White-Box and Black-Box Reliability Modeling Framework: Integration Through Analytical Model and User Profile Validation via Deep Learning — A Practitioner’s Approach
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Software reliability evaluation of complex systems is always a challenging task with conventional methods comprising both functional as well as nonfunctional aspects of real-world applications. Prevailing model frameworks moreover apply a nonfunctional approach (black-box model) that is modeled on defect data or through a functional approach (white-box model) that uses component or state-based interactions. Also, other challenges involve integrating both approaches, and validating user profiles of software operation. Further, reliability assessment is one among the most important and desirable qualities of service requirements of software systems, particularly in monitoring critical business transactions. Here, we propose a model framework to evaluate the overall reliability estimation involving both functional and nonfunctional model analyses using: (a) white-box assessment based on intercomponent analysis via component-based Cheung’s model and user profile validations with one of the identified deep learning techniques and (b) black-box modeling evaluation via generalized stochastic Petri nets based on orthogonal defect classification. A newly introduced deep learning model using white-box analysis is validated with pertinent usage profiles to establish a new trend in artificial neural networks and as well with software reliability estimation. Additionally, we introduce and present a quantitative technique — analytical hierarchy process — to integrate reliability assessment and provide weights to the white-box and as well for black-box approaches to quantify overall reliability estimation. The proposed framework is illustrated with an application case study.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle