CN107992410A - 软件质量监测方法、装置、计算机设备和存储介质 - Google Patents
软件质量监测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN107992410A CN107992410A CN201711167772.4A CN201711167772A CN107992410A CN 107992410 A CN107992410 A CN 107992410A CN 201711167772 A CN201711167772 A CN 201711167772A CN 107992410 A CN107992410 A CN 107992410A
- Authority
- CN
- China
- Prior art keywords
- defects
- current version
- version software
- software
- defect
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/70—Software maintenance or management
- G06F8/71—Version control; Configuration management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Computer Security & Cryptography (AREA)
- Stored Programmes (AREA)
Abstract
本发明涉及一种软件质量监测方法、装置、服务器和存储介质。软件质量监测方法包括:获取当前版本软件的缺陷数据;当前版本软件对应的软件生命周期包括多个时间节点,缺陷数据包括多个时间节点对应的实际缺陷数量;根据当前版本软件的缺陷数据生成当前版本软件对应的缺陷累积实际趋势图;获取历史版本软件的缺陷数据,根据历史版本软件的缺陷数据生成当前版本软件对应的缺陷累积预测趋势图;计算缺陷累积实际趋势图与缺陷累积预测趋势图的偏差度;按照预设规则对当前版本软件在多个时间节点对应的实际缺陷数量进行统计分析,根据分析结果和偏差度生成当前版本软件的质量监测结果。该方法能够提高软件质量监测的准确性。
Description
技术领域
本发明涉及计算机技术领域,特别是涉及软件质量监测方法、装置、计算机设备和存储介质。
背景技术
软件产品已应用到各行业各领域中,为了更好的控制软件产品的质量(以下简称“软件质量”),保证软件质量的可靠性,需对软件质量进行全面监测和评估。软件质量是指软件开发商在软件产品的整个软件生命周期不同时间节点进行的软件开发和软件测试等的质量。
传统方式中,软件开发商在软件生命周期采用业界成熟的监测模型对软件质量进行监测。但该监测方式中采用的监测模型趋于理想化,软件产品本身以及软件开发和软件测试等过程的多样性,使得理想化的监测模型偏离实际情况,从而传统的软件质量监测方式难以保证软件质量监测的准确性。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高软件质量监测的准确性的软件质量监测方法、装置、计算机设备和存储介质。
一种软件质量监测方法,包括:
获取当前版本软件的缺陷数据;所述当前版本软件对应的软件生命周期包括多个时间节点,所述缺陷数据包括多个时间节点对应的实际缺陷数量;
根据当前版本软件的缺陷数据生成当前版本软件对应的缺陷累积实际趋势图;
获取历史版本软件的缺陷数据,根据历史版本软件的缺陷数据生成当前版本软件对应的缺陷累积预测趋势图;
计算缺陷累积实际趋势图与缺陷累积预测趋势图的偏差度;
按照预设规则对当前版本软件在多个时间节点对应的实际缺陷数量进行统计分析,根据分析结果和所述偏差度生成当前版本软件的质量监测结果。
在其中一个实施例中,根据历史版本软件的缺陷数据生成当前版本软件对应的缺陷累积预测趋势图的步骤,包括:
利用预设模型生成当前版本软件对应的缺陷累积理想趋势图;所述理想趋势图包括多个时间节点对应的理想缺陷数量;
计算多个历史版本软件在每个时间节点对应的实际缺陷平均数量;
获取预设的每个时间节点对应的调整因子;
根据调整因子,利用所述实际缺陷平均数量以及所述理想缺陷数量计算每个时间节点对应的预测缺陷数量;
根据每个时间节点对应的预测缺陷数量,生成当前版本软件对应的缺陷累积预测趋势图。
在其中一个实施例中,所述偏差度包括多个时间节点对应的偏差值;所述按照预设规则对当前版本软件在多个时间节点对应的实际缺陷数量进行统计分析,根据分析结果和偏差度生成当前版本软件的质量监测结果的步骤,包括:
获取缺陷密度计算模型,将当前版本软件在多个时间节点对应的实际缺陷数量输入所述缺陷密度计算模型,计算得到当前版本软件的缺陷密度;所述缺陷密度包括当前版本软件在预设时间内被注入的缺陷数量与开发人员数量的比值;
根据所述缺陷密度生成当前版本软件的开发质量监测结果;
根据多个时间节点对应的偏差值,获取当前版本软件在预设时间内被发现的缺陷数量,根据被发现的缺陷数量和被注入的缺陷数量计算缺陷移除率;
根据所述缺陷移除率生成当前版本软件的测试质量监测结果。
在其中一个实施例中,所述缺陷数据还包括多个缺陷对应的发现记录,修复记录或验证记录;所述发现记录包括测试人员标识和缺陷发现时间;所述修复记录包括开发人员标识和缺陷修复时间,所述验证记录包括测试人员标识和修复验证时间;
所述按照预设规则对当前版本软件在多个时间节点对应的实际缺陷数量进行统计分析,根据分析结果和所述偏差度对当前版本软件的质量进行监测的步骤,包括:
根据所述发现记录,计算当前版本软件在指定时间内被发现的缺陷数量,根据被发现的缺陷数量对所述测试人员标识对应的工作量进行监测;
根据所述修复记录,计算当前版本软件中相同缺陷的修复次数,以及相同缺陷对应缺陷发现时间和缺陷修复时间的第一时间差,根据所述第一时间差和所述修复次数对所述开发人员标识对应的工作实效进行监测;
根据所述验证记录,计算相同缺陷对应缺陷修复时间和修复验证时间的第二时间差,根据所述第二时间差对所述测试人员标识对应的工作实效进行监测。
在其中一个实施例中,所述偏差度包括多个时间节点对应的偏差值;所述方法还包括:
获取当前版本软件的多个功能模块,统计多个功能模块对应的缺陷比例;当功能模块的缺陷比例超过第一阈值时,生成对应功能模块的重构建议,将所述重构建议发送至开发终端;或
当一个时间节点对应的偏差值小于第二阈值时,生成漏测提示,将所述漏测提示发送至测试终端。
一种软件质量监测装置,所述装置包括:
实际缺陷统计模块,用于获取当前版本软件的缺陷数据;所述当前版本软件对应的软件生命周期包括多个时间节点,所述缺陷数据包括多个时间节点对应的实际缺陷数量;根据当前版本软件的缺陷数据生成当前版本软件对应的缺陷累积实际趋势图;
预测缺陷统计模块,用于获取历史版本软件的缺陷数据,根据历史版本软件的缺陷数据生成当前版本软件对应的缺陷累积预测趋势图;
软件质量监测模块,用于计算缺陷累积实际趋势图与缺陷累积预测趋势图的偏差度;按照预设规则对当前版本软件在多个时间节点对应的实际缺陷数量进行统计分析,根据分析结果和所述偏差度生成当前版本软件的质量监测结果。
在其中一个实施例中,所述预测缺陷统计模块,还用于利用预设模型生成当前版本软件对应的缺陷累积理想趋势图;所述理想趋势图包括多个时间节点对应的理想缺陷数量;计算多个历史版本软件在每个时间节点对应的实际缺陷平均数量;获取预设的每个时间节点对应的调整因子;根据调整因子,利用所述实际缺陷平均数量以及所述理想缺陷数量计算每个时间节点对应的预测缺陷数量;根据每个时间节点对应的预测缺陷数量,生成当前版本软件对应的缺陷累积预测趋势图。
在其中一个实施例中,所述偏差度包括多个时间节点对应的偏差值;所述软件质量监测模块,还用于获取缺陷密度计算模型,将当前版本软件在多个时间节点对应的实际缺陷数量输入所述缺陷密度计算模型,计算得到当前版本软件的缺陷密度;所述缺陷密度包括当前版本软件在预设时间内被注入的缺陷数量与开发人员数量的比值;根据所述缺陷密度生成当前版本软件的开发质量监测结果;根据多个时间节点对应的偏差值,获取当前版本软件在预设时间内被发现的缺陷数量,根据被发现的缺陷数量和被注入的缺陷数量计算缺陷移除率;根据所述缺陷移除率生成当前版本软件的测试质量监测结果。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现本发明一个实施例中提供的软件质量监测方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本发明一个实施例中提供的软件质量监测方法的步骤。
上述软件质量监测方法、装置、计算机设备和存储介质,根据当前版本软件的缺陷数据和历史版本软件的缺陷数据,可以分别生成当前版本软件对应的缺陷累积实际趋势图和缺陷累积预测趋势图;通过计算缺陷累积实际趋势图与缺陷累积预测趋势图的偏差度,以及按照预设规则对当前版本软件在多个时间节点对应的实际缺陷数量进行统计分析,可以根据分析结果和偏差度对当前版本软件的开发质量和测试质量进行监测。由于缺陷累积预测趋势图是根据历史版本软件在多个时间节点对应的实际缺陷数量生成的,可以很好的反应实际开发和测试等情况,从而可以提高软件质量监测的准确性。
附图说明
图1为一个实施例中的软件质量监测方法应用环境图;
图2为一个实施例中软件质量监测方法的流程图;
图3为一个实施例中软件质量监测装置的结构示意图;
图4为一个实施例中计算机设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
可以理解,本发明所使用的术语“第一”、“第二”等可在本文中用于描述各种元件,但这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说,在不脱离本发明的范围的情况下,可以将第一客户端称为第二客户端,且类似地,可将第二客户端称为第一客户端。第一客户端和第二客户端两者都是客户端,但其不是同一客户端。
本申请提供一种软件质量监测方法,可以应用于如图1所示的应用环境中。其中,开发终端102通过网络与服务器106连接,测试终端104通过网络与服务器106连接。开发终端102和测试终端104分别可以是台式计算机,笔记本电脑、平板电脑、智能手机中的至少一种,但并不局限于此。服务器106可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群。开发人员和测试人员可以在当前版本软件的整个软件生命周期不同时间节点分别通过开发终端102和测试终端104将缺陷数据上报至服务器106。缺陷数据包括当前版本软件在多个时间节点对应的实际缺陷数量。服务器106根据当前版本软件的缺陷数据生成当前版本软件对应的缺陷累积实际趋势图,并获取历史版本软件的缺陷数据,根据历史版本软件的缺陷数据生成当前版本软件对应的缺陷累积预测趋势图。服务器106计算缺陷累积实际趋势图与缺陷累积预测趋势图的偏差度,并按照预设规则对当前版本软件在多个时间节点对应的实际缺陷数量进行统计分析,根据分析结果和偏差度生成当前版本软件的质量监测结果,将质量监测结果发送至开发终端102和测试终端104。由于缺陷累积预测趋势图是根据历史版本软件的实际缺陷数量生成的,可以很好的反应实际开发和测试等情况,从而可以提高软件质量监测的准确性。
在一个实施例中,如图2所示,提供了一种软件质量监测方法,以该方法应用于服务器为例进行说明,具体包括以下步骤:
步骤202,获取当前版本软件的缺陷数据;当前版本软件对应的软件生命周期包括多个时间节点,缺陷数据包括多个时间节点对应的实际缺陷数量。
软件生命周期包括开发和测试等多个项目周期。容易理解,每个项目周期可以包括多个项目子周期,如测试周期可以包括单元测试、集成测试、系统测试和验收测试等多个项目子周期。每个项目子周期包括多个时间节点。开发人员和测试人员可以在当前版本软件的整个软件生命周期不同时间节点分别通过开发终端和测试终端将缺陷数据上报至服务器。或者,服务器在当前版本软件的整个软件生命周期不同时间节点在开发终端和测试终端同步得到上述缺陷数据。服务器根据缺陷数据对当前版本软件在软件生命周期不同时间节点的质量进行监测。
缺陷数据包括当前版本软件在多个时间节点被注入缺陷或被发现缺陷的缺陷类型、缺陷描述、实际缺陷数量和缺陷等级等。其中,被注入缺陷是指开发人员在开发当前版本软件过程中注入的缺陷;被发现缺陷是指测试人员在测试当前本本软件过程中发现的缺陷。缺陷类型包括系统缺陷、性能缺陷和页面缺陷等。
步骤204,根据当前版本软件的缺陷数据生成当前版本软件对应的缺陷累积实际趋势图。
根据当前版本软件的缺陷数据,服务器生成当前版本软件对应的缺陷累积实际趋势图。缺陷累积实际趋势图可以是以多个时间节点为横坐标,以不同时间节点的实际缺陷数量为纵坐标的折线图或柱状图等。容易理解,缺陷累积实际趋势图也可以是饼状图等,对此不作限定。
步骤206,获取历史版本软件的缺陷数据,根据历史版本软件的缺陷数据生成当前版本软件对应的缺陷累积预测趋势图。
与缺陷累积实际趋势图相适应,当前版本软件对应的缺陷累积预测趋势图也可以是折线图,柱状图或饼状图等。
在一个实施例中,根据历史版本软件的缺陷数据生成当前版本软件对应的缺陷累积预测趋势图的步骤,包括:利用预设模型生成当前版本软件对应的缺陷累积理想趋势图;理想趋势图包括多个时间节点对应的理想缺陷数量;计算多个历史版本软件在每个时间节点对应的实际缺陷平均数量;获取预设的每个时间节点对应的调整因子;根据调整因子,利用实际缺陷平均数量以及理想缺陷数量计算每个时间节点对应的预测缺陷数量;根据每个时间节点对应的预测缺陷数量,生成当前版本软件对应的缺陷累积预测趋势图。
服务器获取预设模型,利用预设模型生成缺陷累积理想趋势图。该缺陷累积理想趋势图可以适用于多种软件,包括当前版本软件。预设模型可以是 Gompertz模型(一种软件质量分析模型)等。预设模型的表达式可以是 Y=a*b^(c^T),其中,Y表示随时间T发现的软件缺陷总数,a表示在时间T之后可能发现的软件缺陷总数,即软件中所含的缺陷总数。a*b表示在时间T之前发现的软件缺陷数,c表示发现缺陷的增长速度。服务器获取多个样本软件对应的多次测试过程中发现的缺陷数据,根据样本软件的缺陷数据估算出三个参数 a,b,c的值,从而得到拟合曲线函数,利用拟合曲线函数生成曲线图,将该曲线图作为缺陷累积理想趋势图。缺陷累积理想趋势图记录了多个时间节点的理想缺陷数量。理想缺陷数量是指在一个时间节点可能注入或发现的缺陷的数量。
服务器根据多个历史版本软件的缺陷数据,计算历史版本软件在每个时间节点对应的实际缺陷数量的平均值,即实际缺陷平均数量。服务器预存储了多个时间节点分别对应的调整因子。调整因子为实际缺陷平均数量对相应时间节点的理想缺陷数量的调整权重,如30%等。服务器根据调整因子和实际缺陷平均数量,对理想缺陷数量进行调整。具体的,服务器将调整因子输入预设的调整模型,利用调整模型计算得到每个时间节点对应的预测缺陷数量。调整模型可以是:预测缺陷数量=实际缺陷平均数量*调整因子+理想缺陷数量*(1-调整因子)。服务器根据每个时间节点对应的预测缺陷数量,生成当前版本软件对应的缺陷累积预测趋势图。
根据历史版本软件的实际缺陷数量对缺陷累积理想趋势图进行调整,使生成的缺陷累积预测趋势图可以很好的反应实际开发和测试等情况,从而可以提高软件质量监测的准确性。
步骤208,计算缺陷累积实际趋势图与缺陷累积预测趋势图的偏差度。
服务器将缺陷累积实际趋势图与缺陷累积预测趋势图进行叠加,计算缺陷数量重合的时间节点数量,根据重合的时间节点数量与统计的时间节点数量的比例,计算缺陷累积实际趋势图与缺陷累积预测趋势图的偏差度。偏差度包括多个时间节点对应的偏差值,偏差值可以是实际缺陷数量与预测缺陷数量的偏差数量或偏差比例等。
步骤210,按照预设规则对当前版本软件在多个时间节点对应的实际缺陷数量进行统计分析,根据分析结果和偏差度生成当前版本软件的质量监测结果。
在整个软件生命周期内,缺陷累积预测趋势图中前期多个时间节点的预测缺陷数量呈线性增长,后期多个时间节点的预测缺陷数量呈平稳状态,即不再注入或发现新的缺陷。缺陷累积实际趋势图与缺陷累积预测趋势图的偏差度越大,例如,在软件生命周期的后期,对应的缺陷数量仍在增长,则表示最后发布的当前版本软件存在缺陷的风险越大,即软件质量差。服务器根据多个偏差值的大小以及出现偏差的时间,可以解析缺陷产生原因,如需求分析不全面等。服务器通过对比多个版本的软件的偏差度,可以判断当前版本软件的质量是否得到提升。服务器对当前版本软件的缺陷累积实际趋势图进行解析,可以确定多个缺陷的发生概率和缺陷集中区域,生成质量监测结果。质量监测结果包括多个缺陷的发生概率,缺陷集中区域,产生原因和质量提升的情况描述等。服务器将质量监测结果发送至当前版本软件的监控终端,可以使相关人员通过监控终端更有针对性地提出遏制缺陷发生的措施,降低缺陷数量,利于改进软件开发。
服务器根据当前版本软件对应的缺陷累积预测趋势图,生成每个项目周期在不同时间节点的最优工作计划。最优工作计划包括该项时间节点的工作指标,如发现3个一级缺陷,5个二级缺陷等。服务器根据当前版本软件对应的缺陷累积实际趋势图,分析每个项目周期在不同时间节点的实际工作进度,比较当前时间节点的实际工作进度和工作指标,当工作进度相对工作指标的延迟超过阀值时,生成期限提示,将期限提示以短信、邮件或者日志等方式发送至相应开发人员或测试人员对应的终端。
本实施例中,根据当前版本软件的缺陷数据和历史版本软件的缺陷数据,可以分别生成当前版本软件对应的缺陷累积实际趋势图和缺陷累积预测趋势图;通过计算缺陷累积实际趋势图与缺陷累积预测趋势图的偏差度,以及按照预设规则对当前版本软件在多个时间节点对应的实际缺陷数量进行统计分析,可以根据分析结果和偏差度对当前版本软件的开发质量和测试质量进行监测。由于缺陷累积预测趋势图是根据历史版本软件在多个时间节点对应的实际缺陷数量生成的,可以很好的反应实际开发和测试等情况,从而可以提高软件质量监测的准确性。
在一个实施例中,按照预设规则对当前版本软件在多个时间节点对应的实际缺陷数量进行统计分析,根据分析结果和偏差度生成当前版本软件的质量监测结果的步骤,包括:获取缺陷密度计算模型,将当前版本软件在多个时间节点对应的实际缺陷数量输入缺陷密度计算模型,计算得到当前版本软件的缺陷密度;缺陷密度包括当前版本软件在预设时间内被注入的缺陷数量与开发人员数量的比值;根据缺陷密度生成当前版本软件的开发质量监测结果;根据多个时间节点对应的偏差值,获取当前版本软件在预设时间内被发现的缺陷数量,根据被发现的缺陷数量和被注入的缺陷数量计算缺陷移除率;根据缺陷移除率生成当前版本软件的测试质量监测结果。
服务器根据偏差度以及当前版本软件在多个时间节点对应的实际缺陷数量的统计分析结果,对当前版本软件的开发质量和测试质量进行监测。具体地,服务器获取缺陷密度计算模型,将当前版本软件在多个时间节点对应的实际缺陷数量输入缺陷密度计算模型,利用获取缺陷密度计算模型计算当前版本软件的缺陷密度。缺陷密度计算模型可以是:缺陷密度=实际缺陷数量/软件产品规模。其中,软件产品规模=在预设时间内的开发人员需求量(人/日),从而缺陷密度包括当前版本软件在预设时间内被注入的缺陷数量与开发人员数量的比值。预设时间可以根据实际应用自由设置,如1天,则缺陷密度可以反应每个开发人员每天产生的缺陷数量。
服务器根据缺陷密度生成当前版本软件的开发质量监测结果。具体的,服务器获取当前版本软件在多个时间节点的缺陷密度,利用获取到的多个缺陷密度生成当前版本软件对应的开发质量曲线,根据开发质量曲线的变化趋势对该软件的开发质量进行监测,将开发质量监测结果发送至监控终端。例如,当开发质量曲线的变化趋势为振荡下降时,表示当前版本软件的开发质量持续提升;当开发质量曲线的变化趋势为振荡上升时,表示当前版本软件的开发质量持续下降;当开发质量曲线的变化趋势为不断振荡时,表示当前版本软件的开发质量不稳定。容易理解,服务器也可以获取多个版本的软件的缺陷密度,利用获取到的多个缺陷密度生成该款软件的开发质量曲线,根据开发质量曲线的变化趋势对该款不同版本的软件的开发质量进行监测。
服务器获取当前版本软件在多个时间节点对应的偏差值,以及当前版本软件在预设时间内被发现的缺陷数量。服务器计算在预设时间内被发现的缺陷数量和被注入的缺陷数量的比值,将该比值作为缺陷移除率。服务器将缺陷移除率与预设的阈值对比,根据对比结果生成当前版本软件的测试质量监测结果。例如,假设缺陷移除率为90%,阈值为95%,则仍存在5%的缺陷缺陷需要移除,表示测试质量不好。
本实施例中,利用缺陷密度计算模型计算当前版本软件的缺陷密度,根据实际缺陷数量和预测缺陷数量在多个时间节点的偏差值计算当前版本软件的缺陷移除率,根据缺陷密度和缺陷移除率分别对当前版本软件的开发质量和测试质量进行监测,同时对开发人员和测试人员的工作量进行监测,方便相关人员及时了解软件质量。
在一个实施例中,按照预设规则对当前版本软件在多个时间节点对应的实际缺陷数量进行统计分析,根据分析结果和偏差度对当前版本软件的质量进行监测的步骤,包括:根据发现记录,计算当前版本软件在指定时间内被发现的缺陷数量,根据被发现的缺陷数量对测试人员标识对应的工作量进行监测;根据修复记录,计算当前版本软件中相同缺陷的修复次数,以及相同缺陷对应缺陷发现时间和缺陷修复时间的第一时间差,根据第一时间差和修复次数对开发人员标识对应的工作实效进行监测;根据验证记录,计算相同缺陷对应缺陷修复时间和修复验证时间的第二时间差,根据第二时间差对测试人员标识对应的工作实效进行监测。
在整个软件生命周期,一个缺陷需要经过至少一次缺陷发现、缺陷修复、缺陷验证的循环。当测试人员发现当前版本软件的缺陷后,将该缺陷返回至对应的开发人员,由开发人员对该缺陷进行修复,待开发人员完成修复,测试人员再次对该缺陷进行测试,即验证,若验证失败,则重复上述步骤。服务器对每个缺陷的缺陷发现、缺陷修复和缺陷验证的过程进行记录,即生成发现记录、修复记录和验证记录。发现记录包括测试人员标识和缺陷发现时间;修复记录包括开发人员标识和缺陷修复时间;验证记录包括测试人员标识和修复验证时间。
服务器根据发现记录,计算当前版本软件在指定时间内被发现的缺陷数量,根据被发现的缺陷数量对测试人员标识对应的工作量进行监测。服务器根据修复记录,计算当前版本软件中相同缺陷的修复次数,根据相同缺陷的修复次数对开发人员标识对应的工作质量进行监测。服务器计算相同缺陷对应缺陷发现时间和缺陷修复时间的第一时间差,根据第一时间差和修复次数对开发人员标识对应的工作实效进行监测。服务器根据验证记录,计算相同缺陷对应缺陷修复时间和修复验证时间的第二时间差,根据第二时间差对测试人员标识对应的工作实效进行监测。
本实施例中,根据当前版本软件多个缺陷的发现记录、修复记录和验证记录,对开发人员和测试人员的工作量、工作质量和工作实效进行监测,方便相关人员更加全面及时的了解软件质量。
在一个实施例中,该方法还包括:获取当前版本软件的多个功能模块,统计多个功能模块对应的缺陷比例;当功能模块的缺陷比例超过第一阈值时,生成对应功能模块的重构建议,将重构建议发送至开发终端;或当一个时间节点对应的偏差值小于第二阈值时,生成漏测提示,将漏测提示发送至测试终端。
根据应用场景不同,当前版本软件可以包括多个功能模块。例如,年金支付软件的功能模块可以包括:员工新增、年金缴费、年金领取、年金转保留、计划外转移和员工信息变更等。服务器获取新版本软件多个功能模块对应的缺陷比例,筛选缺陷比例超过第一阈值的功能模块,生成筛选出的功能模块的重构建议,将重构建议发送至该业务模块开发人员对应的终端。重构建议包括缺陷比例超过第一阈值的问题描述,以使开发人员根据重构建议有针对性对当前版本软件相应功能模块去除缺陷。
当当前版本软件在一个时间节点对应的实际缺陷数量与预测缺陷数量的偏差值大于第二阈值时,表示当前版本软件实际存在的缺陷数量超过预测的缺陷数量,即开发质量较差,则服务器生成预警,将预警发送至相应开发人员对应的终端。服务器还生成重点测试提示,发送至该时间节点相应测试人员对应的终端。当当前版本软件在一个时间节点对应的实际缺陷数量与数预缺陷测量的偏差值小于第二阈值,表示存在漏测的可能,服务器生成漏测提示,将漏测提示发送至该时间节点相应测试人员对应的终端。例如,预测缺陷A的数量为3,如果实际测试时发现的缺陷A的数量为2,表示仍有一个缺陷可能尚未被发现。
本实施例中,统计当前版本软件的多个功能模块对应的缺陷比例,根据缺陷比例和多个时间节点对应的偏差值,对软件的开发过程和测试过程进行及时管控,从而利于提高软件开发质量和测试质量。
在一个实施例中,如图3所示,提供了一种软件质量监测装置,包括:实际缺陷统计模块302,预测缺陷统计模块304和软件质量监测模块306,其中:
实际缺陷统计模块302,用于获取当前版本软件的缺陷数据;当前版本软件对应的软件生命周期包括多个时间节点,缺陷数据包括多个时间节点对应的实际缺陷数量;根据当前版本软件的缺陷数据生成当前版本软件对应的缺陷累积实际趋势图。
预测缺陷统计模块304,用于获取历史版本软件的缺陷数据,根据历史版本软件的缺陷数据生成当前版本软件对应的缺陷累积预测趋势图。
软件质量监测模块306,用于计算缺陷累积实际趋势图与缺陷累积预测趋势图的偏差度;按照预设规则对当前版本软件在多个时间节点对应的实际缺陷数量进行统计分析,根据分析结果和偏差度生成当前版本软件的质量监测结果。
在一个实施例中,预测缺陷统计模块304,还用于利用预设模型生成当前版本软件对应的缺陷累积理想趋势图;理想趋势图包括多个时间节点对应的理想缺陷数量;计算多个历史版本软件在每个时间节点对应的实际缺陷平均数量;获取预设的每个时间节点对应的调整因子;根据调整因子,利用实际缺陷平均数量以及理想缺陷数量计算每个时间节点对应的预测缺陷数量;根据每个时间节点对应的预测缺陷数量,生成当前版本软件对应的缺陷累积预测趋势图。
在一个实施例中,偏差度包括多个时间节点对应的偏差值;软件质量监测模块306,还用于获取缺陷密度计算模型,将当前版本软件在多个时间节点对应的实际缺陷数量输入缺陷密度计算模型,计算得到当前版本软件的缺陷密度;缺陷密度包括当前版本软件在预设时间内被注入的缺陷数量与开发人员数量的比值;根据缺陷密度生成当前版本软件的开发质量监测结果;根据多个时间节点对应的偏差值,获取当前版本软件在预设时间内被发现的缺陷数量,根据被发现的缺陷数量和被注入的缺陷数量计算缺陷移除率;根据缺陷移除率生成当前版本软件的测试质量监测结果。
上述的软件质量监测装置可以实现为一种计算机程序的形式,计算机程序可在如图4所示的计算机设备上运行。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,也可以是移动终端。当该计算机设备为服务器时,其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、非易失性存储介质、内存储器、网络接口、显示屏和输入装置。其中,计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统和计算机程序,该计算机设备的内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机程序被处理器执行时以实现一种软件质量监测方法。该计算机设备的网络接口用于与外部的网络接口进行通信。计算机设备的显示屏可以是触摸屏等,输入装置可以是显示屏上覆盖的触摸层,还可以是外壳上设置的按键、轨迹球,触控板,外接的键盘、触控板或鼠标等。该计算机设备可以是电脑、手机、平板电脑等。处理器执行计算机程序时可以执行以下步骤:获取当前版本软件的缺陷数据;当前版本软件对应的软件生命周期包括多个时间节点,缺陷数据包括多个时间节点对应的实际缺陷数量;根据当前版本软件的缺陷数据生成当前版本软件对应的缺陷累积实际趋势图;获取历史版本软件的缺陷数据,根据历史版本软件的缺陷数据生成当前版本软件对应的缺陷累积预测趋势图;计算缺陷累积实际趋势图与缺陷累积预测趋势图的偏差度;按照预设规则对当前版本软件在多个时间节点对应的实际缺陷数量进行统计分析,根据分析结果和偏差度生成当前版本软件的质量监测结果。
本领域技术人员可以理解,图4中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,处理器执行计算机程序时还执行以下步骤:利用预设模型生成当前版本软件对应的缺陷累积理想趋势图;理想趋势图包括多个时间节点对应的理想缺陷数量;计算多个历史版本软件在每个时间节点对应的实际缺陷平均数量;获取预设的每个时间节点对应的调整因子;根据调整因子,利用实际缺陷平均数量以及理想缺陷数量计算每个时间节点对应的预测缺陷数量;根据每个时间节点对应的预测缺陷数量,生成当前版本软件对应的缺陷累积预测趋势图。
在一个实施例中,偏差度包括多个时间节点对应的偏差值;处理器执行计算机程序时还执行以下步骤:获取缺陷密度计算模型,将当前版本软件在多个时间节点对应的实际缺陷数量输入缺陷密度计算模型,计算得到当前版本软件的缺陷密度;缺陷密度包括当前版本软件在预设时间内被注入的缺陷数量与开发人员数量的比值;根据缺陷密度生成当前版本软件的开发质量监测结果;根据多个时间节点对应的偏差值,获取当前版本软件在预设时间内被发现的缺陷数量,根据被发现的缺陷数量和被注入的缺陷数量计算缺陷移除率;根据缺陷移除率生成当前版本软件的测试质量监测结果。
在一个实施例中,缺陷数据还包括多个缺陷对应的发现记录,修复记录或验证记录;发现记录包括测试人员标识和缺陷发现时间;修复记录包括开发人员标识和缺陷修复时间,验证记录包括测试人员标识和修复验证时间;处理器执行计算机程序时还执行以下步骤:根据发现记录,计算当前版本软件在指定时间内被发现的缺陷数量,根据被发现的缺陷数量对测试人员标识对应的工作量进行监测;根据修复记录,计算当前版本软件中相同缺陷的修复次数,以及相同缺陷对应缺陷发现时间和缺陷修复时间的第一时间差,根据第一时间差和修复次数对开发人员标识对应的工作实效进行监测;根据验证记录,计算相同缺陷对应缺陷修复时间和修复验证时间的第二时间差,根据第二时间差对测试人员标识对应的工作实效进行监测。
在一个实施例中,偏差度包括多个时间节点对应的偏差值;处理器执行计算机程序时还执行以下步骤:获取当前版本软件的多个功能模块,统计多个功能模块对应的缺陷比例;当功能模块的缺陷比例超过第一阈值时,生成对应功能模块的重构建议,将重构建议发送至开发终端;或当一个时间节点对应的偏差值小于第二阈值时,生成漏测提示,将漏测提示发送至测试终端。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现计算机程序以下步骤:获取当前版本软件的缺陷数据;当前版本软件对应的软件生命周期包括多个时间节点,缺陷数据包括多个时间节点对应的实际缺陷数量;根据当前版本软件的缺陷数据生成当前版本软件对应的缺陷累积实际趋势图;获取历史版本软件的缺陷数据,根据历史版本软件的缺陷数据生成当前版本软件对应的缺陷累积预测趋势图;计算缺陷累积实际趋势图与缺陷累积预测趋势图的偏差度;按照预设规则对当前版本软件在多个时间节点对应的实际缺陷数量进行统计分析,根据分析结果和偏差度生成当前版本软件的质量监测结果。
在一个实施例中,计算机程序被处理器执行时还执行以下步骤:利用预设模型生成当前版本软件对应的缺陷累积理想趋势图;理想趋势图包括多个时间节点对应的理想缺陷数量;计算多个历史版本软件在每个时间节点对应的实际缺陷平均数量;获取预设的每个时间节点对应的调整因子;根据调整因子,利用实际缺陷平均数量以及理想缺陷数量计算每个时间节点对应的预测缺陷数量;根据每个时间节点对应的预测缺陷数量,生成当前版本软件对应的缺陷累积预测趋势图。
在一个实施例中,偏差度包括多个时间节点对应的偏差值;计算机程序被处理器执行时还执行以下步骤:获取缺陷密度计算模型,将当前版本软件在多个时间节点对应的实际缺陷数量输入缺陷密度计算模型,计算得到当前版本软件的缺陷密度;缺陷密度包括当前版本软件在预设时间内被注入的缺陷数量与开发人员数量的比值;根据缺陷密度生成当前版本软件的开发质量监测结果;根据多个时间节点对应的偏差值,获取当前版本软件在预设时间内被发现的缺陷数量,根据被发现的缺陷数量和被注入的缺陷数量计算缺陷移除率;根据缺陷移除率生成当前版本软件的测试质量监测结果。
在一个实施例中,缺陷数据还包括多个缺陷对应的发现记录,修复记录或验证记录;发现记录包括测试人员标识和缺陷发现时间;修复记录包括开发人员标识和缺陷修复时间,验证记录包括测试人员标识和修复验证时间;计算机程序被处理器执行时还执行以下步骤:根据发现记录,计算当前版本软件在指定时间内被发现的缺陷数量,根据被发现的缺陷数量对测试人员标识对应的工作量进行监测;根据修复记录,计算当前版本软件中相同缺陷的修复次数,以及相同缺陷对应缺陷发现时间和缺陷修复时间的第一时间差,根据第一时间差和修复次数对开发人员标识对应的工作实效进行监测;根据验证记录,计算相同缺陷对应缺陷修复时间和修复验证时间的第二时间差,根据第二时间差对测试人员标识对应的工作实效进行监测。
在一个实施例中,偏差度包括多个时间节点对应的偏差值;计算机程序被处理器执行时还执行以下步骤:获取当前版本软件的多个功能模块,统计多个功能模块对应的缺陷比例;当功能模块的缺陷比例超过第一阈值时,生成对应功能模块的重构建议,将重构建议发送至开发终端;或当一个时间节点对应的偏差值小于第二阈值时,生成漏测提示,将漏测提示发送至测试终端。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,前述计算机程序可存储于一非易失性存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,前述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种软件质量监测方法,包括:
获取当前版本软件的缺陷数据;所述当前版本软件对应的软件生命周期包括多个时间节点,所述缺陷数据包括多个时间节点对应的实际缺陷数量;
根据当前版本软件的缺陷数据生成当前版本软件对应的缺陷累积实际趋势图;
获取历史版本软件的缺陷数据,根据历史版本软件的缺陷数据生成当前版本软件对应的缺陷累积预测趋势图;
计算缺陷累积实际趋势图与缺陷累积预测趋势图的偏差度;
按照预设规则对当前版本软件在多个时间节点对应的实际缺陷数量进行统计分析,根据分析结果和所述偏差度生成当前版本软件的质量监测结果。
2.根据权利要求1所述的方法,其特征在于,根据历史版本软件的缺陷数据生成当前版本软件对应的缺陷累积预测趋势图的步骤,包括:
利用预设模型生成当前版本软件对应的缺陷累积理想趋势图;所述理想趋势图包括多个时间节点对应的理想缺陷数量;
计算多个历史版本软件在每个时间节点对应的实际缺陷平均数量;
获取预设的每个时间节点对应的调整因子;
根据调整因子,利用所述实际缺陷平均数量以及所述理想缺陷数量计算每个时间节点对应的预测缺陷数量;
根据每个时间节点对应的预测缺陷数量,生成当前版本软件对应的缺陷累积预测趋势图。
3.根据权利要求1所述的方法,其特征在于,所述偏差度包括多个时间节点对应的偏差值;所述按照预设规则对当前版本软件在多个时间节点对应的实际缺陷数量进行统计分析,根据分析结果和所述偏差度生成当前版本软件的质量监测结果的步骤,包括:
获取缺陷密度计算模型,将当前版本软件在多个时间节点对应的实际缺陷数量输入所述缺陷密度计算模型,计算得到当前版本软件的缺陷密度;所述缺陷密度包括当前版本软件在预设时间内被注入的缺陷数量与开发人员数量的比值;
根据所述缺陷密度生成当前版本软件的开发质量监测结果;
根据多个时间节点对应的偏差值,获取当前版本软件在预设时间内被发现的缺陷数量,根据被发现的缺陷数量和被注入的缺陷数量计算缺陷移除率;
根据所述缺陷移除率生成当前版本软件的测试质量监测结果。
4.根据权利要求1所述的方法,其特征在于,所述缺陷数据还包括多个缺陷对应的发现记录,修复记录或验证记录;所述发现记录包括测试人员标识和缺陷发现时间;所述修复记录包括开发人员标识和缺陷修复时间,所述验证记录包括测试人员标识和修复验证时间;所述按照预设规则对当前版本软件在多个时间节点对应的实际缺陷数量进行统计分析,根据分析结果和所述偏差度对当前版本软件的质量进行监测的步骤,包括:
根据所述发现记录,计算当前版本软件在指定时间内被发现的缺陷数量,根据被发现的缺陷数量对所述测试人员标识对应的工作量进行监测;
根据所述修复记录,计算当前版本软件中相同缺陷的修复次数,以及相同缺陷对应缺陷发现时间和缺陷修复时间的第一时间差,根据所述第一时间差和所述修复次数对所述开发人员标识对应的工作实效进行监测;
根据所述验证记录,计算相同缺陷对应缺陷修复时间和修复验证时间的第二时间差,根据所述第二时间差对所述测试人员标识对应的工作实效进行监测。
5.根据权利要求4所述的方法,其特征在于,所述偏差度包括多个时间节点对应的偏差值;所述方法还包括:
获取当前版本软件的多个功能模块,统计多个功能模块对应的缺陷比例;当功能模块的缺陷比例超过第一阈值时,生成对应功能模块的重构建议,将所述重构建议发送至开发终端;或
当一个时间节点对应的偏差值小于第二阈值时,生成漏测提示,将所述漏测提示发送至测试终端。
6.一种软件质量监测装置,包括:
实际缺陷统计模块,用于获取当前版本软件的缺陷数据;所述当前版本软件对应的软件生命周期包括多个时间节点,所述缺陷数据包括多个时间节点对应的实际缺陷数量;根据当前版本软件的缺陷数据生成当前版本软件对应的缺陷累积实际趋势图;
预测缺陷统计模块,用于获取历史版本软件的缺陷数据,根据历史版本软件的缺陷数据生成当前版本软件对应的缺陷累积预测趋势图;
软件质量监测模块,用于计算缺陷累积实际趋势图与缺陷累积预测趋势图的偏差度;按照预设规则对当前版本软件在多个时间节点对应的实际缺陷数量进行统计分析,根据分析结果和所述偏差度生成当前版本软件的质量监测结果。
7.根据权利要求6所述的装置,其特征在于,所述预测缺陷统计模块,还用于利用预设模型生成当前版本软件对应的缺陷累积理想趋势图;所述理想趋势图包括多个时间节点对应的理想缺陷数量;计算多个历史版本软件在每个时间节点对应的实际缺陷平均数量;获取预设的每个时间节点对应的调整因子;根据调整因子,利用所述实际缺陷平均数量以及所述理想缺陷数量计算每个时间节点对应的预测缺陷数量;根据每个时间节点对应的预测缺陷数量,生成当前版本软件对应的缺陷累积预测趋势图。
8.根据权利要求6所述的装置,其特征在于,所述偏差度包括多个时间节点对应的偏差值;所述软件质量监测模块,还用于获取缺陷密度计算模型,将当前版本软件在多个时间节点对应的实际缺陷数量输入所述缺陷密度计算模型,计算得到当前版本软件的缺陷密度;所述缺陷密度包括当前版本软件在预设时间内被注入的缺陷数量与开发人员数量的比值;根据所述缺陷密度生成当前版本软件的开发质量监测结果;根据多个时间节点对应的偏差值,获取当前版本软件在预设时间内被发现的缺陷数量,根据被发现的缺陷数量和被注入的缺陷数量计算缺陷移除率;根据所述缺陷移除率生成当前版本软件的测试质量监测结果。
9.一种计算机设备,包括存储器及处理器,所述存储器中储存有计算机程序,所述指令被所述处理器执行时,使得所述处理器执行权利要求1-5中任意一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现权利要求1-5中任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711167772.4A CN107992410B (zh) | 2017-11-21 | 2017-11-21 | 软件质量监测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711167772.4A CN107992410B (zh) | 2017-11-21 | 2017-11-21 | 软件质量监测方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107992410A true CN107992410A (zh) | 2018-05-04 |
CN107992410B CN107992410B (zh) | 2020-07-28 |
Family
ID=62032428
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711167772.4A Active CN107992410B (zh) | 2017-11-21 | 2017-11-21 | 软件质量监测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107992410B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110955591A (zh) * | 2019-10-18 | 2020-04-03 | 文思海辉智科科技有限公司 | 系统性能评估方法、装置、计算机设备和存储介质 |
CN111258894A (zh) * | 2020-01-13 | 2020-06-09 | 中信银行股份有限公司 | 软件风险的评价方法、装置、存储介质及电子设备 |
CN111258626A (zh) * | 2020-03-25 | 2020-06-09 | 平安养老保险股份有限公司 | 软件版本的质量控制方法、装置、计算机设备及存储介质 |
CN112882934A (zh) * | 2021-02-24 | 2021-06-01 | 中国工商银行股份有限公司 | 基于缺陷增长的测试分析方法及系统 |
CN113656325A (zh) * | 2021-08-31 | 2021-11-16 | 中国农业银行股份有限公司 | 软件缺陷预测的方法、装置、电子设备和计算机存储介质 |
WO2022134348A1 (zh) * | 2020-12-25 | 2022-06-30 | 平安科技(深圳)有限公司 | 一种监控软件开发过程的方法、装置、终端及存储介质 |
CN114968761A (zh) * | 2022-04-11 | 2022-08-30 | 杭州德适生物科技有限公司 | 一种基于互联网的软件运行环境安全监管系统 |
WO2024025647A1 (en) * | 2022-07-29 | 2024-02-01 | Argo AI, LLC | Systems and methods for monitoring progression of software versions and detection of anomalies |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120246622A1 (en) * | 2011-03-23 | 2012-09-27 | Neil Puthuff | Storage of software execution data by behavioral identification |
CN105205002A (zh) * | 2015-10-28 | 2015-12-30 | 北京理工大学 | 一种基于测试工作量的软件安全缺陷发现模型的建模方法 |
-
2017
- 2017-11-21 CN CN201711167772.4A patent/CN107992410B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120246622A1 (en) * | 2011-03-23 | 2012-09-27 | Neil Puthuff | Storage of software execution data by behavioral identification |
CN105205002A (zh) * | 2015-10-28 | 2015-12-30 | 北京理工大学 | 一种基于测试工作量的软件安全缺陷发现模型的建模方法 |
Non-Patent Citations (2)
Title |
---|
XIAOMI9024: "软件缺陷度量", 《CSDN博客 HTTPS://BLOG.CSDN.NET/XIAOMI9024/ARTICLE/DETAILS/75073086》 * |
陈敏华 等: "基于Gompertz模型与回归分析模型控制测试质量的工程化方法", 《工业控制计算机》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110955591B (zh) * | 2019-10-18 | 2022-01-14 | 文思海辉智科科技有限公司 | 系统性能评估方法、装置、计算机设备和存储介质 |
CN110955591A (zh) * | 2019-10-18 | 2020-04-03 | 文思海辉智科科技有限公司 | 系统性能评估方法、装置、计算机设备和存储介质 |
CN111258894A (zh) * | 2020-01-13 | 2020-06-09 | 中信银行股份有限公司 | 软件风险的评价方法、装置、存储介质及电子设备 |
CN111258894B (zh) * | 2020-01-13 | 2023-08-08 | 中信银行股份有限公司 | 软件风险的评价方法、装置、存储介质及电子设备 |
CN111258626A (zh) * | 2020-03-25 | 2020-06-09 | 平安养老保险股份有限公司 | 软件版本的质量控制方法、装置、计算机设备及存储介质 |
WO2022134348A1 (zh) * | 2020-12-25 | 2022-06-30 | 平安科技(深圳)有限公司 | 一种监控软件开发过程的方法、装置、终端及存储介质 |
CN112882934A (zh) * | 2021-02-24 | 2021-06-01 | 中国工商银行股份有限公司 | 基于缺陷增长的测试分析方法及系统 |
CN112882934B (zh) * | 2021-02-24 | 2024-02-13 | 中国工商银行股份有限公司 | 基于缺陷增长的测试分析方法及系统 |
CN113656325A (zh) * | 2021-08-31 | 2021-11-16 | 中国农业银行股份有限公司 | 软件缺陷预测的方法、装置、电子设备和计算机存储介质 |
CN113656325B (zh) * | 2021-08-31 | 2023-12-08 | 中国农业银行股份有限公司 | 软件缺陷预测的方法、装置、电子设备和计算机存储介质 |
CN114968761A (zh) * | 2022-04-11 | 2022-08-30 | 杭州德适生物科技有限公司 | 一种基于互联网的软件运行环境安全监管系统 |
CN114968761B (zh) * | 2022-04-11 | 2023-07-21 | 杭州德适生物科技有限公司 | 一种基于互联网的软件运行环境安全监管系统 |
WO2024025647A1 (en) * | 2022-07-29 | 2024-02-01 | Argo AI, LLC | Systems and methods for monitoring progression of software versions and detection of anomalies |
Also Published As
Publication number | Publication date |
---|---|
CN107992410B (zh) | 2020-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107992410A (zh) | 软件质量监测方法、装置、计算机设备和存储介质 | |
US10628292B2 (en) | Methods and systems for predicting estimation of project factors in software development | |
US5500941A (en) | Optimum functional test method to determine the quality of a software system embedded in a large electronic system | |
Meneely et al. | Predicting failures with developer networks and social network analysis | |
US9558464B2 (en) | System and method to determine defect risks in software solutions | |
US8887008B2 (en) | Maintenance planning and failure prediction from data observed within a time window | |
US20120174057A1 (en) | Intelligent timesheet assistance | |
JP4282717B2 (ja) | 定期点検データ分析装置およびその方法 | |
KR20060061759A (ko) | 트랜잭션 기반 성능 모델을 자동 검증 및 캘리브레이션하기위한 컴퓨터 구현 방법 | |
JP2002149868A (ja) | 製品の将来のサービス事象の時期を予測する方法 | |
Grunske | Early quality prediction of component-based systems–a generic framework | |
JPWO2011155308A1 (ja) | 契約違反予測システム、契約違反予測方法および契約違反予測プログラム | |
Lin | Analyzing the effect of imperfect debugging on software fault detection and correction processes via a simulation framework | |
Xu et al. | Software reliability growth model with partial differential equation for various debugging processes | |
Pradhan et al. | Testing-Effort based NHPP Software Reliability Growth Model with Change-point Approach. | |
Galinac Grbac et al. | A quality cost reduction model for large-scale software development | |
CN111901156B (zh) | 一种监控故障的方法及装置 | |
Wu et al. | Analysis of data for the carbon dioxide capture domain | |
Asraful Haque | Software reliability models: A brief review and some concerns | |
Kirschenmann et al. | Decision dependent stochastic processes | |
Ku et al. | Estimating software maintenance effort from use cases: an industrial case study | |
Aysolmaz et al. | An effort prediction model based on BPM measures for process automation | |
Murad et al. | Software Cost Estimation for Mobile Application Development-A Comparative Study of COCOMO Models | |
JP2005063208A (ja) | ソフトウェア信頼度成長モデル選択方法、ソフトウェア信頼度成長モデル選択装置、ソフトウェア信頼度成長モデル選択プログラム、およびプログラム記録媒体 | |
CN103455858B (zh) | 面向服务的系统中的质量动态预警方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |