Resumen

El modelado estructural es una rama importante del modelado de la fiabilidad del software. Funciona en las primeras fases de la ingeniería de fiabilidad para optimizar el diseño de la arquitectura y guiar las pruebas posteriores. En comparación con los modelos tradicionales que utilizan datos de prueba, los modelos estructurales suelen ser difíciles de aplicar debido a la falta de datos reales. Aquí se presenta un método basado en métricas de software para estudios empíricos. La red neuronal recurrente (RNN) se utiliza para procesar los datos métricos con el fin de identificar los bloques de código propensos a la derrota, y se emplea un esquema de agregación especificado para calcular la fiabilidad del módulo. Sobre esta base, se propone un marco para evaluar la fiabilidad global de proyectos reales, en el que se introducen herramientas algebraicas para construir el modelo de fiabilidad estructural de forma automática y precisa. Los estudios realizados en dos proyectos de código abierto demuestran que los primeros resultados de evaluación basados en este marco son eficaces y que los métodos relacionados tienen una buena aplicabilidad.

• Materias:Aerodinámica Robótica Regulación automática Tecnología de sensores Optimización de procesos
• Subjects:Aerodynamics Robotics Automatic regulation Sensor technology Process optimization
• Palabras claves:resultados de evaluación temprana, ingeniería de fiabilidad temprana, bloques de código propensos, red neuronal recurrente, modelización de la fiabilidad del software, modelo de fiabilidad estructural, marco, modelización estructural, datos reales, proyectos reales
• Keywords:early evaluation results, early reliability engineering, prone code blocks, recurrent neural network, software reliability modeling, structural reliability model, framework, structural modeling, actual data, actual projects