CN104881609A - 一种复杂软件系统软件单元可信性评估方法 - Google Patents

Abstract

一种复杂软件系统软件单元可信性评估方法，包括以下步骤：A.建立可信指标体系；B.确定可信评估评语集；C.利用SPSS进行因子分析获得客观权重，采用层次分析法获得主观权重，利用动态赋值方法确定最终各因素权重；D.对软件单元可信性进行一级模糊评估；E.采用多重模糊合成算子对评估结果进行修正；F.迭代上述的计算过程，实现对软件单元可信性的多级模糊综合评估。该方法对评估指标进行分类，使评价结果更为可靠；获得的指标权重值更加符合软件单元实际状况，可以根据不同软件单元的需求动态的调整主客观权重结构；采用多重模糊合成算子对评估结果进行修正，使评价结果更加科学、准确、合理。

Description

一种复杂软件系统软件单元可信性评估方法

技术领域

本发明涉及一种复杂软件系统软件单元可信性评估方法，尤其涉及一种采用改进的模糊综合评判方法对复杂软件系统软件单元的可信性进行综合评估，利用SPSS从客观角度获取评估指标权重，利用AHP从主观角度获取评估指标权重，利用动态组合赋权方法从主客观角度对指标权重进行动态确定，利用多重模糊合成算子对评价结果进行修正，最终实现复杂软件系统软件单元可信性评估方法。

背景技术

当前，以通信、存储和计算为核心的信息基础设施已经渗透到政治、经济、军事、文化和社会生活的各个层面，软件作为信息基础设施的灵魂，在信息社会中发挥着至关重要的作用。日趋庞大的软件需求愈来愈多，复杂度愈来愈高，可用性要求愈来愈强，软件系统却愈来愈脆弱，其行为和结果并不完全符合人们的预期。因此，人们对软件的正确性、可靠性、安全性、可生存性等“可信”属性给予了高度关注，而复杂软件系统作为一种新的软件形态，其可信性问题显得更为重要。

复杂软件系统是由大量局部软件单元(自治软件系统)持续集成、相互耦合关联而成的大型软件系统，实现对软件单元的可信性评估是对复杂软件系统整体可信性评估的基础和前提。传统的方法和技术围绕系统质量和使用质量两个内容，通常只关注可靠性、正确性、安全性等某一个质量属性。而软件可信性更关注软件使用层面的综合质量属性，是包括正确性、功能性、可靠性、可用性、可维护性等诸多属性的综合性评价。同时，软件可信性还具有动态演化特征：一方面，伴随着软件系统的应用领域、应用环境以及用户多元化可信需求的变化，软件可信性所包括的关键可信属性会发生变化；另一方面，为满足环境变化和适应用户新需求，软件系统经过动态演化过程中不断对某些可信属性进行改进，进而提升软件系统的可信性。软件可信性的这种演化特征也对软件可信性评估方法提出了新的挑战。因此，为了确保复杂软件系统软件单元的可信性评估结果的合理性与准确性，迫切的需要一种新的复杂软件系统软件单元可信评估方法，为复杂软件系统的整体可信性评估提供基础和前提。

发明内容

本发明是从模糊理论角度，将可信指标属性进行分组，形成层次结构进行逐层多级评价，解决因指标多而导致评价结果不可靠问题，利用SPSS从客观角度采用主成分分析法获取评估指标权重，利用AHP从主观角度获取评估指标权重，利用动态组合赋权方法从主客观角度对指标权重进行动态确定，利用多重模糊合成算子对评价结果进行修正，得到最终的综合评估结果，实现复杂软件系统软件单元可信性评估结果更加准确、合理。

为达到上述目的，提供一种复杂软件系统软件单元可信性评估方法，主要包括以下步骤：

A.确定可信评估指标

根据待评估的复杂软件系统的实际状况，确定可信指标属性，并对各指标因素进行分类，形成指标层次结构，确定指标评估体系。评估对象的因素集一般用U表示，假设影响复杂软件系统可信性的属性类有m个，评估对象的因素集可表示为：

U＝{u₁,u₂,…,u_m}

u_i(i＝1,2,…,m)代表每个评估指标属性；

B.确定评语集

根据软件可信等级，结合复杂软件系统软件单元的评估结果，对最终软件单元的可信性进行评定，确定评定的评语集，假设复杂软件系统软件单元的评估结果的分级情况有n种，评估评语集可以表示为：

V＝{v₁,v₂,…,v_n}

v_j(j＝1,2,…,n)代表每个评语；

C.确定可信指标权重

权重确定考虑各可信属性对软件单元可信性的影响重要程度，根据步骤A中确定的可信指标属性，分别对每一层的可信指标进行权重分析确定。

(1)针对各个指标属性，根据复杂软件系统软件单元的实际功能需求，获取相关的软件单元开发数据、测试数据、用户反馈数据等，利用SPSS(StatisticalProduct and Service Solutions)，采用因子分析中的主成分分析模块，对数据进行统计分析，获得总方差的解释表和成分矩阵，进而求得指标权重。

假设某一层中第i个指标集u_i有k个评估指标，u_i＝{u_i1,u_i2,…,u_ik}，根据软件单元的实际运行数据获得n个样本，构成初始样本矩阵：

其中，x_ij表示第i组样本数据中的第j个指标的值。

利用SPSS进行主成分分析后得到总方差的解释表和成分矩阵，获得主成分数量为m个，其特征值λ＝{λ₁,λ₂,…,λ_m}，其方差百分比η＝{η₁,η₂,…,η_m}构建主成分线性系数矩阵：

其中，y_ij表示第i个评估指标中的第j个主成分的线性系数，满足如下关系：f_ij为成分矩阵中的初始因子载荷。

由线性系数矩阵得到的m个主成分线性组合：F_i＝y_i1u_i1+y_i2u_i2+…+y_iju_ij+…+y_iku_ik，i＝1,2,…,m。

对指标在m个主成分线性组合中的系数做加权平均，获得主成分的方差贡献率，得到最终的综合模型：G＝g₁u_i1+g₂u_i2+…+g_ju_ij+…+g_ku_ik，其中

$g_i=\frac{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{y}_{\mathrm{ij}}\×{\mathrm{\η}}_i}{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\η}}_i},j=\mathrm{1,2},...,k$

由于所有指标的权重之和为1，因此指标权重需要在综合模型中指标系数的基础上归一化，得到各个因素的客观权重为A_i＝{α_i1,α_i2,…,α_ik}；

(2)根据可信指标的层次结构，利用层次分析法计算各准则层的权重和上层准则权重。设某一层中因素集u_i＝{u_i1,u_i2,…,u_ik}，利用几何平均法计算各权重为B_i＝{β_i1,β_i2,…,β_ik}，假设断矩阵T＝(t_ij)_k×k，几何平均法计算方法如下：

$W_i=\frac{{\left(\underset{j=1}{\overset{k}{\mathrm{\Π}}}{\mathrm{\α}}_{\mathrm{ij}}\right)}^{\frac{1}{k}}}{\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{\left(\underset{j=1}{\overset{k}{\mathrm{\Π}}}{\mathrm{\α}}_{\mathrm{ij}}\right)}^{\frac{1}{k}}},i=\mathrm{1,2},...,k$

(3)确定动态权重系数ρ，根据复杂软件中待评估的软件单元的实际功能需求和运行状况，将主成分分析方法和层次分析法确定的权重进行动态调整，最终综合主客观两种权重，获得最终权重W_i＝{ω_i1,ω_i2,…,ω_ik}，权重计算方法如下：

ω_ij＝ρa_ij+(1-ρ)β_ij,j＝1,2,…,k；0≤ρ≤1；

D.单因素模糊综合评价

单因素模糊综合评价又称为一级模糊综合评价。

(1)对于每类指标因素u_i，因素u_ij对评语v_k(k＝1,2,…,n)的隶属度为r_ijk，r_ijk可表示为相应的评价矩阵如下所示：

其中，f_i表示第i类指标因素中构成指标因素的个数。构建一级模糊综合评价矩阵：

$B_i=W_i\⊗R_i=(b_{i1},b_{i2},...,b_{\mathrm{in}})$

(2)为模糊合成算子，算子的选择关系到最终的评价结果，为保重评价结果的合理与准确，首先采用算子，通过该算子获得综合评价矩阵，并分析评价结果。然后采用M(∧,∨)算子获得综合评价矩阵并分析评价结果，对算子的评价结果进行修正，最终获得的综合评价结果。两种合成算子特征如下：

算子： $b_{\mathrm{ik}}=\min (1,\underset{j=1}{\overset{f_i}{\mathrm{\Σ}}}{\mathrm{\ω}}_{\mathrm{ij}}{r}_{\mathrm{ijk}}),$ 该算子权重作用体现明显，综合程度较强，可以充分利用评价矩阵R的信息，属于加权平均型算子；

M(∧,∨)算子：该算子权重作用体现不明显，综合程度较弱，R的信息利用不太充分，属于主因素突出型算子；

E.模糊多级综合评价

在一级模糊综合评判的基础上，根据对指标因素类的分层情况，进行二级以及多级模糊综合评判。迭代上述方法，最终实现对复杂软件系统的软件单元可信性的综合评估。

本发明的有益效果是，对众多指标因素进行分层、分类，使评价结果更为可靠，采用SPSS进行客观权重分析，更加高效、准确，利用AHP方法确定主观权重与客观权重相互融合并根据不同软件单元的需求动态调整主客观权重结构，构建多级模糊综合评估模型，采用多重模糊合成算子对评估结果进行修正，使评价结果更加科学、准确、公正、合理。

附图说明

图1是复杂软件系统软件单元可信性评估方法流程图。

图2是复杂软件系统软件单元可信性指标体系层次结构图。

具体实施方式

下面结合附图对本发明作进一步详细的描述。

第一步：确定可信评估指标

根据待评估的复杂软件系统的实际状况，确定可信指标属性，并对各指标因素进行分类，形成指标层次结构，确定指标评估体系。评估对象的因素集一般用U表示，假设影响复杂软件系统可信性的属性类有m个，评估对象的因素集可表示为：

U＝{u₁,u₂,…,u_m}

u_i(i＝1,2,…,m)代表每个评估指标属性；

在附图2的举例中，将复杂软件系统可信性评估指标属性共分为2大类，即m＝2，各个子因素评价集：

u₁＝{u₁₁,u₁₂,u₁₃,u₁₄}

u₁₂＝{u₁₂₁,u₁₂₂,u₁₂₃,u₁₂₄}

u₂＝{u₂₁,u₂₂,u₂₃,u₂₄,u₂₅,u₂₆}

u₂₁＝{u₂₁₁,u₂₁₂,u₂₁₃,u₂₁₄,u₂₁₅,u₂₁₆}

u₂₄＝{u₂₄₁,u₂₄₂,u₂₄₃,u₂₄₄}

u₂₆＝{u₂₆₁,u₂₆₂}

可以根据待评价的复杂软件系统的软件单元的实际情况将子层因素集继续细化，形成多层次评价因素结构。

第二步：建立软件单元评估评语集

根据软件可信等级，结合复杂软件系统软件单元的评估结果，对最终软件单元的可信性进行评定，确定评定的评语集，假设复杂软件系统软件单元的评估结果的分级情况有5种，评估评语集可以表示为：

V＝{v₁,v₂,v₃,v₄,v₅}＝{高可信，可信，较可信，低可信，不可信}

第三步：确定可信评估指标属性权重

权重确定考虑各可信属性对软件单元可信性的影响重要程度，根据步骤A中确定的可信指标属性，分别对每一层的可信指标进行权重分析确定。

(1)针对各个指标属性，根据复杂软件系统软件单元的实际功能需求，获取相关的软件单元开发数据、测试数据、用户反馈数据等，利用SPSS(StatisticalProduct and Service Solutions)，采用因子分析中的主成分分析模块，对数据进行统计分析，获得总方差的解释表和成分矩阵，进而求得指标权重。

如底层因素集u₂₁＝{u₂₁₁,u₂₁₂,u₂₁₃,u₂₁₄,u₂₁₅,u₂₁₆}，根据软件单元的实际数据获得n个样本，构成初始样本矩阵：

其中，x_ij表示第i组样本数据中的第j个指标的值。

利用SPSS进行主成分分析后得到总方差的解释表和成分矩阵，获得主成分数量为m个，其特征值λ＝{λ₁,λ₂,…,λ_m}，其方差百分比η＝{η₁,η₂,…,η_m}构建主成分线性系数矩阵：

其中，y_ij表示第i个评估指标中的第j个主成分的线性系数，满足如下关系：f_ij为成分矩阵中的初始因子载荷。

由线性系数矩阵得到的m个主成分线性组合：F_i＝y_i1u₂₁₁+y_i2u₂₁₂+…+y_iju_21j+…+y_iku₂₁₆，i＝1,2,…,m，j＝1,2,…,6。

对指标在m个主成分线性组合中的系数做加权平均，获得主成分的方差贡献率，得到最终的综合模型：G＝g₁u₂₁₁+g₂u₂₁₂+…+g_ju_21j+…+g₆u₂₁₆，其中

$g_j=\frac{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{y}_{\mathrm{ij}}\×{\mathrm{\η}}_i}{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\η}}_i},j=\mathrm{1,2},...,6$

由于所有指标的权重之和为1，因此指标权重需要在综合模型中指标系数的基础上归一化，得到各个因素的客观权重为A₂₁＝{α₂₁₁,α₂₁₂,α₂₁₃,α₂₁₄,α₂₁₅,α₂₁₆}；

(2)根据因素集的层次结构，利用层次分析法计算各准则层的权重和上层准则权重。如底层中因素集u₂₁＝{u₂₁₁,u₂₁₂,u₂₁₃,u₂₁₄,u₂₁₅,u₂₁₆}，利用几何平均法计算各主观权重为B₂₁＝{β₂₁₁,β₂₁₂,β₂₁₃,β₂₁₄,β₂₁₅,β₂₁₆}，其中，判断矩阵E＝(e_ij)_6×6，计算方法如下：

${\mathrm{\β}}_{2k}=\frac{{\left(\underset{j=1}{\overset{6}{\mathrm{\Π}}}{e}_{\mathrm{ij}}\right)}^{\frac{1}{6}}}{\underset{i=1}{\overset{6}{\mathrm{\Σ}}}{\left(\underset{j=1}{\overset{6}{\mathrm{\Π}}}{e}_{\mathrm{ij}}\right)}^{\frac{1}{6}}},k=\mathrm{1,2},...,6$

(3)确定动态权重系数ρ，根据评价油藏的实际生产状况，来动态调整、确定熵权法和层次分析法确定的因素权重的比重，最终综合主客观两种权重，获得因素集最终权重，如W₂₁＝{ω₂₁₁,ω₂₁₂,ω₂₁₃,ω₂₁₄,ω₂₁₅,ω₂₁₆}，权重确定方法如下：

ω_21i＝ρ₂a_21i+(1-ρ₂)β_21i,i＝1,2,…,6；0≤ρ₂≤1；

第四步：单因素模糊综合评价

单因素模糊综合评价又称为一级模糊综合评价。

(1)对于每类因素u_i，因素u_ij对评语v_k(k＝1,2,…,n)的隶属度为r_ijk。如u₂₁中因素u_21j对评语V＝{v₁,v₂,v₃,v₄,v₅}＝{高可信，可信，较可信，低可信，不可信}的隶属度为r_21jk可表示为相应的评价矩阵如下所示：

因此，得到一级模糊综合评价矩阵：

$B_{21}=W_{21}\⊗R_{21}=(b_{211},b_{212},b_{213},b_{214},b_{215})$

按照如上方法，可以对指标属性集u₂₄，u₂₆，u₁₂进行一级综合评判，获得各因素集的一级综合评价集分别如下：

$B_{24}=W_{24}\⊗R_{24}=(b_{241},b_{242},b_{243},b_{244},b_{245})$

$B_{26}=W_{26}\⊗R_{26}=(b_{261},b_{262},b_{263},b_{264},b_{265})$

$B_{12}=W_{12}\⊗R_{12}=(b_{121},b_{122},b_{123},b_{124},b_{125})$

(2)为模糊合成算子，算子的选择关系到最终的评价结果，为保重评价结果的合理与准确，首先采用算子，通过该算子获得综合评价矩阵，并分析评价结果。然后采用M(∧,∨)算子获得综合评价矩阵并分析评价结果，对算子的评价结果进行修正，最终获得的综合评价结果。两种合成算子特征如下：

算子： $b_{\mathrm{ik}}=\min (1,\underset{j=1}{\overset{f_i}{\mathrm{\Σ}}}{\mathrm{\ω}}_{\mathrm{ij}}{r}_{\mathrm{ijk}}),$ 该算子权重作用体现明显，综合程度较强，可以充分利用评价矩阵R的信息，属于加权平均型算子；

M(∧,∨)算子：该算子权重作用体现不明显，综合程度较弱，R的信息利用不太充分，属于主因素突出型算子；

第五步：模糊多级综合评价

在一级模糊综合评判的基础上，根据对评价影响因素的分层情况，进行二级以及多级模糊综合评判。迭代上述方法，最终实现对复杂软件系统的软件单元可信性的综合评估。如图2中，进行三级模糊综合评判即可获得最终的评价结果。

当然，本发明上述实施方案仅是对本发明的说明而不能限制本发明，本技术领域的普通技术人员在本发明的实质范围内所做的变化、改型、添加或替换，也应属于本发明的保护范围。

Claims (1)

1.一种复杂软件系统软件单元可信性评估方法其特征在于，主要包括以下步骤：

A.确定可信评估指标

根据待评估的复杂软件系统的实际状况，确定可信指标属性，并对各指标因素进行分类，形成指标层次结构，确定指标评估体系，评估对象的因素集一般用U表示，假设影响复杂软件系统可信性的属性类有m个，评估对象的因素集可表示为：

U＝{u₁,u₂,…,u_m}

u_i(i＝1,2,…,m)代表每个评估指标属性；

B.确定评语集

根据软件可信等级，结合复杂软件系统软件单元的评估结果，对最终软件单元的可信性进行评定，确定评定的评语集，假设复杂软件系统软件单元的评估结果的分级情况有n种，评估评语集可以表示为：

V＝{v₁,v₂,…,v_n}

v_j(j＝1,2,…,n)代表每个评语；

C.确定可信指标权重

权重确定考虑各可信属性对软件单元可信性的影响重要程度，根据步骤A中确定的可信指标属性，分别对每一层的可信指标进行权重分析确定：

(1)针对各个指标属性，根据复杂软件系统软件单元的实际功能需求，获取相关的软件单元开发数据、测试数据、用户反馈数据等，利用SPSS(StatisticalProduct and Service Solutions)，采用因子分析中的主成分分析模块，对数据进行统计分析，获得总方差的解释表和成分矩阵，进而求得指标权重；

假设某一层中第i个指标集u_i有k个评估指标，u_i＝{u_i1,u_i2,…,u_ik}，根据软件单元的实际运行数据获得n个样本，构成初始样本矩阵：

其中，x_ij表示第i组样本数据中的第j个指标的值；

利用SPSS进行主成分分析后得到总方差的解释表和成分矩阵，获得主成分数量为m个，其特征值λ＝{λ₁,λ₂,…,λ_m}，其方差百分比η＝{η₁,η₂,…,η_m}构建主成分线性系数矩阵：

其中，y_ij表示第i个评估指标中的第j个主成分的线性系数，满足如下关系：f_ij为成分矩阵中的初始因子载荷；由线性系数矩阵得到的m个主成分线性组合：F_i＝y_i1u_i1+y_i2u_i2+…+y_iju_ij+…+y_iku_ik，i＝1,2,…,m；对指标在m个主成分线性组合中的系数做加权平均，获得主成分的方差贡献率，得到最终的综合模型：G＝g₁u_i1+g₂u_i2+…+g_ju_ij+…+g_ku_ik，其中

$g_j=\frac{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{y}_{\mathrm{ij}}\×{\mathrm{\η}}_i}{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\η}}_i},j=\mathrm{1,2},...,k$

由于所有指标的权重之和为1，因此指标权重需要在综合模型中指标系数的基础上归一化，得到各个因素的客观权重为A_i＝{α_i1,α_i2,…,α_ik}；

(2)根据可信指标的层次结构，利用层次分析法计算各准则层的权重和上层准则权重，设某一层中因素集u_i＝{u_i1,u_i2,…,u_ik}，利用几何平均法计算各权重为B_i＝{β_i1,β_i2,…,β_ik}，假设断矩阵T＝(t_ij)_k×k，几何平均法计算方法如下：

$W_i=\frac{{\left(\underset{j=1}{\overset{k}{\mathrm{\Π}}}{\mathrm{\α}}_{\mathrm{ij}}\right)}^{\frac{1}{k}}}{\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{\left(\underset{j=1}{\overset{k}{\mathrm{\Π}}}{\mathrm{\α}}_{\mathrm{ij}}\right)}^{\frac{1}{k}}},i=\mathrm{1,2},...,k$

(3)确定动态权重系数ρ，根据复杂软件中待评估的软件单元的实际功能需求和运行状况，将主成分分析方法和层次分析法确定的权重进行动态调整，最终综合主客观两种权重，获得最终权重W_i＝{ω_i1,ω_i2,…,ω_ik}，权重计算方法如下：

ω_ij＝ρa_ij+(1-ρ)β_ij,j＝1,2,…,k；0≤ρ≤1；

D.单因素模糊综合评价

单因素模糊综合评价又称为一级模糊综合评价；

(1)对于每类指标因素u_i，因素u_ij对评语v_k(k＝1,2,…,n)的隶属度为r_ijk，r_ijk可表示为相应的评价矩阵如下所示：

其中，f_i表示第i类指标因素中构成指标因素的个数，构建一级模糊综合评价矩阵：

$B_i=W_i\⊗R_i=(b_{i1},b_{i2},...,b_{\mathrm{in}})$

(2)为模糊合成算子，算子的选择关系到最终的评价结果，为保重评价结果的合理与准确，首先采用算子，通过该算子获得综合评价矩阵，并分析评价结果，然后采用M(∧,∨)算子获得综合评价矩阵并分析评价结果，对算子的评价结果进行修正，最终获得的综合评价结果，两种合成算子特征如下：

算子： $b_{\mathrm{ik}}=\min (1,\underset{j=1}{\overset{f_i}{\mathrm{\Σ}}}{\mathrm{\ω}}_{\mathrm{ij}}{r}_{\mathrm{ijk}}),$ 该算子权重作用体现明显，综合程度较强，可以充分利用评价矩阵R的信息，属于加权平均型算子；

M(∧,∨)算子：该算子权重作用体现不明显，综合程度较弱，R的信息利用不太充分，属于主因素突出型算子；

E.模糊多级综合评价

在一级模糊综合评判的基础上，根据对指标因素类的分层情况，进行二级以及多级模糊综合评判，迭代上述方法，最终实现对复杂软件系统的软件单元可信性的综合评估。