Bayesian Software Reliability Growth Models (Static vs. Time-Varying Defect Detection)
I maintainer di solito rispondono entro 2 giorni
Nessuno ha ancora preso questa issue.
Valutazione
- Difficoltà
- 4/5
- Tempo stimato
- 3-5 giorni
- Idoneità per principianti
- 48/100
- Tipo di issue
- Documentazione
- Chiarezza
- Abbastanza chiara
- Stato di attività
- Attiva
- Stack tecnologico
- jupyter-notebook, python
- Ambito
- data, machine-learning
Direzione di ricerca
Read the linked working notebook gist and compare its proposed models with the related reliability and Poisson regression notebooks named in the issue. Build a case study around the Musa System 1 data, covering both NHPP models, model comparison, release metrics, and posterior predictive checks; done means the notebook explains these analyses and validates the arrival trajectory.
Scritto dal modello di indicizzazione a partire dal testo della issue.
Descrizione
Notebook proposal
Title: Case Study: Bayesian Software Reliability Growth Models (Static vs. Time-Varying Defect Detection)
Why should this notebook be added to pymc-examples?
Currently, pymc-examples includes hardware survival analysis (e.g. case_studies/reliability_and_calibrated_prediction.ipynb using Weibull/LogNormal for component lifespans), but lacks any case studies covering software reliability engineering (SRE) and defect arrival processes.
This notebook demonstrates a complete Bayesian case study modeling software defect discovery as a Non-Homogeneous Poisson Process (NHPP):
- Model 1 (Goel-Okumoto): Assumes constant detection efficiency per fault ($b$), yielding an exponential decay in defect arrivals: $m(t) = a(1 - e^{-bt})$.
- Model 2 (Yamada Delayed S-Shaped): Relaxes the constant-efficiency assumption by modeling a time-varying detection efficiency $b(t) = \frac{b^2 t}{1 + bt}$ to capture tester learning curves and ramp-up, yielding an S-shaped discovery trajectory: $m(t) = a(1 - (1+bt)e^{-bt})$.
- Out-of-Sample Model Comparison (
az.compare): Compares predictive accuracy using PSIS-LOO, demonstrating why Goel-Okumoto outperforms Yamada on projects with immediate high discovery.
- Actionable Release Metrics: Direct posterior estimation of undetected defects remaining in the codebase ($N_{\text{remaining}}(T) = a \cdot e^{-bT}$, strictly positive) and future operational mission reliability $R(T, \Delta t) = \exp[-(m(T+\Delta t) - m(T))]$ to guide SLA release gating.
- Validation via PPC: Posterior predictive checks confirming that the model faithfully captures the arrival trajectory.
The case study uses the canonical Musa System 1 benchmark (136 observed software failures over 24.6 CPU hours from Bell Laboratories).
Suggested categories:
- Level: Intermediate
- Diataxis type: Case study / How-to guide
Related notebooks
case_studies/reliability_and_calibrated_prediction.ipynb: Hardware survival analysis with right-censored time-to-failure. This proposal focuses on software defect counting processes (NHPP).generalized_linear_models/GLM-poisson-regression.ipynb: Demonstrates standard linear Poisson regression, whereas this case study covers physical non-linear mean-value functions, operational reliability decay, and model comparison.
Working Draft
- Working Notebook Gist: Notebook Link
- Lingua principale
- Python
- Stelle
- 402
- Fork
- 327
- Merge medio
- 5g 10m
- PR unite (30g)
- 12
Preparare l'ambiente
- Nessun Dockerfile né file Docker Compose
- Ha un modello di pull request
- Leggi la guida per i contributori
Come iniziare
- Leggi tutta la issue e poi la guida ai contributi del progetto.
- Commenta sulla issue per dire che te ne occupi tu — evita che due persone facciano lo stesso lavoro.
- Fai un fork del repository e lavora su un branch.
- Apri una pull request che faccia riferimento al numero della issue.
Altre issue di pymc-devs/pymc-examples
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 75/100
pymc-devs/pymc-examples#897 ·
I maintainer di solito rispondono entro 2 giorni
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 68/100
pymc-devs/pymc-examples#731 ·
I maintainer di solito rispondono entro 2 giorni
-
GLM-ordinal-regression should indicate extra dependenciesForse già presa @nightcityblade l’ha presa 106 giorni fa. Apertagood first issue
Difficoltà 2/5 1-3 ore Idoneità per principianti 64/100
pymc-devs/pymc-examples#548 · 4 commenti ·
I maintainer di solito rispondono entro 2 giorni
-
Difficoltà 1/5 Meno di un'ora Idoneità per principianti 72/100
pymc-devs/pymc-examples#442 · 1 reazione ·
I maintainer di solito rispondono entro 2 giorni
-
Out-of-core minibatch ADVI on a financial tick streamForse già presa Una pull request collegata a questa issue è aperta o già unita. Aperta
Difficoltà 5/5 Più di una settimana Idoneità per principianti 38/100
pymc-devs/pymc-examples#891 ·
I maintainer di solito rispondono entro 2 giorni
Tutte le issue di pymc-devs/pymc-examples
Issue simili
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 62/100
I maintainer di solito rispondono entro 1 giorno
-
enhancement
Difficoltà 2/5 1-3 ore Idoneità per principianti 68/100
dgunning/edgartools#2019 ·
I maintainer di solito rispondono entro 1 giorno
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 62/100
topoteretes/cognee#6818 · 1 commento ·
I maintainer di solito rispondono entro 1 giorno
-
source_verification_agent: no outcome when the publisher confirms a work but its DOI resolves to a different recordForse già presa @pinjun99 l’ha presa oggi. Aperta
Difficoltà 2/5 1-3 ore Idoneità per principianti 68/100
Imbad0202/academic-research-skills#1159 · 1 commento ·
I maintainer di solito rispondono entro 1 giorno
-
[Bug]: DoubleMLData.from_arrays checks the treatment d with force_all_x_finite instead of force_all_d_finiteForse già presa @leninworld l’ha presa oggi. Aperta
Difficoltà 1/5 Meno di un'ora Idoneità per principianti 88/100
DoubleML/doubleml-for-py#471 ·
I maintainer di solito rispondono entro 1 giorno