发表机构
Centre for Software Reliability, City St. George’s, University of London（伦敦大学城市圣乔治学院软件可靠性中心）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
本文扩展保守贝叶斯推理技术，提出检查运营数据不足时可靠性断言稳健性的统计方法，阐明保守使用低保真数据的幼稚性，给出数据保真度对自动驾驶汽车安全评估影响的首批保守估计。
AI 中文摘要
对于安全关键型软件，软件过往运营数据（例如软件经历的一系列成功与失败事件）可为软件可靠性断言提供强有力的统计支持。然而，此类数据可能无法足够详细地描述过往软件故障事件，这可能导致基于该数据的可靠性评估无法考虑过往软件故障的重要特征。在本文中，我们通过扩展可靠性评估中使用的保守贝叶斯推理（CBI）技术，展示了一种原则性统计方法，用于检查来自细节不足的运营数据的可靠性断言的稳健性。我们在自动驾驶汽车（AV）安全评估场景中，展示了运营数据的细节不足会在多大程度上破坏软件可靠性断言。尽管评估者在评估过程中努力保守地使用此类数据，但来自粒度不足的数据的可靠性断言可能会危险地乐观。虽然这些发现与之前关于贝叶斯软件可靠性评估中统计模型保真度影响的研究一致，但我们的工作阐明了为何保守使用低保真度数据的尝试可能是幼稚的，并且我们给出了数据保真度对评估影响的首批保守估计。
英文摘要
For safety-critical software, operational data (e.g. sequences of software successes and failures) can provide strong statistical support for reliability claims. However, insufficient detail about past software failures may leave assessments unable to account for important features of failure behavior. In this paper, we extend conservative Bayesian inference (CBI) techniques for reliability assessment to check the robustness of reliability claims based on such data. We show how insufficient detail in operational data can undermine software reliability claims in autonomous vehicle (AV) safety assessment scenarios: even when used conservatively, low-fidelity data may yield dangerously optimistic conclusions. While these findings are consistent with previous work on the impact of statistical model fidelity in Bayesian software reliability assessments, our work clarifies why attempts to use low-fidelity data conservatively can be naive. To the best of our knowledge, we give the first conservative estimates of the impact of data fidelity on reliability assessments.
Comments15 pages, 12 figures
