Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
Assurance Case에 정량적 신뢰도 평가를 적용할 때 발생하는 의사결정 복잡도와 노력의 확장성을 분석하는 모델을 제안합니다. BBN, DST, Certus 등 기존 방법론을 비교하여 논거 크기에 따른 효율성을 검증했습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv Codex (cs.SE)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기본 논문은 assurance case (보증 케이스)에 정량적 신뢰도 평가 (quantitative confidence assessment) 방법을 적용하는 데 필요한 의사결정 복잡도 (decision complexity)와 노력 (effort)을 추정하기 위한 모델을 제안합니다. 이 모델은 이러한 척도들에 대해 최악의 경우 (worst case)와 평균적인 경우 (average case)를 모두 고려하며, 이러한 양들이 논거의 크기 (argument size)에 따라 어떻게 확장 (scale)되는지 특성화합니다. 이전 연구들은 이러한 방법들을 적용하는 데 필요한 추가적인 노력이 assurance case 실무자들의 도입을 가로막는 장벽임을 나타냈습니다. 새로운 방법을 개발하거나 기존 방법을 개선하는 연구자들은 이 모델을 사용하여 자신의 방법을 적용하는 데 필요한 노력을 추정할 수 있습니다. 제안된 모델은 발표된 사례 연구 (case studies)의 데이터를 사용하여 매개변수화되었으며, 세 가지 기존 정량적 신뢰도 평가 방법인 Bayesian Belief Network (BBN) 방법, Dempster-Shafer Theory (DST) 방법, 그리고 Certus 방법에 적용되었습니다. 결과에 따르면, Certus가 가장 높은 최악의 경우 의사결정 복잡도를 보이지만, 평균적인 경우의 노력은 BBN 및 DST 방법보다 낮게 나타났습니다.