Система прогнозирования безотказной работы ПС
Где R (t — Т) — условная вероятность того, что в течение заданного времени t эксплуатации ПС в определенных условиях среды функционирования не возникнет отказ при тестировании ПС в течение времени Т; m (t) — функция роста надежности, представляющей собой среднее количество дефектов в ПрП, выявленных во время его функционирования в течение времени Л Для раннего прогнозирования безотказности… Читать ещё >
Система прогнозирования безотказной работы ПС (реферат, курсовая, диплом, контрольная)
Контроль достижимости уровня завершенности qh базируется на построении прогнозов двух видов: поискового прогноза с помощью методов и моделей прогнозной системы:
- 1) модель раннего прогнозирования безотказности ПрП (внешняя метрика качества ПС в контексте завершенности);
- 2) модель раннего прогнозирования скрытых дефектов в ПС (внутренняя метрика качества ПС в контексте завершенности);
- 3) метод анализа альтернатив достижения уровня качества ПС;
- 4) модель определения оптимального времени тестирования компонентов ПС с учетом риска их отказов.
Раннее прогнозирование безотказной работы ПС.
Рассматриваемый подход включает «раннее» прогнозирование (до начала тестирования) и соответственно традиционное «позднее» прогнозирование [113].
Раннее прогнозирование безотказности ПС заключается в построении проекции значений мер безотказности, полученные по внутренним метрикам на определенном этапе ЖЦ, а также значений, вычисляемых по внешним метрикам на следующем этапе и в конце разработки ПС.
Цель раннего прогнозирования — определить, какие усовершенствования могут быть сделаны в применяемых методах и процессах разработки ПС с целью обеспечения минимальной плотности дефектов к моменту начала системного тестирования.
" Позднее" прогнозирование безотказности ПС связано с применением аналитических моделей роста надежности на этапе системного тестирования после сбора определенного количества данных об отказах ПС. При прогнозировании безотказности ПС процесс отказов целесообразно моделировать неоднородным пуассоновским процессом, в котором функция надежности /?(/|Г) определяется по формуле
где R (t | Т) — условная вероятность того, что в течение заданного времени t эксплуатации ПС в определенных условиях среды функционирования не возникнет отказ при тестировании ПС в течение времени Т; m (t) — функция роста надежности, представляющей собой среднее количество дефектов в ПрП, выявленных во время его функционирования в течение времени Л Для раннего прогнозирования безотказности целесообразно использовать экспоненциальную модель Дж. Мусы, которая не требует данных об отказах особенно пригодна для раннего прогнозирования эксплуатационной надежности ПрП в начале системного тестирования.
Функция роста надежности m (t) для этой модели определяется формулой.
где No — количество скрытых дефектов в ПрП в начале системного тестирования; Ло — интенсивность отказов ПрП в начале системного тестирования, определяемая по формуле
где р — интенсивность выполнения кода (скорость процессора); К = 4 • КГ7 — коэффициент выявления дефектов (постоянный для модели Дж. Мусы); / - количество инструкций исходного кода; ф — коэффициент расширения кода (число инструкций выполняемого кода, которое приходится на одну инструкцию исходного).
Тогда условная функция надежности эксплуатации ПС имеет вид.
В частности, если Т=0, то есть ПрП вообще не будет пребывать на этапе системного тестирования,.
где Do = Nq/I — плотность скрытых дефектов в начале тестирования.
Формулы (3.5) и (3.6) — это метрики раннего прогнозирования безотказности ПрП с учетом (или без) времени его тестирования.
Размер (объем) ПС (/) можно определять одним из методов FPA (Function points analysis) в условных единицах функциональности и конвертировать полученное значение в единицы KSLOC .
Для прогнозирования вероятной плотности дефектов Do (или количества дефектов No) на момент начала системного тестирования используются существующие мультипликативные модели, например, модель Rome Laboratory [16]. Однако, большинство из этих моделей ориентировано на стандартный каскадный ЖЦ и с другой стороны, в коллективах накоплены собственные ретроспективные (исторические) данные для калибровки таких моделей. В этой ситуации для выполнения прогнозов дефектов предлагается использовать графические модели [112].