Applying Model Checking to Highly-Configurable Safety Critical Software: The SPS-PPS PLC Program
许多粒子加速器的一个重要方面是不断发展和频繁的配置变化,需要执行它们设计的实验。这通常会导致可配置软件的设计,可以吸收这些变化,并执行所需的控制和保护行动。这种设计策略最大限度地降低了工程和维护成本,但它使软件验证活动更具挑战性,因为必须保证任何可能的配置的安全属性。软件模型检验是一种广泛应用的自动化验证技术。这种验证方法探索系统模型的所有可能组合,以保证其符合某些属性或规范。这对于高度可配置的软件来说是一种非常合适的技术,因为通常有大量的组合需要检查。本文介绍了如何PLCverif,欧洲核子研究中心的模型检验平台,已被应用到一个高度可配置的可编程逻辑控制器(PLC)程序,SPS人员保护系统(PPS)。这种验证方法的好处和挑战也进行了讨论。
2022-03-30 cs.SE cs.SY eess.SY
CPAchecker: A Tool for Configurable Software Verification
可配置软件验证是一个新的概念,表达不同的程序分析和模型检验方法在一个单一的形式主义。本文介绍了CPAcchecker,一个工具和框架,旨在轻松集成新的验证组件。可配置程序分析接口的实现需要每个抽象域及其相应的操作。主算法可配置为对现有CPA的任意组合执行可达性分析。开发过程中的主要设计目标是为开发人员提供一个灵活且易于扩展的框架。我们希望研究人员发现使用这个平台实现新的验证思想和算法是方便和富有成效的,并且它通过使实际实验更容易来推进该领域。该工具以Java实现,并作为命令行工具或Eclipse插件运行。我们评估我们的工具的效率,从软件模型检查器BLAST的基准测试。CPAcchecker的第一个发布版本实现了谓词抽象、八边形和显式值域的CPA。二进制文件和CPAcchecker的源代码作为自由软件公开提供。
2009-01-30 cs.PL cs.SE
A Guide to Bayesian Networks Software Packages for Structure and Parameter Learning -- 2025 Edition
Minutia.AI Pte. Ltd.(Minutia.AI 垣有限公司);Department of Informatics, Systems and Communication, University of Milano-Bicocca(信息学、系统与通信系,米兰-比科卡大学)
本文为贝叶斯网络结构和参数学习推荐了最相关的工具和软件,提供给初学者,并附有详尽的软件包概述表,帮助用户选择适合的工具。
2025-03-21 cs.AI
Sensitivity and robustness analysis in Bayesian networks with the bnmonitor R package
IE University(IE大学);Università di Bologna(博洛尼亚大学);Tesserwell, LLC(Tesserwell有限责任公司)
贝叶斯网络是一类广泛用于复杂操作系统风险评估的模型。现在有多种方法,以及实现的软件,通过数据学习或专家启发来指导它们的构建。然而,一个构建的贝叶斯网络需要验证之前,它可以用于实际的风险评估。在这里,我们举例说明了bnmonitor R包的用法:第一个用于贝叶斯网络验证的综合软件。使用bnmonitor的应用数据分析进行了医疗数据集,以说明其广泛的功能的使用。
2021-07-25 cs.AI stat.ME
Requirements Analysis of Variability Constraints in a Configurable Flight Software System
本文针对飞行软件框架中可变性需求约束分散的问题,提出了一种新的轻量级软件可变性模型及结构化开发技术,实验证明其能有效发现缺失和不一致的约束,并集中规范以改进分析。
2023-09-06 cs.SE
Causality in Configurable Software Systems
检测和理解软件中的缺陷和无意行为的原因是具有挑战性的,因为它们越来越复杂。在可配置的软件系统中,由用户可能从中选择的众多特征产生的组合学增加了另一层复杂性。我们引入了特征因果关系的概念,它是基于反事实推理,并受到Halpern和Pearl对实际因果关系的开创性定义的启发。特征因果关系在系统配置的层面上运作,能够识别特征及其相互作用,这些特征及其相互作用是出现功能和非功能属性的原因。我们提出了各种方法来解释这些原因,特别是完善的责任和责备的概念,我们扩展到面向功能的设置。建立一个密切的联系,特征因果关系的主要蕴涵,我们提供了算法,有效地计算特征原因和因果解释。通过对广泛的可配置软件系统(包括社区基准测试和现实系统)进行评估,我们证明了我们方法的可行性:我们说明了因果关系的概念如何有助于识别根本原因,估计功能的影响,并检测功能交互。
2022-02-28 cs.LO cs.SE
Navigating Expertise in Configurable Software Systems through the Maze of Variability
针对可配置软件系统(CSS)中传统专业知识指标因可变性实现与模块结构不匹配而受限的问题,本研究调查CSS开发工作分布及专家对可变代码的参与,为改进专业知识评估方法奠定基础。
2024-01-19 cs.SE
GuiLiner: A Configurable and Extensible Graphical User Interface for Scientific Analysis and Simulation Software
大多数用户每天与之交互的计算机程序由图形用户界面(GUI)驱动。然而,许多科学应用程序都使用命令行界面(CLI),以方便开发并增加此模式提供的灵活性。科学应用程序开发人员将受益于能够为他们的CLI程序轻松提供GUI,从而保留两种交互模式的优点。GuiLiner是一个通用的、可扩展的和灵活的前端,旨在“托管”各种各样的数据分析或模拟程序。科学应用程序开发人员可以生成一个正确格式化的XML文件,描述他们的程序选项和一些文档,他们可以立即使用GuiLiner为他们的分析或模拟程序生成一个精心实现的GUI。
2008-06-02 cs.HC cs.SE
iGen: Dynamic Interaction Inference for Configurable Software
为了开发、分析和发展当今高度可配置的软件系统,开发人员需要深入了解系统的配置选项,例如,如何设置选项以到达特定位置、使用什么配置进行测试等。如今,获取这些详细信息需要人工努力,这是困难的、昂贵的且容易出错的。在本文中,我们提出了iGen,一种新的,轻量级的动态分析技术,自动发现一个程序的\emph{interactions} -表达逻辑公式,让开发人员丰富和详细的信息,如何系统的配置选项设置映射到特定的代码覆盖率。iGen采用迭代算法,在一小组配置下运行系统,捕获覆盖数据;处理覆盖数据以推断潜在的交互;然后生成新的配置以进一步改进下一次迭代中的交互。我们评估了iGen的29个程序跨越五种语言,这项研究的广度将无法实现使用以前的交互推理工具。我们的研究结果表明,iGen发现精确的相互作用的基础上的一个非常小的一部分的可能的配置。此外,iGen的结果证实了几个早期的假设典型的相互作用分布和结构。
2019-03-28 cs.SE
Transfer Learning for Improving Model Predictions in Highly Configurable Software
现代软件系统被构建为在动态环境中使用,使用配置功能来适应变化和外部不确定性。在自适应环境下,我们经常感兴趣的推理不同配置下的系统的性能。通常,我们根据实际测量来学习黑盒模型,以预测给定特定配置的系统性能。然而,随着现代系统变得越来越复杂,有许多配置参数可能会相互作用,我们最终会学习到一个指数级大的配置空间。当然,当依赖于实际变化环境中的真实测量时,这不会扩展。我们提出了一个不同的解决方案:我们不是从真实系统中进行测量,而是使用来自其他来源的样本来学习模型,例如以低成本近似真实系统性能的模拟器。我们定义了一个成本模型,将模型学习的传统观点转化为一个多目标问题,不仅考虑模型的准确性,而且还考虑测量工作。我们使用真实世界的可配置软件来评估我们的成本感知迁移学习解决方案,包括(i)机器人系统,(ii)3种不同的流处理应用程序,以及(iii)NoSQL数据库系统。实验结果表明,我们的方法可以实现(a)高预测精度,以及(b)高模型可靠性。
2017-04-20 cs.SE
Rethinking Performance Analysis for Configurable Software Systems: A Case Study from a Fitness Landscape Perspective
University of Electronic Science and Technology of China(电子科技大学);University of Exeter(埃克塞特大学)
本文提出将可配置软件系统的配置空间建模为适应度景观,并设计开源图数据挖掘框架FLA,基于8600万配置的分析揭示了景观地形特征及其对配置调优和性能建模的启示。
2025-01-02 cs.DC cs.LG cs.PF
Detecting Performance-Relevant Changes in Configurable Software Systems
Saarland University(萨尔兰大学);Leipzig University(莱比锡大学)
ConfFLARE通过识别数据流交互和相关软件特性,有效减少性能测试成本,准确检测性能退化。
2025-11-21 cs.SE
Small Yet Configurable: Unveiling Null Variability in Software
Institut Polytechnique de Paris(巴黎理工学院);Univ Rennes, CNRS, Inria, IRISA(雷恩大学、法国国家科学研究中心、法国国家信息与自动化研究所、IRISA实验室);EssilorLuxottica(依视路陆逊梯卡)
本文通过分析GNU coreutils中的108个程序,发现小型软件存在显著的编译时和运行时变异性,且变异性随时间增加而提升,提出空变异性软件概念,表明高可配置性不局限于大规模系统,减少冗余变异性可使软件更轻量易维护。
2026-04-17 cs.SE
A Large-Scale Study on Developer Engagement and Expertise in Configurable Software System Projects
本研究通过挖掘25个CSS项目仓库的45万余次提交,分析开发者对可变/强制代码的参与度、可变代码工作量集中度及专业知识指标有效性,发现可变代码责任高度集中且传统指标识别效果差,为CSS项目任务分配提供改进方向。
2025-08-25 cs.SE
Learning Software Configuration Spaces: A Systematic Literature Review
Univ Rennes(雷恩大学);Inria(法国国家信息与自动化研究所);CNRS(法国国家科学研究中心);IRISA(法国雷恩信息与系统研究所);University of Limerick(利默里克大学);Lero–The Irish Software Research Centre(Lero——爱尔兰软件研究中心);University College Dublin(都柏林大学学院)
大多数现代软件系统(Linux或Android等操作系统,Firefox或Chrome等Web浏览器,ffmpeg、x264或VLC等视频编码器,移动和云应用程序等)是高度可配置的可以组合数百个配置选项、功能或插件,每个都可能具有不同的功能,并对执行时间、安全性、能耗等产生影响。由于组合爆炸和执行软件的成本,几乎不可能穷尽整个配置空间。因此,许多工作已经调查的想法,学习它从一个小样本的配置的测量。模式“采样,测量,学习”已经出现在文献中,有几个实际利益的软件开发人员和最终用户的可配置系统。在本调查中,我们报告了不同的应用目标(例如,性能预测、配置优化、约束挖掘)、用例、目标软件系统和应用领域。我们回顾了各种策略,以收集具有代表性和成本效益的样本。我们描述了自动化的软件技术,用于测量配置的功能和非功能属性。我们对机器学习算法进行分类,并说明它们与所追求的应用程序的关系。最后,我们还描述了研究人员如何评估学习过程的质量。本系统评价的结果表明,潜在的应用目标是重要的,有大量的案例研究报告在文献中的基础上的几个领域和软件系统。然而,可配置系统的巨大变量空间仍然具有挑战性,并呼吁进一步研究人工智能和软件工程之间的协同作用。
2019-06-07 cs.LG cs.SE
Maximizing Patch Coverage for Testing of Highly-Configurable Software without Exploding Build Times
针对Linux内核补丁测试中现有配置方案构建耗时长且难保证补丁覆盖的问题,提出krepair方法,仅对快速构建但补丁覆盖差的配置做少量修改,即可实现平均98.5%的补丁覆盖率,同时保持构建速度比最大覆盖配置快10.5倍。
2024-04-27 cs.SE
Whence to Learn? Transferring Knowledge in Configurable Systems using BEETLE
随着软件系统复杂性的增长和可能配置的空间呈指数级增长,找到软件系统的接近最优配置变得具有挑战性。最近的方法通过基于配置样本集学习性能模型来解决这一挑战。然而,收集足够的样本配置可能非常昂贵,因为每个这样的样本都需要使用复杂的测试套件来配置、编译和执行整个系统。当学习新数据的成本太高时,可以使用\textit{Transfer Learning}将旧课程“转移”到新的上下文。传统的迁移学习有许多挑战,具体来说,(a)从过多的数据中学习需要花费过多的时间,以及(b)通过迁移构建的模型的性能可能会因为从不良源学习而恶化。为了解决这些问题,我们提出了一种新的迁移学习框架BEETLE,这是一个“领头羊”为基础的迁移学习者,专注于识别和学习最相关的来源,从旧的数据。本文评估BEETLE与57个不同的软件配置问题的基础上的五个软件系统(视频编码器,SAT求解器,SQL数据库,高性能的C编译器,流数据分析工具)。在每一种情况下,BEETLE发现的配置与其他最先进的迁移学习器发现的配置一样好或更好,而只需要其他方法所需的测量的一小部分($\frac{1}{7}$ th)。基于这些结果,我们说BEETLE是软件优化配置的一个新的高水位标志。
2020-03-25 cs.SE
Deep Configuration Performance Learning: A Systematic Survey and Taxonomy
University of Electronic Science and Technology of China(电子科技大学);Loughborough University(拉夫堡大学);University of Birmingham(伯明翰大学)
本文针对可配置软件的深度学习性能预测问题,系统调研六大索引的1206篇文献并分析99篇核心研究,构建相关技术分类体系,总结优劣、适用场景、实践问题与未来方向,开放原始数据以推动开放科学。
2024-11-03 cs.AI cs.LG cs.SE
Transfer Learning for Performance Modeling of Configurable Systems: An Exploratory Analysis
现代软件系统提供了许多配置选项,这些选项显著地影响它们的非功能属性。为了理解和预测配置选项的效果,已经提出了几种采样和学习策略,尽管通常需要大量的成本来覆盖高维配置空间。最近,迁移学习已被应用于通过跨环境迁移有关性能行为的知识来减少构建性能模型的工作。虽然这一系列研究有望以较低的成本学习更准确的模型,但目前还不清楚迁移学习为什么以及何时适用于性能建模。为了阐明何时应用迁移学习是有益的,我们对四种流行的软件系统进行了实证研究,不同的软件配置和环境条件,如硬件,工作负载和软件版本,以确定可用于迁移学习的关键知识片段。我们的研究结果表明,在小的环境变化(例如,同构工作负载变化),通过对性能模型应用线性变换,我们可以理解目标环境的性能行为,而对于严重的环境变化(例如,剧烈的工作负载变化),我们可以仅传递使采样更有效的知识,例如,通过降低配置空间的维数。
2017-09-07 cs.PF cs.SE stat.ML
A Tool for Automatically Cataloguing and Selecting Pre-Trained Models and Datasets for Software Engineering
Universitat Politècnica de Catalunya(加泰罗尼亚理工大学)
MLAssetSelection是一种自动归档和选择软件工程预训练模型和数据集的网页工具,提供排行榜、需求匹配、实时更新和用户定制功能。
2026-01-19 cs.SE
A Comparative Analysis of Backbone Algorithms for Configurable Software Systems
Universidad Nacional de Educacion a Distancia (UNED)(西班牙国家开放大学);ITIS Software, Universidad de Málaga(马拉加大学 ITIS 软件)
本文通过分析2371个来自真实世界可变性模型的公式,比较了5种先进算法在不同规模公式上的性能,发现算法2/3适合小规模公式,算法5在大规模公式中表现最佳,且过滤启发式对性能影响较小。
2026-03-16 cs.SE
The Interaction between Inputs and Configurations fed to Software Systems: an Empirical Study
广泛使用的软件系统,如视频编码器,必然是高度可配置的,有数百甚至数千个选项可供选择。他们的用户通常很难找到这些选项的合适值(即找到软件系统的适当配置),以满足他们手头任务的目标,例如将视频压缩到一定大小。问题的一个方面当然是性能取决于输入数据:输入到x264编码器的视频或输入到xz工具的文件系统。因此,为了获得良好的性能,用户应该考虑(1)软件可变性和(2)输入数据这两个方面。在这篇问题陈述论文中,我们对8个可配置系统进行了大量研究,这些系统量化了输入数据和软件系统配置之间的现有交互。结果表明:(1)输入到软件系统与他们的配置选项以非单调的方式相互作用,显着影响他们的性能属性(2)调整一个软件系统的输入数据,使其性能增加了十倍(3)输入可变性可能会危及性能预测模型的相关性,现场部署。
2023-02-21 cs.SE
WeSSQoS: A Configurable SOA System for Quality-aware Web Service Selection
Web Services(WS)已经成为当今软件系统中最常用的技术之一。在将WS集成到给定系统中的挑战中,需求驱动的选择占据了突出的位置。全面的选择过程需要检查非功能需求(NFR)的符合性,这可以通过分析WS服务质量(QoS)来评估。在本文中,我们描述了WeSSQoS系统,其目的是在排名可用WS的基础上比较他们的QoS和规定的NFR。WeSSQoS被设计为一个开放的面向服务的体系结构,它承载了一个可配置的标准化和排名算法组合,工程师可以在开始选择过程时选择这些算法。WS的QoS可以从静态的、类似WSDL的描述中获得,也可以通过监视技术动态计算。WeSSQoS被设计为在多个WS存储库和QoS源上工作。具有不同的归一化和排名算法的投资组合的影响,说明了一个例子。
2011-10-25 cs.NI cs.SE
Feature-Interaction Aware Configuration Prioritization for Configurable Code
在一个可配置的软件系统中,功能之间的意外交互会导致大多数错误。详尽地分析所有指数数量的可能配置是成本过高的。因此,已经提出了各种采样技术来系统地缩小要分析的合法配置的指数数量。由于分析所有选定的配置可能需要大量的工作,基于故障的配置优先级,有助于更早地检测故障,可以在质量保证方面产生实际的好处。在本文中,我们提出了CoPro,一种新的配方功能交互错误通过共同的程序实体启用/禁用的功能。利用这一点,我们开发了一个有效的功能交互感知配置优先级技术的可配置系统的配置排名根据其潜在的错误总数。我们进行了几项实验来评估CoPro在公共基准测试中检测配置相关错误的能力。我们发现,当我们在高级采样算法上添加它们时,CoPro的性能优于最先进的配置优先级技术。在78%的情况下,CoPro将错误配置排在结果列表的前3位。有趣的是,CoPro能够检测到17个尚未发现的功能交互错误。
2019-11-18 cs.SE
Distilled Lifelong Self-Adaptation for Configurable Systems
University of Birmingham(伯明翰大学);School of Computer Science, University of Birmingham(伯明翰大学计算机科学学院)
本文提出 DLiSA 框架,通过终身规划与蒸馏知识播种实现可配置系统在时变负载下的高效自适应,实验显示性能最高提升 229%、资源加速最高 2.22 倍。
2025-01-01 cs.AI cs.SE
Faster Discovery of Faster System Configurations with Spectral Learning
North Carolina State University(北卡罗来纳州立大学);University of Weimar(魏玛大学);University of Passau(帕绍大学)
尽管可配置的软件系统的巨大的传播和经济的重要性,有不满意的支持,在利用这些系统的全部潜力,找到性能最佳的配置。以前的工作预测软件配置的性能遭受要么(a)需要太多的样本配置或(b)在他们的预测大的变化。这两个问题都可以使用WHAT谱学习器来避免。什么是创新是使用的频谱(特征值)的距离矩阵之间的配置的可配置的软件系统,执行降维。在该缩减的配置空间内,可以通过仅执行几个示例配置来研究许多紧密关联的配置。对于这里研究的主题系统,几十个样本产生准确和稳定的预测-小于10%的预测误差,标准差小于2%。当与现有技术相比时,WHAT(a)需要少2到10倍的样本来实现类似的预测精度,并且(b)其预测更稳定(即,标准偏差更低)。此外,我们证明了预测模型生成的什么可以被优化器用来发现系统配置,接近最佳性能。
2017-08-03 cs.LG cs.SE
When to Use Which? Benchmarking Optimisers for Configurable Systems under Varying Budgets
University of Birmingham(伯明翰大学);IDEAS Lab, University of Birmingham(伯明翰大学IDEAS实验室)
研究在不同预算下可配置系统中优化器的选择问题,通过对22个系统的8种优化器进行评估,发现基于模型的优化器在预算紧张时适用,无模型优化器在预算充足时更优,FLASH在多数系统中无论预算如何都表现良好,并探究了原因。
2026-07-21 cs.AI cs.SE
Unlocking the Secrets of Software Configuration Landscapes-Ruggedness, Accessibility, Escapability, and Transferability
本文对三个真实软件系统在32个工作负载上的8600万个配置进行首次适应度景观分析,揭示配置景观崎岖但顶级局部最优可达、较差局部最优可逃逸且跨负载结构相似,为配置调优的元启发式设计提供基础。
2024-02-02 cs.NE cs.SE
Conservative Software Reliability Assessments Using Collections of Bayesian Inference Problems
City St. George’s, University of London(伦敦城市圣乔治大学)
本文通过贝叶斯推断问题集合确定软件无故障运行的最坏情况后验预测概率,推导其渐近性质并应用于安全关键软件评估,扩展了稳健与保守贝叶斯推断方法。
2025-11-10 cs.SE stat.AP
Test them all, is it worth it? Assessing configuration sampling on the JHipster Web development stack
许多测试可配置软件系统的方法都是从同一个假设开始的:不可能测试所有的配置。这激发了可变性感知抽象和采样技术的定义,以应对大的配置空间。然而,如果这样做所需的努力仍然可以接受,则没有理论障碍阻止通过简单地列举它们来对所有配置进行详尽测试。不仅如此:我们相信,通过系统地、详尽地测试一个可配置系统,我们可以学到很多东西。在这个案例研究中,我们报告了有史以来第一次努力测试所有可能的配置的行业实力,开源的可配置软件系统,JHipster,一个流行的代码生成器的Web应用程序。我们为JHipster的26,000多个配置构建了一个测试框架,使用了80台机器的集群,在4个晚上总共使用了4,376小时(182天)的CPU时间。我们发现,35.70%的配置失败,我们确定的功能相互作用,导致错误。我们表明,采样策略(如相异度和2明智的):(1)是更有效地找到故障比12个默认配置中使用的JHipster连续集成;(2)可能是太昂贵,超过可用的测试预算。我们将这种定量分析与JHipster主要开发人员的定性评估相结合。
2018-06-11 cs.SE
Bayesian Statistics in Software Engineering: Practical Guide and Case Studies
统计学有两种主要的风格:频率论和贝叶斯。由于历史和技术原因,频率统计在过去一直主导着数据分析;但贝叶斯统计正在科学的前沿卷土重来。在本文中,我们给出了一个实际的概述贝叶斯统计,并说明其主要优势,在经验软件工程,其中频率统计仍然是标准的常见的分析的种类频率统计。我们还将贝叶斯统计应用于以前研究的经验数据,这些研究调查了敏捷与结构化开发过程、程序设计语言的性能以及面向对象程序的随机测试。除了作为案例研究展示贝叶斯分析如何在实践中应用外,它们还提供了超越原始出版物(使用频率统计)结果的见解,从而显示了贝叶斯统计带来的实用价值。
2016-08-28 cs.SE
The Unnecessity of Assuming Statistically Independent Tests in Bayesian Software Reliability Assessments
在评估基于软件的系统时,对运行测试数据进行贝叶斯统计推断的结果可以为软件可靠性声明提供强有力的支持。对于推理,通常假设这些数据(即软件成功和失败)出现在独立同分布(i.i.d.)方式在本文中,我们将展示如何保守的贝叶斯方法使这个假设不必要的,通过将一个人的怀疑的假设到评估。当操作测试显示没有故障时,我们推导出系统按需故障概率(pfd)的保守置信区间。的一般性和效用的置信区间的核电厂安全保护系统的评估中说明,根据不同程度的怀疑i.i.d.。假设分析表明,i.i.d.假设可以使贝叶斯可靠性评估非常乐观-这种评估没有明确说明软件如何在广泛的操作测试期间很可能不出现故障,尽管软件的PFD非常大。
2022-12-22 cs.SE
How Low Can We Go? Minimizing Interaction Samples for Configurable Systems
针对可配置系统测试中交互样本优化空间不明的问题,提出基于对偶原理的框架结合近优解与可证明下界,开发的SampLNS算法在多数案例中样本更小且常可证明最优,节省测试资源。
2025-01-12 cs.SE math.OC
Using Bayesian Modelling to Predict Software Incidents
传统上,故障树或事件树分析或FMEA已用于估计安全关键设备产生危险状况的概率。然而,这些分析技术对于主要依赖于软件的系统不太有效,并且可能在预期功能安全(SOTIF)环境中最不有效,其中即使所有组件都按设计运行,也会发生故障或危险情况。本文介绍了我们在BlackBerry QNX中考虑的一种方法:使用贝叶斯置信网络来预测嵌入式软件中的缺陷,并报告了我们研究的早期结果。
2021-01-30 cs.SE
Bayesian causal inference in automotive software engineering and online evaluation
随机现场实验,如A/B测试,长期以来一直是评估软件更改的黄金标准。在汽车领域,进行随机现场实验并不总是理想的,可能的,甚至是道德的。面对这些限制,我们开发了一个框架BOAT(贝叶斯因果模型的观察测试),利用观察研究与贝叶斯因果推理相结合,以了解复杂的汽车软件更新对现实世界的影响,并帮助软件开发组织得出因果结论。在这项研究中,我们提出了三个因果推理模型的贝叶斯框架和相应的情况下,以解决三个常见的汽车领域的软件评估的挑战。我们与我们的行业合作者开发了BOAT框架,并通过对大型车队进行实证研究来展示因果推理的潜力。此外,我们将因果假设理论与它们在实践中的含义联系起来,旨在为如何在汽车软件工程中应用因果模型提供全面的指导。当我们无法访问整个用户群时,我们应用贝叶斯倾向评分匹配来产生平衡的对照组和治疗组,贝叶斯回归不连续性设计用于识别协变量依赖的治疗分配和局部治疗效果,贝叶斯差异差异用于随时间推移的治疗效果的因果推断,并隐式控制未观察到的混杂因素。每一个示范性案例在实践中都有其依据,并且是在随机化不可行时经历的场景。借助BOAT框架,我们可以在汽车领域进行在线软件评估,而无需完全随机化的实验。
2022-07-01 cs.SE
A framework for quantitative modeling and analysis of highly (re)configurable systems
本文介绍了我们的方法,定量建模和分析的高度(可重)配置的系统,如软件产品线。这样的系统的可选特征的不同组合在组合上产生许多单独的系统变体。我们使用一种正式的建模语言,使我们能够建模系统的概率行为,可能受到定量功能的约束,并能够动态安装,删除或替换功能。更确切地说,我们的模型定义在概率面向特征的语言QFLAN,一个丰富的域特定语言(DSL)的系统与功能定义的可变性。QFLAN规范自动编码的过程代数的操作行为与存储的约束,因此允许分离的系统配置系统行为。由此产生的概率配置和行为无缝收敛在基于离散时间马尔可夫链的语义,从而使定量分析。我们的分析是基于统计模型检验技术,这使我们能够扩展到更大的模型与精确的概率分析技术。我们可以进行的分析范围从特定行为的可能性到特定系统变体的预期平均成本(根据特征属性)。我们的方法是由一个新的基于Excel的工具,其中包括国家的最先进的DSL公用事业QFLAN的基础上的Xtext框架以及分析插件无缝运行统计模型检验分析的支持。我们提供了一些案例研究,推动和验证了我们的框架的发展。
2018-04-04 cs.SE
Bayesian propensity score matching in automotive embedded software engineering
随机现场实验,如A/B测试,一直是评估新软件为客户带来价值的黄金标准。然而,在汽车嵌入式软件的开发中,运行随机现场实验并不总是理想的,可能的,甚至是道德的。在面对这样的限制,我们建议使用贝叶斯倾向得分匹配技术的因果推理的观察性研究在汽车领域。在本文中,我们提出了一种基于贝叶斯倾向得分匹配框架的方法,应用于汽车软件工程的独特设置。该方法用于根据观察性在线评价生成平衡的对照组和治疗组,并估计软件变更的因果治疗效应,即使治疗组中的样本有限。我们在汽车领域中使用概念验证来验证该方法。在本例中,我们有一个较大的控制($N_c=1100$)车队,使用当前软件,还有一个小的治疗车队($N_t=38$),其中我们引入了一个新的软件变体。我们演示了一个场景,即限制向所有用户运送新软件,因此无法进行完全随机化的实验。因此,我们使用贝叶斯倾向评分匹配方法,以14个观察到的协变量作为输入。结果显示更平衡的组,适合根据收集的观察数据估计因果治疗效应。我们将详细描述该方法并分享我们的配置。此外,我们讨论了如何可以使用这样的方法,利用小样本组的新软件的在线评估。
2021-09-26 cs.SE
Using causal inference and Bayesian statistics to explain the capability of a test suite in exposing software faults
测试有效性是指测试套件暴露软件中错误的能力。了解影响这种能力的因素至关重要。我们的目标是推断这两个因素之间的因果关系(即,Cover/Exec)以及测试套件暴露和发现软件中错误的能力。Cover指的是覆盖语句的不同测试用例的数量,而Exec等于测试套件执行语句的次数。我们分析了来自{12} Java程序的459166个软件故障。贝叶斯统计与后门标准一起被用于因果推理的目的。此外,我们研究了测量关联的常见陷阱,因果关系和非因果关系的混合,而不是因果关联。结果表明,Cover与\textit{Exec}之间的因果关系更强,且Cover与\textit{Exec}之间的因果关系和非因果关系存在统计学差异。软件开发人员可以利用这些结果来设计和编写更有效的测试用例,从而发现更多隐藏在软件中的错误。
2023-03-17 cs.SE
Bayesian Data Analysis in Empirical Software Engineering Research
本文针对频率统计在异构软件工程数据分析中灵活性不足、结果难解释的问题,介绍贝叶斯数据分析,并通过重新分析自动生成测试和编程语言性能两项研究展示其优势。
2019-08-26 cs.SE stat.ME
Introducing Context Awareness in Unmodified, Context-unaware Software
软件往往是高度可配置的,但大多数应用程序几乎没有上下文意识。例如,Web浏览器提供了许多设置来配置打印机和代理,但它无法动态地适应新的工作场所。在本文中,我们的目标是实证证明,通过动态和自动重新配置未修改的软件,我们可以系统地引入上下文感知。在包含5000万行代码的16个实际应用程序中,我们根据经验调查了2,683个运行时配置访问中的哪些(1)已经考虑了上下文,或者(2)可以在运行时进行操作。结果表明,上下文感知可以远远超出开发人员的最初意图。我们的工具Elektra动态拦截的运行时配置访问,并取代它们与上下文感知实现。用户只需要指定上下文并添加上下文传感器就可以利用这种潜力。
2017-02-21 cs.PL cs.SE
A Bayesian Network Approach to Assess and Predict Software Quality Using Activity-Based Quality Models (Conference Version)
评估和预测软件质量的复杂概念在实践和研究中仍然具有挑战性。基于活动的质量模型将这一复杂的概念分解为更具体的定义,更精确的关于系统、过程和环境的事实,以及它们对在系统上执行的活动和与系统一起执行的活动的影响。然而,这些模型缺乏可操作性,无法用于质量评估和预测。贝叶斯网络(BN)已被证明是一种可行的手段,评估和预测纳入变量的不确定性。本文介绍了如何基于活动的质量模型可以用来推导BN模型的质量评估和预测。所提出的方法证明了使用公开数据的概念证明。
2016-11-30 cs.SE
Stability prediction of the software requirements specification
本文提出贝叶斯网络 Requisites,利用大型复杂软件项目的需求度量预测需求规格说明是否需要修订,并将其集成到多层架构工具中以辅助决策。
2024-01-23 cs.SE
Specialization of Run-time Configuration Space at Compile-time: An Exploratory Study
许多软件系统通过运行时间选项(如命令行参数)是高度可配置的。用户可以调整某些选项,以满足各种功能和非功能需求,如占用空间、安全性或执行时间。然而,有些选项从来没有为给定的系统实例设置过,无论系统的用例如何,它们的值都保持不变。在此,我们设计了一个受控实验,其中系统的运行时间配置空间可以在编译时专门化,并且可以根据需要删除选项的组合。我们对著名的x264视频编码器进行了深入的研究,并量化了其专业化对其非功能属性的影响,即二进制大小,攻击面和性能,同时确保其有效性。我们的探索性研究表明,系统的可配置专业化具有统计上的显着好处,其分析的非功能性的属性,这些好处取决于的debloated选项的数量。虽然我们的实证结果和见解表明,删除与未使用的运行时间选项,以改善软件系统的代码的重要性,一个开放的挑战是进一步自动化的专业化过程。
2022-10-25 cs.SE
Dynamic Prediction of Delays in Software Projects using Delay Patterns and Bayesian Modeling
针对敏捷软件项目变化多、静态工作量估算模型无法适配执行中变化的问题,提出结合延迟模式与贝叶斯建模的动态延迟预测模型,经ING真实数据验证,预测准确率显著优于静态及现有最优方法。
2023-10-02 cs.SE
Demonstrating Software Reliability using Possibly Correlated Tests: Insights from a Conservative Bayesian Approach
本文提出保守贝叶斯方法,在软件执行可能相关时评估可靠性,揭示独立性假设的影响,并指出运行测试的徒劳性与故障敏感性,应用于核电站和自动驾驶安全。
2023-10-11 cs.SE
BayesInsights: Modelling Software Delivery and Developer Experience with Bayesian Networks at Bloomberg
Bloomberg(彭博);UCL(伦敦大学学院)
本文介绍了布莱尔集团开发的BayesInsights工具,通过贝叶斯网络可视化软件工程过程中的因果依赖关系,帮助识别软件交付挑战,获得24名高级从业者95.8%的积极反馈。
2026-03-31 cs.SE
BayesFLo: Bayesian fault localization of complex software systems
JMP Statistical Discovery LLC, SAS Institute Inc.(JMP统计发现有限责任公司,SAS研究所);Department of Statistical Science, Duke University(杜克大学统计学系)
本文提出BayesFLo框架,通过贝叶斯模型结合领域知识,提升复杂系统故障定位的准确性与概率评估能力。
2026-03-27 cs.SE stat.ME
Enhancing Human Aspect of Software Engineering using Bayesian Classifier
在目前的情况下,信息技术产业必须在成本、质量、服务或创新方面进行有效的斗争,才能在全球市场上生存。由于技术的快速变革,软件行业需要管理大量隐藏着宝贵信息的数据集。数据采掘技术可以有效地处理这些隐藏的信息,它可以应用于代码优化,故障预测和其他领域,调制软件项目的成功性质。此外,开发产品的效率还取决于项目人员的素质。因此,本文的立场是探索项目人员的潜力,他们的能力和技能组合及其对项目质量的影响。上述目标是使用贝叶斯分类器来实现的,以便捕获人类表现的模式。通过这种方法,在相关数据库中发现的隐藏的和有价值的知识将被总结在统计结构中。这种预测研究模式使项目经理能够通过正确选择项目人员来将失败率降低到一个显著的水平,并提高项目的绩效。
2014-02-11 cs.SE
Prompting for Performance: Exploring LLMs for Configuring Software
Inria-Simula associate team RIPOST(Inria-Simula联合团队RIPOST);Inria Défi LLM4Code project(Inria LLM4Code项目)
本研究探索大语言模型(LLMs)通过提示词协助面向性能的软件配置的可行性,在识别相关选项、配置排名等任务上评估多款LLMs,初步揭示其与专家知识的对齐能力及幻觉等局限性,为相关系统评估与方案设计奠基。
2025-09-23 cs.AI cs.PF cs.SE
Bayesian data analysis in empirical software engineering---The case of missing data
贝叶斯数据分析(BDA)今天被许多研究学科使用。这些学科使用BDA作为一种方法,通过使用多层次模型和利用手头的所有可用信息来拥抱不确定性。在本章中,我们首先向读者介绍BDA,然后提供一个经验软件工程的例子,在那里我们也处理我们领域的一个共同问题,即,缺少数据。我们使用的示例介绍了在进行最先进的统计分析时所做的步骤。首先,我们需要了解我们想要解决的问题。其次,我们进行因果分析。第三,我们分析了不可识别性。第四,进行缺失数据分析。最后,我们对先验进行了敏感性分析。所有这些都是在我们设计统计模型之前。一旦我们有了一个模型,我们就提出了几个可以用来进行健全性检查的诊断。我们希望通过这些例子,读者将看到使用BDA的优点。通过这种方式,我们希望贝叶斯统计在我们的领域中变得更加普遍,从而部分避免我们在其他学科中看到的再现性危机。
2020-01-01 cs.SE stat.AP
Semi-Automatic Quantification of Bayesian Networks for Software Decision Support: Comparing WSA and RNM in a Software R&D Organization
Federal University of Campina Grande(坎皮纳格兰德联邦大学);Aarhus University(奥胡斯大学)
本研究通过嵌入式案例比较WSA与RNM两种半自动量化方法,发现它们虽在决策结果上相似,但概率分布差异显著,强调方法选择需考虑节点语义、专家判断和输出分布等因素。
2026-09-28 cs.SE
Bayesian Hierarchical Modelling for Tailoring Metric Thresholds
软件是高度关联的。虽然有贯穿各领域的“全球”经验教训,但个别软件项目显示出许多“地方”特性。这种数据的异质性使得从全球数据中得出局部结论变得危险。一个关键的研究挑战是构建本地准确的预测模型,这些模型由全球特征和数据量提供信息。以前的工作已经解决了这个问题,使用聚类和迁移学习的方法,识别本地相似的特征。本文采用了一种更简单的方法称为贝叶斯分层建模。我们表明,分层建模支持跨项目的比较,同时保留本地上下文。为了证明这种方法,我们进行了一个概念上的复制现有的研究设置软件度量阈值。我们的新结果表明,与全局方法相比,我们的分层模型将模型预测误差降低了50%。
2018-04-06 cs.SE
Applying Bayesian Analysis Guidelines to Empirical Software Engineering Data: The Case of Programming Languages and Code Quality
本文面向实证软件工程改编贝叶斯数据分析指南,并通过重新分析编程语言与代码质量的 GitHub 数据集,展示构建严谨灵活分析流程的方法及价值。
2021-07-28 cs.SE
A Bayesian Network Approach to Assess and Predict Software Quality Using Activity-Based Quality Models
软件质量是一个复杂的概念。因此,评估和预测它在实践和研究中仍然具有挑战性。基于活动的质量模型将这个复杂的概念分解为具体的定义,更准确地说是关于系统、过程和环境的事实,以及它们对在系统上执行的活动和与系统一起执行的活动的影响。然而,这些模型缺乏可操作性,使其能够用于质量评估和预测。贝叶斯网络已被证明是一个可行的手段,为这项任务纳入变量的不确定性。目的:基于活动的质量模型所包含的定性知识是构建贝叶斯网络进行质量评估的丰富基础。本文介绍了一个四步的方法,系统地推导出贝叶斯网络的评估目标和质量模型。方法:通过实例详细介绍了该方法的四个步骤.此外,还进行了初步评估,其中获得了来自美国航天局项目和开放源系统的数据。该方法适用于此数据,并分析其适用性。结果:该方法适用于NASA项目和开源系统的数据。然而,预测结果因数据的可用性和质量而异,特别是基本的一般分布。结论:该方法是可行的,在现实的情况下,但需要进一步调查的案例研究,以分析其预测的有效性。
2016-11-30 cs.CR cs.SE