Modele de fiabilitate

Profilul operational
Curs 10
Schema de clasificare a modelelor
de fiabilitate
 Propusa de Musa si Okumoto
 Clasificarea se face pe baza a 5 atribute:
1. Domeniul timpului (ceas perete vs. timp de executie)
2. Categorie : finit/ infinit (nr total de caderi ce poate fi
experimentat in timp infinit)
3. Tip : Poisson sau binomial (distributia numarului de caderi
experimentate pana la momentul t)
4. Clasa (pentru categoria finita)- forma functionala a intensitatii
caderilor exprimata in functie de timp
5. Familia (pentru categoria infinita)- forma functionala a functiei
intensitatii caderilor in functie de numarul de caderi
experimentate*
Categoria
 M(t)- numarul aleator de caderi
experimentate pana la momentul t, cu functia
valorii medii μ(t)=E[M(t)]

Model cu caderi finite (altfel: infinit)

Presupunem exista o relatie unu la unu intre
caderi si defecte (fault-failure)
Tip: Poisson
 Consideram ca avem un proces Poisson in
timp daca:
 Fie o partitie a intervalului de timp [0,t]

si μ(t) ca mai sus, fi, i=1,…,n -nr de caderi in

intervalul [ti-1, ti] sunt v.a. Poisson
independente de medie
 Deci functia distributie de probabilitate a v.a.
fi x=0,1,…
Observatie!
 Daca μ(t) este o functie lineara de timp (i.e.
μ(t)=αt, α constanta >0), spunem ca procesul
Poisson M(t) este un proces Poisson omogen
(PPO)
 Daca μ(t) este nelineara, avem un Proces
Poisson Neomogen (PPN)
 Daca avem un model de proces Poisson-
relatia intre functia de intensitate a caderilor
si functia de fiabilitate

 Fie R(t+Δt|t) functia de fiabilitate conditionala

ca sw sa opereze dupa momentul t+Δt,
tinand cont ca nu a cazut dupa momentul de
timp t. Fie μ(t) functia valorii medii pentru
numarul cumulativ de caderi si λ(t) functia de
intensitate a caderilor…
 … atunci:
R(t+Δt|t)=P(ft=0|t) unde ft este o variabila
aleatoare Poisson pe intervalul de la t la t+Δt
=exp(-(μ(t+Δt)-μ(t)))
=exp(-λ(t’) Δt), t’ fiind un punct in
intervalul de la t la t+Δt, si folosind definitia
λ(t) si teorema valorii medii a integralelor
=
 Se poate deriva si relatia dintre functia de intensitate
a caderilor si rata de hazard, pentru un proces
Poisson

 Unde ti-1 e timpul caderii i-1, iar Δt e orice punct

astfel ca

 Rata de hazard conditionala si functia intensitatii

caderilor sunt egale daca functia de intensitate a
caderilor e evaluata la momentul curent
 O alta relatie care se poate stabili pentru
modelele de tip Poisson

unde α este o constanta, iar Fa (t) e functia de

distributie cumulativa a timpului pana la
cadere al unui defect individual “a”
 Daca avem caderi finite-

deci
 α- nr eventual de defecte detectate in sistem daca
acesta ar fi observat pe o perioada infinita
 Folosind relatia dintre functia valorii medii si functia
de intensitate a caderilor si relatia din slide-ul
precedent rezulta ca pentru modelele Poisson mai
avem

unde fa(t) e functia de densitate de probabilitate a

timpului pana la cadere pentru defectul individual a
Modele binomiale
 Pt modelele binomiale avem presupunerile:
1. Exista un numar fixat de defecte N in sw, la
inceputul perioadei de observatie a software-ului
2. Cand un defect e detectat e inlaturat imediat
3. Daca Ta este variabila aleatoare ce denota timpul
de cadere al defectului a, atunci Ta cu a=1,…,n
sunt v.a. independente si identic distribuite- Fa(t)
pentru toate defectele ramase
 Functia de distributie cumulativa Fa(t), functia
de densitate fa(t), si functia ratei de hazard
za(t) sunt la fel pentru toate defectele din
aceasta clasa. In plus, pentru aceasta clasa,
se considera ca nu se introduc erori noi in
procesul de detectare / corectare de erori.
Pentru aceasta clasa, functia de intensitate a
caderilor se obtine in functie de functia de
densitate de probabilitate pentru o singura
cadere astfel
 In schimb, media se exprima in functie de
distributia cumulativa
 Pentru modelul binomial avem un numar fixat
de defecte, la inceput, N, in timp ce pentru
tipul Poisson α e numarul de caderi ce poate
fi eventual descoperit pe o perioada infinita
de timp
Modelul Musa: timpul de executie
de baza
 Cel mai raspandit model de fiabilitate, dezvoltat de
John Musa de la AT&T Bell Laboratories
 A fost primul model care a folosit timpul real de
executie al unei componente sw pe un calculator
 Timpii dintre caderi sunt exprimati in unitati de
procesare computationala- nu in timpul calendaristic
(ComputationalProcessingUnits) (dar se poate face
conversia in acest timp)
Ipoteze
Ipoteze standard
1. Sw e operat similar cu perioada
in care s-au facut predictiile de
fiabilitate
2. In cadrul unei clase de
severitate, toate defectele au
aceeasi sansa de a fi
descoperite
3. Caderile, cand sunt depistate
defectele, sunt independente
β0 e nr total de defecte ce se
detecteaza la limita
1. Numarul cumulativ de caderi
pana la momentul t, M(t) este
un proces Poisson cu functia
valorii medii
unde β0, β1>0
Functia valorii medii este astfel
incat numarul caderilor
asteptate pe orice perioada
de timp este proportional cu
nr asteptat de defecte
nedetectate la momentul
respectiv
Este un model cu caderi finite
intrucat
Ipoteze (cont.)
2. Timpii de executie dintre caderi sunt distribuiti exponential pe portiuni- i.e.
rata de hazard pentru un singur defect e constanta (de aceea modelul
apartine clasei exponentiale)
3. Cantitatile de resurse disponibile (nr defecte identificate, timpii calculator,
personalul de corectare) sunt constante pe un segment de timp pe care sw e
observat
4. Cheltuielile de resurse pt resursa k- Δχk , asociate cu o modificare a MTTF de
la T1 la T2, se pot aproxima prin Δχk ~θkΔt+μkΔm, unde Δt este incrementul
timpului de executie, Δm este incrementul caderilor experimentate, θk un
coeficient al timpului de executie in cheltuirea resurselor iar μk este un
coeficient al caderilor in cheltuirea resurselor
5. Personalul de identificare a defectelor poat fi folosit in totalitate si utilizarea
calculatoarelor este constanta
6. Utilizarea personalului de corectare a erorilor e stabilita prin limitarea cozii de
defecte pentru fiecare persoana in parte. Coada de defecte e stabilita
considerand ca repararea erorilor e un proces Poisson si ca serverele sunt
asignate aleator in timp

Obs. Ipotezele 3-6 sunt necesare doar daca se doreste si a doua componenta a
modelului- cea care leaga timpul de executie de timpul calendaristic
Necesar de date
 Pentru componenta timpului de executie de baza: fie timpii
reali ai caderilor t1,…tn, fie timpii dintre caderi x1,…xn unde xi=ti-
ti-1
 Pentru componenta timpului calendaristic de baza:
1. Resursele disponibile pentru personalul de identificare si
corectare a erorilor si numarul de calculatoare de lucru (PI, PF,
PC)
2. Factorul de utilizare pentru fiecare resursa (ρI=1, ρF, si ρC)
3. Coeficient al timpului de executie in cheltuirea resurselor
pentru fiecare resursa θI, θF (de obicei =0) si θC
4. Coeficientul caderilor in cheltuirea resurselor pentru fiecare
resursa- μI, μF si μC
5. Lungimea maxima a cozii de defecte pentru personalul de
corectat- Q
6. Probabilitatea P ca lungimea cozii de defecte nu e mai mare
ca Q
Model
 Intrucat μ(t)=β0(1-exp(- β1t)), functia intensitatii
caderilor este

 Obs. β1 mare- descrestere rapida a functiei

intensitatii caderilor, β1 mic- descrestere lenta . In
ambele cazuri functia descreste exponential la 0.
 Facand corespondenta β1=Bφ si β0=ν0, unde
B e factorul de reducere a defectelor
(constanta de proportionalitate ce leaga rata
de corectare a defectelor cu rata hazardului)
si φ e constanta ratei hazardului pentru
defecte individuale se obtine forma originala
in care Musa a prezentat modelul
 Se poate arata ca functia de fiabilitate dupa
aparitia a i-1 caderi este
R(Δt|ti-1)=exp(-[β0 exp(- β1ti-1)][1-exp(- β1 Δt)]) pt
0<= Δt

iar rata hazardului conditional este

z(Δt|ti-1)= β0 β1exp(- β1ti-1) exp(- β1 Δt)
pt 0<= Δt
Estimarea modelului si predictia
fiabilitatii
 Presupunem ca s-au observat n caderi ale
sistemului la momentele t1,…, tn si de la
momentul tn al ultimei caderi s-a scurs
perioada suplimentara x fara caderi (x>=0)
 Deci sw ruleaza si e observat de tn+x unitati
de timp
 Folosind ipotezele se obtine functia de
verosimilitate a sistemului
 Iar estimarile de verosimilitate maxima pt β0
si β1 sunt solutiile perechii de ecuatii
 Dupa estimarea β0 si β1, se foloseste
proprietatea de invarianta a estimatorilor de
verosimilitate maxima pentru a estima alte
masuri de fiabilitate: functia de fiabilitate, rata
hazardului, functia de intensitate a caderilor
Exemplu
 Presupunem timpii observati ai caderilor sunt t1=10,
t2=18, t3=32, t4=49, t5=64, t6=86, t7=105, t8=132,
t9=167, t10=207, cu un timp aditional de 15 ore CPU
de la ultima cadere. Toate unitatile sunt ore si sunt
masurate in timp de executie. Folosind ecuatiile de
mai sus se obtine

cu solutia
Observatii!
 Musa recomanda acest model – in contrast
cu modelul sau logaritmic-Poisson- daca se
doreste predictia timpurie a fiabilitatii- inainte
de executarea programului si observarea
datelor despre caderi, sau daca programul se
modifica substantial in timp pe masura ce
sunt observate caderile, sau daca sunteti
interesati de impactul unei noi tehnologii de
inginerie sw asupra procesului de dezvoltare
Modelul cresterii fiabilitatii de
forma S- Yamada
 Modelul S de crestere a fiabilitatii este o
ilustrare a clasei modelelor bazate pe
distributia gamma. Totusi, numarul de caderi
pe unitatea de timp e un model tip Poisson,
un model cu caderi finite:
 Yamada a observat ca functia valorilor medii μ(t)
este adesea mai degraba o curba caracteristica de
forma S, decat modelul cu crestere exponentiala al
lui Goel-Okumoto
 Procesul detectarii erorilor sw poate fi descris de o
curba cu crestere in forma literei S, care reflecta
curba de invatare initiala la inceput, pe masura ce
membrii echipei devin familiari cu defectele, urmata
de o crestere si apoi nivelarea- pe masura ce
defectele reziduale sunt tot mai dificil de descoperit
 Ipoteze
Ipoteze standard 1. Numarul cumulativ de
caderi pana la momentul t
M(t) urmeaza un proces
1. Sw e operat similar cu perioada
in care s-au facut predictiile de
Poisson de medie μ(t).
fiabilitate Functia valorii medii este
2. In cadrul unei clase de
de forma
severitate, toate defectele au μ(t)=α[1-(1+βt)e-βt] pentru α,
aceeasi sansa de a fi
descoperite
β>0, functie marginita,
nedescrescatoare de timp,
3. Caderile, cand sunt depistate
defectele, sunt independente
cu adica model
cu caderi finite
2. Timpul dintre caderile i-1 si i depinde de
momentul caderii i-1
3. Cand apare o cadere, defectul care a
cauzat-o este inlaturat imediat fara
introducerea de defecte noi
Cerinte date
1. Timpii caderilor sistemului sw ti sau
2. Numarul fi de defecte detectate in fiecare perioada
de observatie, impreuna cu lungimile li ale acestor
perioade , i=1,…,n
 Daca sunt disponibile date de tip 1, acestea pot fi
transformate usor in date de tipul 2. Deci acest
model poate fi folosit atat cu date “timpi dintre
caderi” cat si pentru date “nr caderi pe perioada de
timp”
Forma modelului
 Presupunem ca avem o partitie T* a
intrervalului de timp pe care observam sw,
reprezentand intervalele de testare:

 Fie f1,…, fn numarul de caderi observate in

fiecare interval de lungime
 Din ipoteze, fiecare fi e o variabila aleatoare
Poisson independenta de medie:

 Intrucat functia valorii medii este

μ(t)=α[1-(1+βt)e-βt], (aceasta da forma S a
modelului)
obtinem functia de intensitate a caderilor
λ(t)= μ’(t)= α β2te-βt
 Intrucat

avem un model de caderi finite, α fiind numarul

total de caderi ale sistemului
 Daca am face graficul functiei intensitatii
caderilor: creste pana la momentul t=1/β si
apoi descreste asimptotic apropiindu-se de
axa timpului
 Model Poisson + caderi finite, λ(t)=αfa(t) ->
distributia timpilor dintre caderi pe defect este
Exercitiu
 Determinati urmatoarele masuri de fiabilitate ale
modelului
1. Functia de fiabilitate la momentul ti+Δt stiind ca a
avut loc o cadere la momentul

2. Functia ratei hazardului la momentul ti+Δt stiind ca

a avut loc o cadere la momentul

3. Numarul asteptat de defecte in perioada i de timp

de lungime
Estimarea modelului si
predictia fiabilitatii
 Densitatea cumulata a numarului de defecte
pe partitia data (folosind ipotezele
precedente)
 EVM pentru α si β sunt solutiile ecuatiilor
 Metode de analiza numerica pentru
rezolvarea ecuatiilor si obtinerea estimarilor
pentru α si β (implementate in SMERFS, de
exemplu)

 S-au obtinut predictii foarte bune cu acest

model cand datele disponibile au respectat
forma S a modelului (aceasta se poate
determina cu tehnicile de analiza trendului)
Profilul operational
 Fiabilitatea unui produs sw depinde de felul
in care acesta va fi folosit de catre clienti.
 Profilul operational- o descriere cantitativa a
modului in care va fi utilizat un sistem
 Util in ghidarea testarii- reduce timpul si
costul acesteia
Profil
 Set disjunct de alternative= elemente, insotite
fiecare de probabilitatea sa de aparitie
 Spre ex, daca A apare 60% din timp si B
40%, profilul este {A 0.6; B 0.4}
 Functii- la nivelul cerinte; operatii – dupa
construirea sistemului
Executii (run)
 Sarcini ce reprezinta cea mai mica subdiviziune de lucru ce
poate fi initiata printr-o interventie externa (umana sau efectuata
de catre alt sistem)
 Exp. Un apel telefonic/ comanda intrare a unui utilizator/ o
tranzactie
 O executie e asociata cu o stare de intrare (input state)-set
complet de variabile de intrare pentru sistem; o stare de intrare
determina tipul unei executii (exp: rezervari pt pers diferite la un
zbor sunt tipuri diferite de executii)
 Variabila de intrare-data externa sistemului, ce il influenteaza->
(nu includ doar parametrii transmisi explicit programului)
 Functie= un set (grup) de tipuri de executii
vazute la momentul cerintelor (“rezervare”)
 Operatii= un set (grup) de tipuri de executii
vazute dupa constructia sistemului
 Profil functional/ profil operational
 Cazuri utilizare
disjuncte
 Actori
 Functii-> operatii
pt fiecare caz
 Intrari- pe nivele
de echivalenta
pentru fiecare
functie/operatie