.png){kind=icon}
返回
Long-term software reliability prediction via nonparametric kernel regression methods
.png){kind=icon}
PRE
AI
DOI：10.1016/j.infsof.2026.108284.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
背景：软件可靠性预测对于现代软件开发中的质量保证和发布决策至关重要。长期预测仍然具有挑战性，尤其是在故障计数数据有限且测试条件随时间演变的情况下。目标：本文旨在开发一种统一的非参数核回归方法用于长期软件可靠性预测，并阐明结构灵活性和顺序更新策略对预测性能的影响。方法：我们提出了一种统一的非参数核回归框架，该框架整合了单核和多核估计器，并采用闭环递归预测协议。多核扩展将软件可靠性增长表示为异质核的组合，其中核权重和带宽通过最小二乘交叉验证同时优化。实验在十六个真实软件开发项目数据集上进行，包括来自GitHub的经典闭源和开源项目，并在三个训练截止点（20%、50%和80%）下进行，分别对应早期、中期和晚期测试阶段。结果：结果表明，所提出的基于核的模型在三个测试阶段中与代表性的NHPP基、小波基和LSTM基基线相比，实现了具有竞争力的点预测性能。在早期测试阶段，MKLL-D取得了最佳表现案例的最大数量，而LSTM和小波也在某些数据集上表现最佳。在中期测试阶段，小波显示出较强的数据集一致性，而基于LL的多核模型保持竞争力。在晚期测试阶段，LSTM和NHPP基SRM变得更加具有竞争力，而基于LL的核模型在几个数据集上仍保持竞争力。结论：所提出的框架为长期软件可靠性预测提供了一种实用的非参数方法。结果表明，多核局部线性模型在早期测试阶段特别有用，如MKLL-D的强表现所示。然而，这种优势并非在所有数据集或阶段中一致。顺序更新主要有助于早期阶段的局部线性估计器；在中期阶段，固定参数配置变得更加具有竞争力，而在晚期阶段，相对性能更多地取决于数据集。
Keyword:
Software reliability
Nonparametric prediction
Kernel regression
Multi-kernel learning
Data-driven approach
