머신러닝 기반의 소프트웨어 신뢰성 성장 모델(SRGM) 최적화
Optimization based machine learning algorithms for software reliability growth models
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
소프트웨어 신뢰성은 시스템의 성능 및 안전성 확보에 핵심 요소로 높은 신뢰성이 요구되는 방위산업 분야에서 그 중요성이 더욱 강조된다. 이에 현재 방위산업 분야는 소프트웨어 신뢰성 성장 모델(Software Reliability Growth Model, SRGM) 활용하여 소프트웨어 신뢰성을 효과적으로 평가하고 개선하고 있다. 그러나 선행연구는 주로 단일 최적화 기법이나 딥러닝 모델에 의존하여 국부 최적해(Local Optimum)에 수렴하거나 외삽 문제(Extrapolation Issue)로 인해 예측 신뢰성이 저하되는 한계를 보였다. 본 연구는 이러한 문제해결을 위해 최소자승법(Least Squares Method, LSM)과 최대우도법(Maximum Likelihood Estimation, MLE)을 기반으로 다양한 최적화 알고리즘을 적용하고 그 성능을 비교하여 전역 최적해(Global Optimum)에 근접한 결과를 도출하는 방안을 제시한다. 이 연구는 NASA JPL(Jet Propulsion Laboratory)의 소프트웨어 결함 데이터를 활용하였으며, 대표적인 SRGM 모델(Goel-Okumoto, Delayed S-Shape, Inflection S-Shape, Weibull, Log-Logistic)을 적용하여 최적화를 수행하였다. 연구 결과, 동일한 데이터셋에서도 최적화 방식과 알고리즘에 따라 예측 성능(Mean Squared Error, MSE)에 유의미한 차이가 발생하였다. 특히 J2 데이터의 Weibull 모델은 MSE가 70.778에서 15767.68까지 약 222배 이상의 차이를 보여 최적화 방법이 예측 정확도에 영향을 미쳤음을 확인할 수 있다. 따라서 본 연구는 소프트웨어 신뢰성 평가의 성능 향상을 위한 다양한 최적화 기법 활용의 방법론을 제시하였으며, 이를 통해 방산 분야에서 신뢰성 높은 소프트웨어 개발 및 평가에 실무적인 기여도가 있다고 볼 수 있다.
Abstract
Software reliability is a critical factor for system performance and safety, especially in defense industries, where operational failures can have severe consequences. To evaluate and improve software reliability, Software Reliability Growth Models (SRGMs) are widely used. However, many previous studies have relied on single optimization methods or deep learning approaches, which are prone to local optima and extrapolation issues, reducing prediction accuracy. To fill this gap, current study employs a broader range of optimization algorithms based on the Least Squares Method (LSM) and Maximum Likelihood Estimation (MLE) to approximate global optima. NASA’s Jet Propulsion Laboratory (JPL) software defect datasets were used, and several widely recognized SRGM models, including Goel-Okumoto, Delayed S-Shape, Inflection S-Shape, Weibull, and Log-Logistic, were evaluated. Experimental results show that the choice of optimization method significantly affects prediction performance, as measured by Mean Squared Error (MSE). For example, in the J2 dataset, the Weibull model exhibited MSE values ranging from 70.778 to 15,767.68—a 222-fold difference—demonstrating the critical role of optimization in prediction accuracy. The findings confirm the risks of relying solely on single-method approaches and highlight the value of diverse optimization strategies for achieving near-global optima. The study presents a practical framework for improving software reliability assessments, contributing to the development of highly reliable software for the defense industry.