Software reliability is the probability of failure-free software operation for a specified period of time in a specified environment. To predict the software reliability, many Software Reliability Growth Models (SRGMs) have been proposed during a few decades. Traditional SRGMs assume that the fault detection rate is a constant or has little changes. However, the fault detection rate is continuously changes due to some cer-tain factors related with the fault detection rate during a testing. To apply these changes of the fault detection rate to SRGMs, SRGMs with multiple change-points were proposed. The change-points is the time points where certain factors related with the fault detection rate occur. These factors can be the changes of testing environment, skills of testers and all other things related with a testing. There are too many factors that have to be considered and not every factor related with a testing always affect the fault detection rate. So, it is not realistic to set the time points where a specific factor occurs as a change-point. And also there are some limi-tations of other existing methods detecting the change-points. This thesis propose an effective change-points detection method to improve the accuracy of SRGMs with multiple change-points. To detect the most accu-rate configuration of change-points, all combinations of the change-points have to be considered. However, detecting the change-points with considering all combinations of the change-points is not possible in a timely manner because it takes too much time to calculate all the combinations which have too large search space. So, this thesis propose a method to detect the change-points via Genetic Algorithm which has been commonly used to find the optimal solution of large search space problems. The characteristics of the Genetic Algorithm can overcome the limitations of the existing methods and solve the above problem caused by a large search space. And then, the experiments employing real software failure datasets were conducted. The results of the experiments show that the proposed method can detect the more accurate number and time locations of the change-points than other methods.
소프트웨어 신뢰성은 특정 환경에서 정해진 시간 동안 소프트웨어가 실패 없이 동작 할 확률로 소프트웨어의 결함을 정량화 했다는 점에서 중요한 소프트웨어 품질 요소 중 하나로 많이 언급 되고 있다. 이러한 소프트웨어 신뢰성을 예측하기 위하여, 수년간 많은 소프트웨어 신뢰성 성장 모델이 제안되었다. 기존의 소프트웨어 신뢰성 성장 모델은 폴트가 발견되는 비율 (fault de-tection rate, FDR)을 상수이거나 변화가 적은 형태의 함수로 가정하였다. 하지만, FDR은 테스팅 과정 중 발생 할 수 있는 FDR과 관련된 요인에 의해 계속적으로 변한다. 이러한 FDR의 변화를 소프트웨어 신뢰성 성장 모델에 반영 하기 위해서, Change-points 가 반영된 소프트웨어 신뢰성 성장 모델이 제안되었다. Change-points는 FDR의 변화와 관련된 요인이 발생하는 시점이다. FDR의 변화를 줄 수 있는 요인으로는 테스팅 환경의 변화, 테스터의 숙련도 변화와 같이 테스팅과 관련된 모든 것들이 될 수 있다. 이러한 요인들은 셀 수 없이 많고 어떤 것이 실제로 FDR의 영향을 줄 수 있는지 알 수 없다. 그렇기 때문에 특정한 요인을 정해서 그 특정 요인이 발생하는 시점을 Change-points로 정하는 것은 현실적이지 않다. 그리고 Change-points를 탐색하는 다른 방법들도 각각 한계점들이 존재한다. 본 논문에서는 Change-points가 반영된 소프트웨어 신뢰성 성장 모델의 정확도를 향상 시키기 위해 유전자 알고리즘을 이용하여 효과적으로 Change-points를 탐색하는 방법을 제안하였다. 가장 정확한 Change-points를 찾기 위해서는 Change-points의 가능한 모든 조합을 계산하여 가장 FDR의 변화를 정확하게 반영하는 조합을 찾아야 한다. 하지만 계산 하는데 너무 많은 시간이 걸리기 때문에 이 방법은 시간상 불가능하다. 그래서 본 논문에서는 탐색 공간이 큰 문제의 최적의 해를 찾는 유전자 알고리즘을 도입하여 Change-points를 탐색하는 방법을 제안하였다. 그리고 유전자 알고리즘의 특성은 기존의 Change-points를 찾는 방법들의 한계점 또한 해결 할 수 있다. 본 논문에서는 제안한 방법의 검증을 위해 세가지 실제 소프트웨어 프로젝트의 소프트웨어 실패데이터를 사용하였다. 실험결과 제안한 방법이 탐색한 Change-points를 적용한 모델들이 가장 높은 정확도를 보였다. 그러므로, 제안한 방법이 기존의 다른 방법들보다 정확한 Change-points를 탐색 할 수 있다는 것을 보여주었다.
