CN109542510B - 一种基于贝叶斯理论的软件v＆v有效性度量方法 - Google Patents

一种基于贝叶斯理论的软件v＆v有效性度量方法 Download PDF

Info

Publication number
CN109542510B
CN109542510B CN201811369114.8A CN201811369114A CN109542510B CN 109542510 B CN109542510 B CN 109542510B CN 201811369114 A CN201811369114 A CN 201811369114A CN 109542510 B CN109542510 B CN 109542510B
Authority
CN
China
Prior art keywords
probability
defects
effectiveness
software
activity
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.)
Active
Application number
CN201811369114.8A
Other languages
English (en)
Other versions
CN109542510A (zh
Inventor
史茹梅
张亚栋
杜乔瑞
徐先柱
王晓燕
周小波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China General Nuclear Power Corp
China Techenergy Co Ltd
Original Assignee
China General Nuclear Power Corp
China Techenergy Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China General Nuclear Power Corp, China Techenergy Co Ltd filed Critical China General Nuclear Power Corp
Priority to CN201811369114.8A priority Critical patent/CN109542510B/zh
Publication of CN109542510A publication Critical patent/CN109542510A/zh
Application granted granted Critical
Publication of CN109542510B publication Critical patent/CN109542510B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/70—Software maintenance or management
    • G06F8/77—Software metrics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本发明涉及一种基于贝叶斯理论的软件V&V有效性度量方法，属于软件V&V技术领域，解决了现有软件V&V有效性度量方法不可靠且效果度量值不准确的问题。该方法包括如下步骤：获得历史V&V活动中每一预设分析复杂度下V&V对象存在缺陷全部被V&V活动发现的概率；建立V&V有效性预测模型，根据上述概率分析获得V&V有效性预测模型参数中的V&V能力因素；根据V&V有效性预测模型获得当前V&V对象存在缺陷全部被V&V活动发现的概率，判断软件V&V有效性；建立V&V有效性度量模型，计算在满足需求的上述分析复杂度下V&V对象存在缺陷全部被V&V活动发现的概率。该方法结合经验数据和实际测试数据，基于贝叶斯理论进行数据融合，综合地给出V&V活动有效性指标，使度量结果更加准确。

Description

一种基于贝叶斯理论的软件V＆V有效性度量方法
技术领域
本发明涉及软件V&V技术领域，尤其涉及一种基于贝叶斯理论的软件V&V有效性度量方法。
背景技术
软件V&V是现阶段该领域专家比较认可的一种保证软件质量的有效方法。
现阶段，针对软件V&V有效性度量方法的研究较少，一般依据IEEE1012标准附录部分给出的V&V有效性度量方法。该V&V有效性度量方法是通过实际V&V工作(活动)中发现的异常数与所有来源中已发现的异常数的比值来度量V&V工作的有效性。较低的V&V效果度量值表明软件开发工作有效，或V&V工作需要改进，或两者皆有；较高的V&V效果度量值，表明程序开发过程需要改进，或V&V过程有效，或V&V过程仅需要进行递增变更。
现有技术中，软件的V&V活动受众多不确定性因素的影响，导致上述V&V效果度量值并不准确。现有技术没有对历史经验数据及当前V&V过程评估数据加以使用，使得度量的预测能力差。并且，只有当所有质量活动结束后才能给出度量数据，对当前V&V活动的执行缺少直接指导，当其他质量活动有效性不足时，可能使V&V度量数据出现巨大偏差。
截止至目前，软件V&V活动的有效性度量一直是软件V&V领域内的一个技术难点。
发明内容
鉴于上述的分析，本发明实施例旨在提供一种基于贝叶斯理论的软件V&V有效性度量方法，用以解决现有软件V&V有效性度量方法不可靠且效果度量值不准确的问题。
一方面，本发明实施例提供了一种基于贝叶斯理论的软件V&V有效性度量方法，包括如下步骤：
根据软件的历史V&V活动数据，获得每一预设分析复杂度下，V&V对象存在缺陷全部被V&V活动发现的概率；
建立V&V有效性预测模型，根据上述概率，分析获得V&V能力因素；
预设分析复杂度下，根据上述V&V能力因素获得预测的软件当前V&V对象存在缺陷全部被V&V活动发现的概率，判断软件V&V有效性；如果有效性较差，降低分析复杂度，重复判断，直到有效性满足需求为止；
建立V&V有效性度量模型，计算在满足需求的上述分析复杂度下V&V对象存在缺陷全部被V&V活动发现的概率，作为软件当前V&V有效性度量值。
上述技术方案的有益效果如下：上述方法通过对V&V历史经验数据(每个分析复杂度下，V&V对象存在缺陷全部被V&V活动发现的概率)进行分析，估计V&V有效性先验概率(预测的软件当前V&V对象存在缺陷全部被V&V活动发现的概率)，通过后续测试结果给出后验概率，基于贝叶斯理论进行两种概率的融合，综合地给出V&V活动有效性指标(V&V对象存在缺陷全部被V&V活动发现的概率)，可以达到V&V有效性准确预测。并且，由于利用V&V历史经验数据进行统计分析，使得科研人员在执行V&V活动前能够获得预测V&V有效性度量指标(对应上面预测的软件当前V&V对象存在缺陷全部被V&V活动发现的概率)。用贝叶斯理论进行数据融合，使V&V有效性度量数据在历史经验数据的基础上综合当前V&V活动的特殊性给出有效性度量值，使度量结果更加准确。
基于上述方法的另一个实施例中，所述根据软件的历史V&V活动数据、获得每一预设分析复杂度下V&V对象存在缺陷全部被V&V活动发现的概率，包括如下步骤：
搜集各个分析复杂度下，软件的历史V&V活动数据；
对软件的历史V&V活动数据进行分析，建立V&V活动数据库，所述数据库包含分析复杂度，以及各个分析复杂度下对应的存在的缺陷全部被V&V活动发现的V&V对象数量，存在的缺陷未全部被V&V活动发现的V&V对象数量；
计算在各个分析复杂度下，V&V对象存在缺陷全部被V&V活动发现的概率。
上述技术方案的有益效果是：通过大量的历史经验数据(即软件的历史V&V活动数据)，可从统计学角度在一定程度上评估V&V活动在预设的分析复杂度区间内针对每一预设分析复杂度下的有效性。
进一步，任一分析复杂度下，所述V&V对象存在缺陷全部被V&V活动发现的概率P1为
Figure BDA0001869358180000031
式中，N1表示存在的缺陷全部被V&V活动发现的V&V对象数量，N2表示存在的缺陷未全部被V&V活动发现的V&V对象数量。
上述进一步方案的有益效果是：限定了计算V&V对象存在缺陷全部被V&V活动发现的概率的方法，方法简单，实用性强。
进一步，所述V&V有效性预测模型为
Figure BDA0001869358180000041
式中，P表示预测的软件当前V&V对象存在缺陷全部被V&V活动发现的概率，C表示模型系数，x表示分析复杂度，r表示V&V能力因素。
上述进一步方案的有益效果是：限定了V&V对象存在缺陷全部被V&V活动发现的概率与分析复杂度、V&V能力因素之间的数学关系，用于预测对V&V对象存在缺陷全部被V&V活动发现的概率，方法简单，实用性强。
进一步，所述根据上述概率分析获得V&V能力因素，包括如下步骤：
根据分析复杂度x为零时P＝99％，带入所述V&V有效性预测模型，获得模型系数C；
针对每一预设分析复杂度，令P1＝P，将上述模型系数C带入所述V&V有效性预测模型，获得每一预设分析复杂度下的V&V能力因素；
对上述每一预设分析复杂度下的V&V能力因素进行数值分析，获得表征V&V综合能力的V&V能力因素。
上述进一步方案的有益效果是：限定了计算V&V能力因素的方法，方法简单，实用性强。
进一步，所述数值分析采用平均值数值分析方法，所述表征V&V综合能力的V&V能力因素表示为
Figure BDA0001869358180000042
式中，rx表示分析复杂度为x时的V&V能力因素，x表示分析复杂度，n表示分析复杂度区间上限。
上述进一步方案的有益效果是：限定V&V能力因素的方法，具体地，采用求平均的方式给出V&V能力因素的期望值。
进一步，所述预设分析复杂度下、根据上述V&V能力因素获得预测的软件当前V&V对象存在缺陷全部被V&V活动发现的概率、判断软件V&V有效性，包括如下步骤：
预设分析复杂度，将所述分析复杂度、表征V&V综合能力的V&V能力因素的数值带入所述V&V有效性预测模型，获得预测的软件当前V&V对象存在缺陷全部被V&V活动发现的概率；
将上述预测的软件当前V&V对象存在缺陷全部被V&V活动发现的概率与预设阈值进行比较，如果其大于等于预设阈值，判定所述分析复杂度选取合适，继续执行后续步骤；如果其小于预设阈值，按预设规则减小所述分析复杂度的数值，重复上述步骤，直到其大于等于预设阈值为止。
上述进一步方案的有益效果是：限定了判断软件V&V有效性选取合适的分析复杂度的方法。在执行V&V活动前，为V&V分析对象颗粒度(即分析复杂度)的划分提供依据。
进一步，所述建立V&V有效性度量模型、计算在满足需求的上述分析复杂度下V&V对象存在缺陷全部被V&V活动发现的概率、作为软件当前V&V有效性度量值，包括如下步骤：
根据贝叶斯理论，建立预测的软件当前V&V对象存在缺陷全部被V&V活动发现的概率与V&V对象存在缺陷且全部被V&V活动发现的概率的关系式，作为V&V有效性度量模型；
所述软件执行V&V活动,获得执行V&V活动后V&V对象缺陷被发现概率，以及执行V&V活动后V&V对象缺陷被遗漏概率；
根据上述执行V&V活动后V&V对象缺陷被发现概率，以及执行V&V活动后V&V对象缺陷被遗漏概率，将二者带入上述V&V有效性度量模型，获得V&V对象存在缺陷且全部被V&V活动发现的概率，将其作为最终V&V有效性度量值。
上述进一步方案的有益效果是：限定了融合V&V有效性预测数据(预测的软件当前V&V对象存在缺陷全部被V&V活动发现的概率)与测量数据(执行V&V活动后V&V对象缺陷被发现概率，以及执行V&V活动后V&V对象缺陷被遗漏概率)以获得准确评估的方法，方法科学合理，实用性强。
进一步，所述V&V有效性度量模型为
Figure BDA0001869358180000061
式中，P(B1)表示预测的软件当前V&V对象存在缺陷全部被V&V活动发现的概率，k表示执行V&V活动后V&V对象缺陷被发现概率，m表示执行V&V活动后V&V对象缺陷被遗漏概率。
上述进一步方案的有益效果是：对V&V有效性度量模型进行限定，给出了一种计算V&V有效性的公式，这一计算公式融合了V&V有效性预测数据与测量数据，度量准确性更高。
进一步，所述k和m通过当前软件执行V&V活动获得
Figure BDA0001869358180000062
m＝1-k
式中，N3表示存在的缺陷全部被V&V活动发现的V&V对象数量，N4表示存在的缺陷未全部被V&V活动发现的V&V对象数量。
上述进一步方案的有益效果是：对k和m的计算公式进行了限定，用于为V&V活动执行后有效性度量提供相关数据，方法简单，实用性强。
本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书、权利要求书以及附图中所特别指出的内容中来实现和获得。
附图说明
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。
图1为本发明实施例1基于贝叶斯理论的软件V&V有效性度量方法的步骤示意图；
图2为本发明实施例2基于贝叶斯理论的软件V&V有效性度量方法的流程示意图；
图3为本发明实施例2获得每一预设分析复杂度下V&V对象存在缺陷全部被V&V活动发现的概率的步骤示意图；
图4为本发明实施例2获得V&V能力因素的步骤示意图；
图5为本发明实施例2获得预测的软件当前V&V对象存在缺陷全部被V&V活动发现的概率并判断软件V&V有效性的步骤示意图；
图6为本发明实施例2建立V&V有效性度量模型并进行软件当前V&V有效性度量的步骤示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
实施例1
本发明的一个具体实施例，公开了一种基于贝叶斯理论的软件V&V有效性度量方法，如图1所示，包括如下步骤：
S1.根据软件的历史V&V活动数据，获得每一预设分析复杂度下，V&V对象存在缺陷全部被V&V活动发现的概率。优选地，可以选取特定分析复杂度区间内某几个具有典型代表性的分析复杂度进行计算，例如1、10、20、30、40、50等，用于缩小数据处理工作量，但不会影响本实施例效果。
S2.建立V&V有效性预测模型(也称V&V有效性评估模型)，根据上述概率，分析获得V&V能力因素。
S3.预设分析复杂度下，根据上述V&V能力因素获得预测的软件当前V&V对象存在缺陷全部被V&V活动发现的概率，判断软件V&V有效性。如果有效性较差，降低分析复杂度，重复判断，直到有效性满足需求为止。通过该步骤，可以得到满足需要的分析复杂度(也称V&V分析对象颗粒度)。
S4.建立V&V有效性度量模型，计算在满足需求的上述分析复杂度下V&V对象存在缺陷全部被V&V活动发现的概率，作为软件当前V&V有效性度量值。
实施时，某一软件V&V对象进行V&V活动后是否还存在遗留缺陷，和执行V&V活动科研人员的能力水平(用V&V能力因素表针)以及设置的分析复杂度相关。在分析复杂度相同的情况下，V&V执行人员的能力水平越高，越能保证执行V&V活动后，软件V&V对象存在遗漏缺陷的可能性越小，即软件当前V&V对象存在缺陷全部被V&V活动发现的概率越高。
与现有技术相比，本实施例提供的方法通过对V&V历史经验数据(每个分析复杂度下，V&V对象存在缺陷全部被V&V活动发现的概率)进行分析，估计V&V有效性先验概率(预测的软件当前V&V对象存在缺陷全部被V&V活动发现的概率)，通过后续测试结果给出后验概率，基于贝叶斯理论进行两种概率的融合，综合地给出V&V活动有效性指标(V&V对象存在缺陷全部被V&V活动发现的概率)，可以达到V&V有效性准确预测。并且，由于利用V&V历史经验数据进行统计分析，使得科研人员在执行V&V活动前能够获得预测V&V有效性度量指标(对应上面预测的软件当前V&V对象存在缺陷全部被V&V活动发现的概率)。用贝叶斯理论进行数据融合，使V&V有效性度量数据在历史经验数据的基础上综合当前V&V活动的特殊性给出有效性度量值，使度量结果更加准确。
实施例2
在实施例1的基础上进行优化，如图2所示，上述步骤1可进一步细化为包括如下步骤：
S11.搜集各个分析复杂度下，软件的历史V&V活动数据。
S12.对软件的历史V&V活动数据进行分析，建立V&V活动数据库，所述数据库包含分析复杂度，以及各个分析复杂度下对应的存在的缺陷全部被V&V活动发现的V&V对象数量，存在的缺陷未全部被V&V活动发现的V&V对象数量。
S13.计算在各个分析复杂度下，V&V对象存在缺陷全部被V&V活动发现的概率。
V&V有效性度量方法的流程如图3所示。
优选地，任一分析复杂度下，所述V&V对象存在缺陷全部被V&V活动发现的概率P1为
Figure BDA0001869358180000091
式中，N1表示存在的缺陷全部被V&V活动发现的V&V对象数量，N2表示存在的缺陷未全部被V&V活动发现的V&V对象数量。
优选地，步骤S2中，所述V&V有效性预测模型为
Figure BDA0001869358180000101
式中，P表示预测的软件当前V&V对象存在缺陷全部被V&V活动发现的概率，C表示模型系数，x表示分析复杂度，r表示V&V能力因素。
优选地，步骤S2中，通过步骤S21建立V&V有效性预测模型后，所述根据上述概率分析获得V&V能力因素，如图4所示，具体包括如下步骤：
S22.根据分析复杂度x为零时P＝99％，带入所述V&V有效性预测模型，获得模型系数C，C≈5。
S23.针对每一预设分析复杂度，令P1＝P，将上述模型系数C带入所述V&V有效性预测模型，获得每一预设分析复杂度下的V&V能力因素。
S24.对上述每一预设分析复杂度下的V&V能力因素进行数值分析，获得表征V&V综合能力的V&V能力因素。
优选地，步骤S24中，所述数值分析采用平均值数值分析方法，所述表征V&V综合能力的V&V能力因素表示为
Figure BDA0001869358180000102
式中，rx表示分析复杂度为x时的V&V能力因素，x表示分析复杂度，n表示分析复杂度区间上限。
优选地，如图5所示，S3可进一步细化为如下步骤：
S31.预设分析复杂度，将所述分析复杂度、表征V&V综合能力的V&V能力因素的数值带入所述V&V有效性预测模型，获得预测的软件当前V&V对象存在缺陷全部被V&V活动发现的概率。
S32.将上述预测的软件当前V&V对象存在缺陷全部被V&V活动发现的概率与预设阈值进行比较，如果其大于等于预设阈值，判定所述分析复杂度选取合适，继续执行后续步骤；如果其小于预设阈值，按预设规则减小所述分析复杂度的数值，重复上述步骤，直到其大于等于预设阈值为止。
优选地，如图6所示，步骤S4可进一步细化为如下步骤：
S41.根据贝叶斯理论，建立预测的软件当前V&V对象存在缺陷全部被V&V活动发现的概率与V&V对象存在缺陷且全部被V&V活动发现的概率的关系式，作为V&V有效性度量模型。
S42.所述软件执行V&V活动,获得执行V&V活动后V&V对象缺陷被发现概率，以及执行V&V活动后V&V对象缺陷被遗漏概率。
S43.根据上述执行V&V活动后V&V对象缺陷被发现概率，以及执行V&V活动后V&V对象缺陷被遗漏概率，将二者带入上述V&V有效性度量模型，获得V&V对象存在缺陷且全部被V&V活动发现的概率，将其作为最终V&V有效性度量值。
优选地，步骤S41中，所述V&V有效性度量模型为
Figure BDA0001869358180000111
P(B1)＝P
式中，P(B1)表示预测的软件当前V&V对象存在缺陷全部被V&V活动发现的概率，k表示执行V&V活动后V&V对象缺陷被发现概率，m表示执行V&V活动后V&V对象缺陷被遗漏概率。
优选地，上述k和m通过当前软件执行V&V活动获得
Figure BDA0001869358180000112
m＝1-k (5)
式中，N3表示(V&V对象)存在的缺陷全部被V&V活动发现的V&V对象数量，N4表示(V&V对象)存在的缺陷未全部被V&V活动发现的V&V对象数量。
与实施例1相比，本实施例提供的方法对获取V&V能力因素以及V&V有效性预测模型的方法等进行了进一步限定，使得V&V有效性预测融合了先验的V&V有效性预测数据与实际测量数据，度量结果准确性更高。
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (8)

1.一种基于贝叶斯理论的软件V&V有效性度量方法，其特征在于，包括如下步骤：
根据软件的历史V&V活动数据，获得每一预设分析复杂度下，V&V对象存在缺陷全部被V&V活动发现的概率；
建立V&V有效性预测模型，根据上述概率，分析获得V&V能力因素；
所述V&V有效性预测模型为：
Figure FDA0003310442910000011
式中，P表示预测的软件当前V&V对象存在缺陷全部被V&V活动发现的概率，C表示模型系数，x表示分析复杂度，r表示V&V能力因素；
预设分析复杂度下，根据上述V&V能力因素获得预测的软件当前V&V对象存在缺陷全部被V&V活动发现的概率，判断软件V&V有效性；如果有效性小于预设阈值，降低分析复杂度，重复判断，直到有效性满足需求为止；
建立V&V有效性度量模型，计算在满足需求的上述分析复杂度下V&V对象存在缺陷全部被V&V活动发现的概率，作为软件当前V&V有效性度量值；
所述V&V有效性度量模型为：
Figure FDA0003310442910000012
式中，P(B1)表示预测的软件当前V&V对象存在缺陷全部被V&V活动发现的概率，k表示执行V&V活动后V&V对象缺陷被发现概率，m表示执行V&V活动后V&V对象缺陷被遗漏概率。
2.根据权利要求1所述的基于贝叶斯理论的软件V&V有效性度量方法，其特征在于，所述根据软件的历史V&V活动数据、获得每一预设分析复杂度下V&V对象存在缺陷全部被V&V活动发现的概率，包括如下步骤：
搜集各个分析复杂度下，软件的历史V&V活动数据；
对软件的历史V&V活动数据进行分析，建立V&V活动数据库，所述数据库包含分析复杂度，以及各个分析复杂度下对应的存在的缺陷全部被V&V活动发现的V&V对象数量，存在的缺陷未全部被V&V活动发现的V&V对象数量；
计算在各个分析复杂度下，V&V对象存在缺陷全部被V&V活动发现的概率。
3.根据权利要求2所述的基于贝叶斯理论的软件V&V有效性度量方法，其特征在于，任一分析复杂度下，所述V&V对象存在缺陷全部被V&V活动发现的概率P1为
Figure FDA0003310442910000021
式中，N1表示存在的缺陷全部被V&V活动发现的V&V对象数量，N2表示存在的缺陷未全部被V&V活动发现的V&V对象数量。
4.根据权利要求3所述的基于贝叶斯理论的软件V&V有效性度量方法，其特征在于，所述根据上述概率分析获得V&V能力因素，包括如下步骤：
根据分析复杂度x为零时P＝99％，带入所述V&V有效性预测模型，获得模型系数C；
针对每一预设分析复杂度，令P1＝P，将上述模型系数C带入所述V&V有效性预测模型，获得每一预设分析复杂度下的V&V能力因素；
对上述每一预设分析复杂度下的V&V能力因素进行数值分析，获得表征V&V综合能力的V&V能力因素。
5.根据权利要求4所述的基于贝叶斯理论的软件V&V有效性度量方法，其特征在于，所述数值分析采用平均值数值分析方法，所述表征V&V综合能力的V&V能力因素表示为：
Figure FDA0003310442910000031
式中，rx表示分析复杂度为x时的V&V能力因素，x表示分析复杂度，n表示分析复杂度区间上限。
6.根据权利要求4所述的基于贝叶斯理论的软件V&V有效性度量方法，其特征在于，所述预设分析复杂度下、根据上述V&V能力因素获得预测的软件当前V&V对象存在缺陷全部被V&V活动发现的概率、判断软件V&V有效性，包括如下步骤：
预设分析复杂度，将所述分析复杂度、表征V&V综合能力的V&V能力因素的数值带入所述V&V有效性预测模型，获得预测的软件当前V&V对象存在缺陷全部被V&V活动发现的概率；
将上述预测的软件当前V&V对象存在缺陷全部被V&V活动发现的概率与预设阈值进行比较，如果其大于等于预设阈值，判定所述分析复杂度选取合适，继续执行后续步骤；如果其小于预设阈值，按预设规则减小所述分析复杂度的数值，重复上述步骤，直到其大于等于预设阈值为止。
7.根据权利要求1-6之一所述的基于贝叶斯理论的软件V&V有效性度量方法，其特征在于，所述建立V&V有效性度量模型、计算在满足需求的上述分析复杂度下V&V对象存在缺陷全部被V&V活动发现的概率、作为软件当前V&V有效性度量值，包括如下步骤：
根据贝叶斯理论，建立预测的软件当前V&V对象存在缺陷全部被V&V活动发现的概率与V&V对象存在缺陷且全部被V&V活动发现的概率的关系式，作为V&V有效性度量模型；
所述软件执行V&V活动,获得执行V&V活动后V&V对象缺陷被发现概率，以及执行V&V活动后V&V对象缺陷被遗漏概率；
根据上述执行V&V活动后V&V对象缺陷被发现概率，以及执行V&V活动后V&V对象缺陷被遗漏概率，将二者带入上述V&V有效性度量模型，获得V&V对象存在缺陷且全部被V&V活动发现的概率，将其作为最终V&V有效性度量值。
8.根据权利要求1所述的基于贝叶斯理论的软件V&V有效性度量方法，其特征在于，所述k和m通过当前软件执行V&V活动获得
Figure FDA0003310442910000041
m＝1-k
式中，N3表示存在的缺陷全部被V&V活动发现的V&V对象数量，N4表示存在的缺陷未全部被V&V活动发现的V&V对象数量。
CN201811369114.8A 2018-11-16 2018-11-16 一种基于贝叶斯理论的软件v＆v有效性度量方法 Active CN109542510B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811369114.8A CN109542510B (zh) 2018-11-16 2018-11-16 一种基于贝叶斯理论的软件v＆v有效性度量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811369114.8A CN109542510B (zh) 2018-11-16 2018-11-16 一种基于贝叶斯理论的软件v＆v有效性度量方法

Publications (2)

Publication Number Publication Date
CN109542510A CN109542510A (zh) 2019-03-29
CN109542510B true CN109542510B (zh) 2021-11-23

Family

ID=65848120

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811369114.8A Active CN109542510B (zh) 2018-11-16 2018-11-16 一种基于贝叶斯理论的软件v＆v有效性度量方法

Country Status (1)

Country Link
CN (1) CN109542510B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102629232A (zh) * 2012-01-09 2012-08-08 北京航空航天大学 引入测试有效性的软件可靠性验证测试方法
CN105046143A (zh) * 2015-08-04 2015-11-11 北京广利核系统工程有限公司 一种综合计算软件验证与确认功效的方法
CN105159270A (zh) * 2015-07-02 2015-12-16 山东超越数控电子有限公司 一种bit监测有效性验证的方法
CN107122302A (zh) * 2017-04-28 2017-09-01 郑州云海信息技术有限公司 一种软件测试有效性度量和评估方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7216339B2 (en) * 2003-03-14 2007-05-08 Lockheed Martin Corporation System and method of determining software maturity using Bayesian design of experiments
US7305325B2 (en) * 2006-01-12 2007-12-04 International Business Machines Corporation Method to improve requirements, design manufacturing, and transportation in mass manufacturing industries through analysis of defect data
US20100251204A1 (en) * 2009-03-30 2010-09-30 Michael Peterson System and method for determining software test cycle effectiveness
CN101908020B (zh) * 2010-08-27 2012-05-09 南京大学 一种基于分类挖掘和版本变更的测试用例优先化方法
CN102360335B (zh) * 2011-10-19 2014-11-19 北京广利核系统工程有限公司 定量评估核电厂安全级dcs系统应用软件缺陷价值的方法
CN105868888A (zh) * 2016-03-23 2016-08-17 中国电子科技集团公司第十研究所 软件测试质量评价方法
CN107341101A (zh) * 2017-06-01 2017-11-10 西南电子技术研究所（中国电子科技集团公司第十研究所） 度量fpga软件静态质量的方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102629232A (zh) * 2012-01-09 2012-08-08 北京航空航天大学 引入测试有效性的软件可靠性验证测试方法
CN105159270A (zh) * 2015-07-02 2015-12-16 山东超越数控电子有限公司 一种bit监测有效性验证的方法
CN105046143A (zh) * 2015-08-04 2015-11-11 北京广利核系统工程有限公司 一种综合计算软件验证与确认功效的方法
CN107122302A (zh) * 2017-04-28 2017-09-01 郑州云海信息技术有限公司 一种软件测试有效性度量和评估方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
In-process evaluation for software inspection and test;J. K. Chaar 等;《IEEE Transactions on Software Engineering》;19931130;第19卷(第11期);1055-1070 *
一种基于贝叶斯定理的软件测试有效性的评估模型;王丹萍;《现代商贸工业》;20071130(第11期);268-269 *
软件测试有效性度量与评估判定;张馨;《中国优秀硕士学位论文全文数据库 信息科技辑》;20131115(第11期);I138-325 *

Also Published As

Publication number Publication date
CN109542510A (zh) 2019-03-29

Similar Documents

Publication Publication Date Title
Wang et al. Probabilistic forecast for multiple wind farms based on regular vine copulas
CN107610021A (zh) 环境变量时空分布的综合分析方法
CN112633316B (zh) 一种基于边界估值理论的负荷预测方法和装置
US20170161628A1 (en) Maintenance period determination device, deterioration estimation system, deterioration estimation method, and recording medium
WO2016188498A1 (zh) 一种无线网络吞吐量的评估方法及装置
CN109494757B (zh) 一种电压无功运行预警方法和系统
CN112132440A (zh) 一种基于dea理论的多维效益指数分析方法
CN114594398A (zh) 储能锂离子电池数据预处理方法
CN109542510B (zh) 一种基于贝叶斯理论的软件v＆v有效性度量方法
CN113988709A (zh) 中压配电线路故障率分析方法、装置、终端设备及介质
CN116485552A (zh) 一种基金投资风控方法、装置、介质及终端
CN115796341A (zh) 一种基于碳效码的企业低碳经济表现的协同测度方法
CN113420165B (zh) 二分类模型的训练、多媒体数据的分类方法及装置
CN115169089A (zh) 基于核密度估计和copula的风电功率概率预测方法和装置
KR101726870B1 (ko) 기업금융 조기경보 방법
CN113568898A (zh) 电力数据漏点补全方法、装置、设备及可读存储介质
KR101484761B1 (ko) 위기 경보 신호를 이용하여 산업 위기를 예측하는 방법 및 그 장치
Ceresa et al. Verification and upgrades of an advanced technique to model forecast uncertainties in large power systems
CN110751335A (zh) 一种区域生态质量年景预测评价方法及装置
CN117541272B (zh) 数字工程碳排放数据确定方法、系统、设备及存储介质
WO2023029065A1 (zh) 数据集质量评估方法、装置、计算机设备及存储介质
CN113656267B (zh) 设备能效的计算方法、装置、电子设备及存储介质
JP2013214256A (ja) 発電所の統合保全システム
CN114970132A (zh) 一种预测区域碳达峰形势的方法
Wang et al. Research on Stock Price Volatility Prediction Based on Generative Adversarial Network

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