Improving software reliability prediction through multi-criteria based dynamic model selection and combination

به رغم تلاشهای تحقیقاتی زیادی برای ایجاد مدلهای قابلیت اطمینان نرم افزاری، هیچ مدل واحد وجود ندارد که در همه شرایط مناسب باشد. بر همین اساس، برخی از مطالعات اخیر در مورد قابلیت اطمینان نرم افزار تلاش کرده اند تا مدل های موجود را به طور موثرتری در عمل (مثلا انتخاب مدل و ترکیب) استفاده کنند. با این حال، آسان نیست که مشخص شود کدام مدل احتمالا پیش بینی های قابل اطمینان را به دست خواهد آورد و وزن های مناسب را برای مدل های ترکیبی تعیین کند. انتخاب مدل نادرست یا تعیین وزن، اغلب باعث پیش بینی قابلیت اطمینان نرم افزار ناموفق در عمل می شود که منجر به بروز هزینه / برنامه می شود. در این مقاله، یک چارچوب پیش بینی قابلیت اطمینان سیستماتیک را پیشنهاد می کنیم که به صورت پویا انتخاب و ترکیب چندین مدل قابلیت اطمینان نرم افزار را بر اساس تصمیم گیری درختان در مورد چند معیار. برای انتخاب مدل، رویکرد پیشنهادی از الگوهای تجربی چند معیاره حاصل از مدلها استفاده می کند. درخت تصمیم گزافی خط کاهش یافته مدل با بهترین الگوهای پیش بینی را شناسایی کرده و به طور خودکار وزن هر مدل را اختصاص می دهد. سپس مدل های شناسایی به دو گروه تقسیم می شوند که براساس احتمال پیش بینی بیش از حد و یا کم پیش بینی می شوند و مدل های رقابتی از هر گروه بر اساس وزن داده شده خود ترکیب می شوند. از نتایج ارزیابی، رویکرد ما روش های موجود را به طور متوسط ​​دقت پیش بینی کرد.