Software failures prediction using RBF neural network

Abstract

One of the prospective techniques for software reliability prediction based on nonparametric models, in particular on artificial neural networks. In this paper the study of influence of number of input neurons of network based on radial basis function on the efficiency of software failures prediction presented in the form of time series is carried out. Software faults time series are constructed using Chromium and Chromium-OS open source software systems testing data with proposed further processing as a normalized values of the number of software failures in equal intervals, followed by transfer to man-days. It is demonstrated that the closest prediction can be achieved using Inverse Multiquadric activation function with 10…20 input layer neurons and 30 hidden neurons.

До перспективних методів прогнозування надійності програмного забезпечення можна віднести методи на основі непараметричних моделей, зокрема штучних нейронних мереж. В роботі проведено дослідження впливу кількості вхідних нейронів мережі на основі радіально-базисних функцій на ефективність прогнозування відмов програмного забезпечення, представлених у вигляді часових рядів. Часові ряди відмов програмного забезпечення отримували з результатів тестування веб-браузера Chromium та операційної системи Chromium-OS з відкритим вихідним кодом з запропонованою подальшою обробкою у вигляді нормалізованих значень кількості відмов програмних продуктів за рівні інтервали часу з наступним переведенням до людино-днів. Показано, що найкраща точність прогнозування досягалась для функції активації Inverse Multiquadric при 10…20 нейронах вхідного шару та 30 нейронах прихованого шару.