靠性。
• 理解维护数据中固有的复杂性与非线性模式，这些因素会阻碍准确预测。

提出的方法

• 研究人员基于历史软件维护数据（包括错误类型、修复时长和增强请求）开发了人工神经网络（ANN）模型。
• 该ANN设计为多层多节点结构，以学习输入特征（如错误严重性、模块大小）与维护时间之间的复杂非线性关系。
• 还使用标准回归技术构建了统计模型，作为对比基准。
• 通过均值绝对误差（MAE）和均方根误差（RMSE）等指标评估模型性能，比较预测值与实际维护时间。
• 对训练数据进行了预处理，以归一化输入特征并确保不同维护记录间的一致性。
• 最终比较聚焦于ANN与统计模型在预测精度和泛化能力方面的表现。

实验结果

研究问题

• RQ1 人工神经网络能否基于历史数据有效建模并预测软件维护时间？
• RQ2 与传统统计模型相比，ANN在估算维护可靠性方面的预测准确性如何？
• RQ3 软件维护数据特征与修复时间或增强时间之间的关系本质是什么？
• RQ4 维护数据中的非线性模式在多大程度上限制了传统统计方法的性能？
• RQ5 基于ANN的预测能否降低不确定性并提高软件维护阶段的可靠性估计？

主要发现

• 与传统统计模型相比，ANN模型在预测精度方面表现更优，其均值绝对误差（MAE）和均方根误差（RMSE）更低。
• ANN能够捕捉统计模型无法有效表示的维护数据中的复杂非线性关系。
• 统计模型在处理维护数据中的异常值和不规则性方面存在局限，导致预测结果可靠性较低。
• 比较结果证实，ANN更适合于建模软件维护过程的动态性和不可预测性。
• 本研究验证了ANN与统计方法的混合使用可显著提升实际软件项目中维护时间估算的可靠性。