주제 # 3 : 소프트웨어 시험단계의 신뢰도 산출 프로세스
오늘은 소프트웨어 시험단계에서 획득할 있는 데이터를 활용하여 소프트웨어 신뢰도를 산출하는 프로세스에 관하여 기술하고자 한다. 이것은 소프트웨어 테스트 단계의 고장 데이터나 커버리지 데이터를 기반으로 현재와 미래의 특정 시점의 신뢰도를 추정하는 프로세스에 관한 것이다. 신뢰도 평가를 위한 준비단계에서 우리는 사용할 모델과 시험 단계에서 추출할 수 있는 Failure Count Data나 Coverage Data를 선정한다. 신뢰성 추정모델을 사용하여 우리가 얻고자하는 Output은 다음과 같다.
● 현재 테스트 중인 소프트웨어의 총 예측 결함 수
● 현재까지 누적 결함 수
● 남아있는 결함 수
● 목표 신뢰성에 도달하는 시간
IEEE 1633에서 소프트웨어 시험단계의 Failure Trend는 아래와 같이 4가지로 분류하고 있으며, 모든 Failure Trend에 적합한 하나의 최적 모델은 없다고 기술되어 있다.
● 고장률이 정점일 때 사용하는 모델 : Shooman Constant Defect Removal
● 고장률이 감소할 때 사용하는 모델 : Musa Basic, Jelinski-moranda, Goel-okumoto
● 고장률 증가 및 감소 때 사용하는 모델 : Yamada (Delayed) S-shaped model
따라서 신뢰도 추정의 초기 단계부터 종료까지 하나의 신뢰도 모델을 사용하는 것은 적절하지 않다. 이러한 사유로 인하여, 정확한 신뢰도를 산출하기 위해서 수집된 Failure 데이터는 여러 모델을 가지고 산출해야 하며, Failure Trend에 맞는 최적을 모델을 찾기 위한 프로세스를 거쳐야 하는 것이다. 복수의 추정모델을 이용하여 현재 신뢰도를 계산하고 목표값에 도달하는 최적의 모델을 선택하기 위해서는 해결해야 할 사항은 다음과 같다.
첫째, 평균값 함수 매개변수는 고장 데이터의 특성에 따라 LSM 또는 MLE 방법으로 추정해야 한다. 둘째, SSE 또는 AIC Method로 최적의 모델을 선택하는 방법이 필요하며, 카이-제곱 값을 계산하고 적합성을 분석하여 선택된 모델이 적절한 범위 내에 있는지 확인해야 한다.
IEEE 1633에 명시된 바와 같이 소프트웨어 시험단계에서 나타나는 결함의 유형은 여러 가지로 나타나기 때문에 단일 모델을 사용하여 특정 단계에서만 택하는 오류를 피하고 이를 전체 신뢰도 예측 프로세스에 적용하기 위해서다. 그림1에서 제시된 프로세스는 매개변수 추정 방법(LSM, MLE), 적합성 분석(Chi-Square Calculation), 모델 순위 계산(SSE, AIC) 및 최적 모델 선택 단계가 포함된다. 각 프로세스의 세부내용은 지면상 다음 회에서 세부적으로 설명하고자 한다.
다음 주제는 ‘추정모델의 Mean Value Function Parameter 산출하는 과정’에 관하여 하여 기술하고자 한다.
