Utilizando redes neurais artificiais para modelar a confiabilidade de software
Autor(a) principal: | |
---|---|
Data de Publicação: | 2004 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFPR |
Texto Completo: | https://hdl.handle.net/1884/2161 |
Resumo: | Orientadora: Silvia Regina Vergilio |
id |
UFPR_defc3816f8e7340d5fa59b23313178e3 |
---|---|
oai_identifier_str |
oai:acervodigital.ufpr.br:1884/2161 |
network_acronym_str |
UFPR |
network_name_str |
Repositório Institucional da UFPR |
repository_id_str |
308 |
spelling |
Souza, Gustavo Alexandre deUniversidade Federal do Paraná. Setor de Ciências Exatas. Programa de Pós-Graduação em InformáticaVergilio, Silvia Regina, 1966-2021-07-14T14:14:16Z2021-07-14T14:14:16Z2004https://hdl.handle.net/1884/2161Orientadora: Silvia Regina VergilioDissertação (mestrado) - Universidade Federal do Paraná, Setor de Ciências Exatas, Programa de Pós-Graduaçao em Informática. Defesa: Curitiba, 2004Inclui bibliografiaResumo: A confiabilidade de um sistema e' uma característica fundamental pois ela significa a probabilidade de sucesso durante sua operação. Em outras palavras, a confiabilidade e' a probabilidade de um sistema funcionar quando submetido a uma determinada condição de operação. Se a confiabilidade e' baixa, significa que o sistema apresenta muitas falhas. Quando estamos falando de confiabilidade de software, estas falhas estão associadas a um conjunto de defeitos no código, introduzidos durante o desenvolvimento do programa. Os Modelos de Crescimento de Confiabilidade de Software são modelos matemáticos utilizados para estimar a probabilidade de um programa falhar ao longo do tempo. Com estes modelos, gerentes de projetos podem estimar o tempo necessário para testar um programa e fazer a sua entrega com um nível de confiabilidade aceitável. Atualmente, existem vários modelos de confiabilidade com capacidades diferentes para modelar diferentes tipos de comportamento. Para aplicar um modelo, e' necessário fazer uma pre' analise dos dados de falha obtidos para descobrir a tendência dos dados para depois selecionar um modelo que melhor modele o comportamento observado. Porem, cada projeto tem um comportamento de crescimento de confiabilidade diferente e embora existam vários modelos analíticos diferentes, nenhum destes consegue ter um bom desempenho em bases de projetos com características diferentes das suposições consideradas por cada um. Estudos realizados com redes neurais artificiais comprovaram a eficiência desta técnica aplicada a modelagem da confiabilidade de software. As redes neurais artificiais são estruturas computacionais cujo comportamento e' adaptado a partir de exemplos ate' que se obtenha uma solução ótima para um determinado problema. Podemos entender as redes neurais como funções matemáticas que se adaptam aos dados observados para se obter um modelo desejado. O objetivo deste trabalho e' explorar o uso de redes neurais para modelar a confiabilidade de software. Foram realizados dois experimentos. Um experimento utilizando modelos baseados em tempo aplicados a vários projetos diferentes para comparar a adaptabilidade e a capacidade de predição dos modelos neurais comparados aos modelos analíticos. No segundo experimento, foram utilizados modelos baseados em cobertura de teste para verificar a aplicabilidade dos modelos neurais para este tipo de dados de falha.Abstract: The system reliability is a fundamental quality characteristic. Reliability is the system's probability of successful operation when operated under a specific condition. If reliability is low, that means the system presents several failures. When considering software reliability, these failures are associated with a set of defects or faults in the code introduced during the development process. The software reliability growth models are mathematical models used to estimate the probability of software's failure over time. Using these models, project managers are able to estimate the necessary time to test and release the software at an acceptable reliability level. Nowadays, there are several reliability models with different characteristics to model different behaviors. To select a model that better represents the observed behavior, it is necessary to analyze the previously obtained failure data to find out the data tendencies. However, each project presents a different reliability growth behavior and even though several models have been proposed, none was able to show a good performance in projects with different characteristics. Studies on arti- ficial neural networks have shown its efficiency when applied to software reliability modeling. Artificial neural networks are computational structures whose behavior is adapted from examples until the best solution for a specific problem is found. It is possible to understand artificial neural networks as mathematical functions that adapt theirselves to the observed data to obtain a desired model. The objective of this work is to explore the use of artificial neural networks for software reliability modeling. Two experiments were conducted. The first experiment using models based on time that were applied to various different projects. The results of this experiment allows evaluation of the adaptability and prediction ability of the neural models and, comparison against the analytic models. In the second experiment, test coverage based models were used to verify the applicability of the neural models to this type of failure data.55f. : il., tabs.application/pdfdisponivel em formato digitalTesesRedes neurais (Computação)SoftwareCiencia da ComputaçãoUtilizando redes neurais artificiais para modelar a confiabilidade de softwareinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisporreponame:Repositório Institucional da UFPRinstname:Universidade Federal do Paraná (UFPR)instacron:UFPRinfo:eu-repo/semantics/openAccessORIGINALR - D - GUSTAVO ALEXANDRE DE SOUZA.pdfapplication/pdf515984https://acervodigital.ufpr.br/bitstream/1884/2161/1/R%20-%20D%20-%20GUSTAVO%20ALEXANDRE%20DE%20SOUZA.pdf558ed71b9b0923f238324737d2ea8021MD51open access1884/21612021-07-14 11:14:16.174open accessoai:acervodigital.ufpr.br:1884/2161Repositório de PublicaçõesPUBhttp://acervodigital.ufpr.br/oai/requestopendoar:3082021-07-14T14:14:16Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)false |
dc.title.pt_BR.fl_str_mv |
Utilizando redes neurais artificiais para modelar a confiabilidade de software |
title |
Utilizando redes neurais artificiais para modelar a confiabilidade de software |
spellingShingle |
Utilizando redes neurais artificiais para modelar a confiabilidade de software Souza, Gustavo Alexandre de Teses Redes neurais (Computação) Software Ciencia da Computação |
title_short |
Utilizando redes neurais artificiais para modelar a confiabilidade de software |
title_full |
Utilizando redes neurais artificiais para modelar a confiabilidade de software |
title_fullStr |
Utilizando redes neurais artificiais para modelar a confiabilidade de software |
title_full_unstemmed |
Utilizando redes neurais artificiais para modelar a confiabilidade de software |
title_sort |
Utilizando redes neurais artificiais para modelar a confiabilidade de software |
author |
Souza, Gustavo Alexandre de |
author_facet |
Souza, Gustavo Alexandre de |
author_role |
author |
dc.contributor.other.pt_BR.fl_str_mv |
Universidade Federal do Paraná. Setor de Ciências Exatas. Programa de Pós-Graduação em Informática |
dc.contributor.author.fl_str_mv |
Souza, Gustavo Alexandre de |
dc.contributor.advisor1.fl_str_mv |
Vergilio, Silvia Regina, 1966- |
contributor_str_mv |
Vergilio, Silvia Regina, 1966- |
dc.subject.por.fl_str_mv |
Teses Redes neurais (Computação) Software Ciencia da Computação |
topic |
Teses Redes neurais (Computação) Software Ciencia da Computação |
description |
Orientadora: Silvia Regina Vergilio |
publishDate |
2004 |
dc.date.issued.fl_str_mv |
2004 |
dc.date.accessioned.fl_str_mv |
2021-07-14T14:14:16Z |
dc.date.available.fl_str_mv |
2021-07-14T14:14:16Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://hdl.handle.net/1884/2161 |
url |
https://hdl.handle.net/1884/2161 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.pt_BR.fl_str_mv |
disponivel em formato digital |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
55f. : il., tabs. application/pdf |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFPR instname:Universidade Federal do Paraná (UFPR) instacron:UFPR |
instname_str |
Universidade Federal do Paraná (UFPR) |
instacron_str |
UFPR |
institution |
UFPR |
reponame_str |
Repositório Institucional da UFPR |
collection |
Repositório Institucional da UFPR |
bitstream.url.fl_str_mv |
https://acervodigital.ufpr.br/bitstream/1884/2161/1/R%20-%20D%20-%20GUSTAVO%20ALEXANDRE%20DE%20SOUZA.pdf |
bitstream.checksum.fl_str_mv |
558ed71b9b0923f238324737d2ea8021 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR) |
repository.mail.fl_str_mv |
|
_version_ |
1801860609568931840 |