面向软件可靠性增长建模的深度合成跨项目方法
软件工程
2025-09-23 v1
摘要
软件可靠性增长模型 (SRGMs) 在预测基于测试阶段或运行阶段收集的缺陷发现数据所用于软件可靠性。然而，其预测准确度在数据稀缺环境中常下降，例如早期测试阶段或安全关键系统。虽然已探索跨项目迁移学习以缓解此问题，旨在利用过去项目的数据，但其适用性受限于真实世界数据集的稀缺性和保密性。为克服这些限制，我们提出了深度合成跨项目 SRGM (DSC-SRGM) 方法，集成合成数据生成与跨项目迁移学习。合成数据集通过传统 SRGMs 生成，以保留真实世界缺陷发现趋势的统计特征。应用基于交叉相关的聚类方法，以识别与目标项目模式相似的合成数据集。然后使用这些数据集训练深度学习模型进行可靠性预测。该方法在 60 个真实世界数据集上进行评估，其性能与基于真实世界数据集训练的传统 SRGMs 和跨项目深度学习模型进行比较。DSC-SRGM 在预测准确度上相较传统 SRGMs 提升最高可达 23.3%，相对于基于真实世界数据集训练的跨项目深度学习模型提升最高可达 32.2%。然而，过度使用合成数据或对合成数据与真实世界数据进行盲目组合可能降低预测性能，这凸显了保持适当数据平衡的重要性。这些发现表明，DSC-SRGM 是数据稀缺环境下进行软件可靠性预测的有前景的方法。
引用
@article{arxiv.2509.16939,
title = {Deep Synthetic Cross-Project Approaches for Software Reliability Growth Modeling},
author = {Taehyoun Kim and Duksan Ryu and Jongmoon Baik},
journal= {arXiv preprint arXiv:2509.16939},
year = {2025}
}
备注
Submitted on April 26, 2025. Under review