機械学習に基づくデータ駆動型ソフトウェア信頼性評価手法の開発

点击翻译按钮获取中文摘要

ソフトウェアの品質/信頼性を評価するためには，テスト工程でのフォールト（いわゆるバグ）発見事象を数理モデル化したソフトウェア信頼度成長モデルの利用が有効である．従前のソフトウェア信頼度成長モデルは，テスト工程における環境が一定であり，ソフトウェア信頼度成長過程の傾向に変化がないことを前提としている．しかし，実際は，納期とテストの進捗状況に合わせたテスト要員数の増減や，テスト内容の変更などが行われる．このようなテスト環境の変化は，フォールト発見数データに変化点（チェンジポイント）を発生させ，ソフトウェア信頼度成長モデルに基づく信頼性評価の精度に影響を与えるといわれている．これまでに変化点を考慮したモデルが多く提案されたものの，開発管理者が意図的に発生させたテスト環境の変化を取り扱うことが多く，観測データの統計的変化については，その検出手法を含め，研究蓄積が少ない．そこで本研究では，機械学習の変化点検出エンジンであるChange Finderを用いて，フォールト発見数データから変化点を検出した．Change Finder は時系列データから外れ値と変化点を区別したうえで，データの傾向が急激に変化する時刻を検知する異常検知手法の１つである．本研究では，テスト環境の変化点が既知のフォールト発見数データを適用した．Change Finderにより，既知であるテスト環境の変化点が検出された場合は，テスト環境の変化がフォールト発見数データに統計的変化を与えたものと判断する．それ以外の変化点が検出された場合は，何らかの要因によりフォールト発見数データに統計的変化が生じたものと判断する．このような仮定の下，検出結果を変化点モデルに適用し，テスト環境の変化を考慮した場合と適合性比較を行うことで，Change Finderの有効性を確認した．