NHPP S-Shaped models

Bab ini mendiskusikan model keandalan stokastik untuk kegagalan perangkat lunak peristiwa berdasar pada suatu Non Homogeneous Proses Poisson (NHPP). Membiarkan kedua fungsi isi kesalahan dan tingkat deteksi kesalahan untuk menjadi waktu, tergantung pada model keandalan software yang disamaratakan dan satu ungkapan analitis untuk rata-rata fungsi nilai diperkenalkan.

Model-model Eksponen NHPP
Goel-Okumoto Model (juga disebut sebagai NHPP bersifat exponen model)

Model Exponen Musa
Musa (1985) mengusulkan suatu model yang serupa kepada

Goel-Okumoto model dengan mempertimbangkan hubungan antara waktu eksekusi dan penanggalan waktu

Hyperexponential Pertumbuhan Model
Pertumbuhan hyperexponential model (Ohba 1984a) adalah berdasar pada asumsi bahwa suatu program mempunyai sejumlah seikat-seikat dari modul-modul, masing-masing mempunyai suatu awal yang berbeda nomor dari error dan suatu tingkat kegagalan yang berbeda.

Yamada-Osaki Pertumbuhan Eksponensial Model
Suatu perluasan yang serupa model pertumbuhan eksponensial sudah diusulkan oleh Yamada dan Osaki (1985) dengan pembagian perangkat lunak ke dalam modul-modul kali 1000.

NHPP S-Shaped Model
Di dalam model NHPP S-shaped, kurva pertumbuhan keandalan software adalah satu S-shaped kurva yang berarti bahwa persilangan kurva lengkung eksponensial dari di bawah dan terjadi persimpangan seketika. Pendeteksian tingkat kesalahan-kesalahan, di mana pendeteksian tingkat kesalahan berubah berapa lama kemudian, menjadi yang terbesar pada suatu waktu yang tertentu setelah ujian mulai, setelah yang yang berkurang secara bersifat exponen.

Model NHPP S-shaped didasarkan pada asumsi-asumsi yang berikut:
1. Tingkat deteksi kesalahan berbeda diantara kesalahan.
2. Setiap kali suatu kegagalan perangkat lunak terjadi, kesalahan perangkat lunak yang menyebabkan nya adalah dengan segera memindahkan, dan tanpa error yang baru.

Modulasi suara/pembengkokan S-shaped model (Ohba 1984) adalah berdasar pada ketergantungan dari kesalahan-kesalahan oleh pendalilan asumsi-asumsi yang berikut:
1. Sebagian dari kesalahan itu bukanlah dapat ditemukan sebelum
beberapa kesalahan yang lain dipindahkan.
2. Kemungkinan pendeteksian kegagalan pada setiap waktu sebanding kepada arus nomor dari yang dapat ditemukan kesalahan perangkat lunak.
3. Tingkat kegagalan dari tiap kesalahan yang dapat ditemukan adalah konstan dan serupa.
4. Kesalahan-kesalahan yang terisolasi dapat sama sekali dipindahkan.

NHPP Delayed S-Shaped Model
Sekarang kita mendiskusikan suatu model stokastik untuk suatu proses pendeteksian kesalahan perangkat lunak berdasar pada NHPP di mana kurva pertumbuhan banyaknya kesalahan perangkat lunak dideteksi untuk data kegagalan yang diamati adalah S-Shaped, yang

disebut model S-Shaped NHPP tertunda( Yamada 1984).
Model S-shaped tertunda didasarkan pada asumsi berikut :

1. Semua kesalahan pada suatu program satu sama lain mandiri dari sudut pandang pendeteksian kegagalan.
2. Kemungkinan pendeteksian kegagalan pada setiap waktu adalah sebanding dengan jumlah kesalahan suatu perangkat lunak ada waktu itu.
3. Proporsionalitas pendeteksian kegagalan adalah tetap.
4. Isi Kesalahan Awal perangkat lunak adalah suatu variabel acak.
5. Sistem perangkat lunak adalah penyebab kegagalan secara acak dikarenakan kesalahan yang terjadi pada sistem.
6. Waktunya antara kegagalan ke ( i-1)th dan ith tergantung pada waktu kegagalan ke ( i-1)th
7. Setiap kali suatu kegagalan terjadi, kesalahan tersebut dihilangkan seketika dan tidak ada kesalahan lain yang muncul.

Connective NHPP Model
Nakagawa ( 1994) mengusulkan suatu model, yang disebut model
Connective NHPP, di mana bentuk dasar kurva pertumbuhan adalah exponensial dan suatu S-Curve terbentuk selama pengujian.

NHPP Imperfect Debugging Models
Banyak model ada menguraikan debugging sempurna dalam bagian 6.5,

yaitu, a(t)= a dan di mana laju pendeteksian kesalahan fungsi
b(t) adalah tidak tergantung waktu. Di bagian ini, kita mendiskusikan beberapa keandalan perangkat lunak model dengan proses debugging tidak sempurna dan suatu pendeteksian laju kesalahan tetap b(t)=b, yang dipelajari oleh Yamada ( Yamada 1984). Model debugging NHPP tidak sempurna didasarkan pada

asumsi yang berikut:
1. Ketika kesalahan dideteksi dipindahkan, adalah mungkin untuk munculnya kesalahan baru.
2. Kemungkinan menemukan suatu kesalahan di dalam suatu program adalah sebanding dengan sisa kesalahan dalam program

6.7 NHPP Imperfect Debugging S-shaped Models
Suatu model keandalan perangkat lunak umum berdasar pada NHPP
digunakan untuk memperoleh suatu model yang mengintegrasikan debugging tidak sempurna dengan ” pelajaran” peristiwa. ” Pelajaran” dikatakan terjadi jika pengujian nampak meningkat dengan dinamis dalam hal efisiensi ketika fase pengujian berlangsung. ” Pelajaran” pada umumnya menjelma sebagai yang mengubah laju pendeteksian kesalahan.

6.7.1 Generalisasi Model Imperfect-Debugging Fault-Detection
Turunan model keandalan perangkat lunak pada umumnya dibagi menjadi tiga proses. Proses perhitungan { N(T), t ≥ 0} mewakili jumlah kumulatif kesalahan perangkat lunak yang dideteksi dalam waktu t adalah suatu proses stokastik. Dalam langkah yang pertama, ini proses menghitung harus diuraikan dengan cara statistik. Dasar asumsi tentang proses ini mendorong kearah kesimpulan bahwa, untuk t ≥ 0, N(T) adalah distribusi Poisson dengan suatu parameter Poisson time-dependent m(t), yang disebut fungsi harga rata-rata ( MVF).Model laju imperfect-debugging fault-detection NHPP yang disamaratakan ( Pham 1997b) dirumuskan berdasarkan pada asumsi

yang berikut:
1. Laju Pendeteksian Kesalahan berbeda antar kesalahan.
2. Setiap kali suatu kegagalan perangkat lunak terjadi,

kesalahan perangkat lunak yang menyebabkannya seketika dihilangkan, dan kesalahan baru dapat diperkenalkan

Pham-Nordmann-Zhang Model (PNZ model)
Model ini berasumsi bahwa:
1. Laju Pengenalan adalah suatu fungsi linear time-dependent keseluruhan fungsi isi kesalahan
2. Fungsi laju Pendeteksian Kesalahan adalah bergantung waktu tidak berkurang dengan suatu pembengkokan model S-shaped.

Pham Exponential Imperfect Debugging Model
Model ini berasumsi bahwa:
1. Laju pengenalan adalah fungsi eksponensialdari waktu pengujian.
2. Laju Pendeteksian Kesalahan tidak menurun dengan pembengkokan model S-shape

Dalil 6.14 (Pham 2000a): Asumsikan fungsi time-dependent fault
content dan laju deteksi kesalahan berturut-turut

Model Pham-Zhang NHPP ( Pham 1997A) berasumsi bahwa:
1. Laju Pengenalan Kesalahan adalah suatu fungsi
eksponensial dari waktu pengujian. Dengan kata lain, banyaknya kesalahan meningkat lebih cepat pada awal proses pengujian dibanding pada bagian akhir. Fakta ini mencerminkan bahwa kesalahan banyak diperkenalkan ke dalam perangkat lunak di permulaan, pada bagian akhir, penguji lebih mempunyai pengetahuan dan oleh karena itu memperkenalkan lebih sedikit kesalahan ke dalam program.
2. Fungsi laju Pendeteksian Kesalahan adalah tidak menurun dengan suatu pembelokan model S-Shaped.

One Response

  1. makasih iLmunya…

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out / Change )

Twitter picture

You are commenting using your Twitter account. Log Out / Change )

Facebook photo

You are commenting using your Facebook account. Log Out / Change )

Google+ photo

You are commenting using your Google+ account. Log Out / Change )

Connecting to %s

%d bloggers like this: