CN109684851A - 软件质量评估方法、装置、设备及计算机存储介质 - Google Patents

软件质量评估方法、装置、设备及计算机存储介质 Download PDF

Info

Publication number
CN109684851A
CN109684851A CN201811610794.8A CN201811610794A CN109684851A CN 109684851 A CN109684851 A CN 109684851A CN 201811610794 A CN201811610794 A CN 201811610794A CN 109684851 A CN109684851 A CN 109684851A
Authority
CN
China
Prior art keywords
information
demand
line
software quality
digital
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.)
Pending
Application number
CN201811610794.8A
Other languages
English (en)
Inventor
李睿
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 Mobile Communications Group Co Ltd
China Mobile Group Jiangsu Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Group Jiangsu 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 Mobile Communications Group Co Ltd, China Mobile Group Jiangsu Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN201811610794.8A priority Critical patent/CN109684851A/zh
Publication of CN109684851A publication Critical patent/CN109684851A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/50—Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems
    • G06F21/57—Certifying or maintaining trusted computer platforms, e.g. secure boots or power-downs, version controls, system software checks, secure updates or assessing vulnerabilities
    • G06F21/577—Assessing vulnerabilities and evaluating computer system security
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2221/00—Indexing scheme relating to security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F2221/03—Indexing scheme relating to G06F21/50, monitoring users, programs or devices to maintain the integrity of platforms
    • G06F2221/033—Test or assess software

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Computer Security & Cryptography (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种软件质量评估方法、装置、设备及计算机存储介质。其中，软件质量评估方法包括：获取待上线需求的需求信息；将需求信息转化为与需求信息对应的数据向量；根据数据向量，确定待上线需求对应的风险预测模型；将数据向量输入风险预测模型并获得待上线需求对应的风险信息。根据本发明实施例，能够利用风险预测模型准确地评估待上线需求的风险信息。

Description

软件质量评估方法、装置、设备及计算机存储介质
技术领域
本发明属于软件质量评估技术领域，尤其涉及一种软件质量评估方法、装置、设备及计算机存储介质。
背景技术
近年来，为了应对市场变化，电信运营商的IT支撑系统正在进行互联网转型。由于IT支撑系统的新业务需求旺盛且业务需求的支撑周期短，使得IT支撑系统的软件更新及上线频繁。
对于IT支撑系统的软件质量，目前并没有系统的质量评估手段和科学的风险评估方法，一般仅通过加强测试来获得测试结果，然后依靠人工经验对测试结果进行质量评估，导致无法在上线前准确地评估可能隐藏的缺陷或问题数量以及上线后的风险概率，因此，经常在上线后出现故障，影响客户的使用及感知。
发明内容
本发明实施例提供一种软件质量评估方法、装置、设备及计算机存储介质，能够利用风险预测模型准确地评估待上线需求的风险信息。
一方面，本发明实施例提供一种软件质量评估方法，包括：
获取待上线需求的需求信息；
将所述需求信息转化为与所述需求信息对应的数据向量；
根据所述数据向量，确定所述待上线需求对应的风险预测模型；
将所述数据向量输入所述风险预测模型并获得所述待上线需求对应的风险信息。
进一步地，将所述需求信息转化为与所述需求信息对应的数据向量包括：
确定所述需求信息中的数字信息和非数字信息；
根据所述非数字信息，确定所述非数字信息对应的数字编码；
根据所述数字信息和所述数字编码，将所述需求信息转化为所述数据向量。
进一步地，根据所述非数字信息，确定所述非数字信息对应的数字编码包括：
对所述非数字信息分词，确定所述非数字信息对应的多个关键词；
根据所述多个关键词，确定各个所述关键词对应的数字编码。
进一步地，对所述非数字信息分词，确定所述非数字信息对应的多个关键词包括：
获取所述非数字信息对应的中文字串；
根据最大匹配算法对所述中文字串分词，获得所述非数字信息对应的多个关键词。
进一步地，根据所述多个关键词，确定各个所述关键词对应的数字编码包括：
对所述多个关键词进行词频统计；
根据词频统计结果利用哈夫曼树将各个所述关键词转化为对应的数字编码。
进一步地，根据所述数字信息和所述数字编码，将所述需求信息转化为所述数据向量包括：
将所述数字编码转化为与所述数字编码对应的数值信息；
利用所述数值信息更新所述需求信息；
将更新后的所述需求信息作为数据向量。
进一步地，根据所述数据向量，确定所述待上线需求对应的风险预测模型包括：
利用K-Means算法对所述数据向量进行聚类，并确定所述待上线需求对应的需求类别；
根据所述需求类别，确定与所述需求类别对应的所述风险预测模型。
进一步地，所述风险预测模型为利用与所述需求类别对应的已上线需求的指标信息作为训练样本，并通过梯度提升树算法训练获得的模型。
进一步地，所述指标信息包括所述已上线需求在上线前的需求信息和所述已上线需求在上线后的问题信息。
进一步地，所述风险信息包括所述待上线需求的风险系数。
另一方面，本发明实施例提供了一种软件质量评估装置，所述装置包括：
信息获取单元，其配置为获取待上线需求的需求信息；
数据转化单元，其配置为将所述需求信息转化为与所述需求信息对应的数据向量；
模型确定单元，其配置为根据所述数据向量，确定所述待上线需求对应的风险预测模型；
风险评估单元，其配置为将所述数据向量输入所述风险预测模型并获得所述待上线需求对应的风险信息。
再一方面，本发明实施例提供了一种软件质量评估设备，所述设备包括：处理器以及存储有计算机程序指令的存储器；
所述处理器执行所述计算机程序指令时实现如上所述的软件质量评估方法。
再一方面，本发明实施例提供了一种计算机存储介质，所述计算机存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如上所述的软件质量评估方法。
本发明实施例的软件质量评估方法、装置、设备及计算机存储介质，能够将待上线需求的需求信息转化为对应的数据向量，然后将数据向量输入到与待上线需求对应的风险预测模型，并获得待上线需求对应的风险信息，从而能够在待上线需求上线前精准、高效地评估待上线需求的风险信息，以对待上线需求软件质量进行评估，解决现有的通过人工经验对软件质量进行评估导致的无法在上线前准确地评估可能隐藏的缺陷或问题数量以及上线后的风险概率的问题，从而降低待上线需求上线后的故障数量，提高用户的使用体验。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单的介绍，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一个实施例提供的软件质量评估方法的流程示意图；
图2是本发明实施例中风险预测模型的训练方法的流程示意图；
图3是本发明实施例利用最大匹配算法的分词处理流程图；
图4是本发明实施例利用哈夫曼树对关键词进行数字编码的示意图；
图5是图1中步骤S120的具体方法的流程示意图；
图6是图5中步骤S122的具体方法的流程示意图；
图7是图6中步骤S210的具体方法的流程示意图；
图8是图6中步骤S220的具体方法的流程示意图；
图9是图5中步骤S123的具体方法的流程示意图；
图10是图1中步骤S130的具体方法的流程示意图；
图11是本发明一个实施例提供的软件质量评估装置的流程示意图；
图12是本发明实施例提供的软件质量评估设备的硬件结构示意图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例，为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本发明进行进一步详细描述。应理解，此处所描述的具体实施例仅被配置为解释本发明，并不被配置为限定本发明。对于本领域技术人员来说，本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
为了解决现有技术问题，本发明实施例提供了一种软件质量评估方法、装置、设备及计算机存储介质。下面首先对本发明实施例所提供的软件质量评估方法进行介绍。
图1示出了本发明一个实施例提供的软件质量评估方法的流程示意图。如图1所示，该软件质量评估方法包括：
S110、获取待上线需求的需求信息；
S120、将需求信息转化为与需求信息对应的数据向量；
S130、根据数据向量，确定待上线需求对应的风险预测模型；
S140、将数据向量输入风险预测模型并获得待上线需求对应的风险信息。
本发明实施例能够将待上线需求的需求信息转化为对应的数据向量，然后将数据向量输入到与待上线需求对应的风险预测模型，并获得待上线需求对应的风险信息，从而能够在待上线需求上线前精准、高效地评估待上线需求的风险信息，以对待上线需求软件质量进行评估，解决现有的通过人工经验对软件质量进行评估导致的无法在上线前准确地评估可能隐藏的缺陷或问题数量以及上线后的风险概率的问题，从而降低待上线需求上线后的故障数量，提高用户的使用体验。
首先，根据图2对本发明实施例所采用的风险预测模型的训练方法进行说明。
在本发明实施例中，风险预测模型为利用与需求类别对应的已上线需求的指标信息作为训练样本，并通过梯度提升树算法训练获得的模型。
其中，已上线需求的指标信息包括已上线需求在上线前的需求信息和已上线需求在上线后的问题信息。已上线需求的指标信息可以通过从质量管控系统获取的已上线需求的历史数据中获得，历史数据的部分维度数据如表1所示。如表1所示，已上线需求在上线前的需求信息可以包括上线需求个数、上线需求工作量总数、紧急需求数、需求依赖外围的需求数、集团需求数、重点需求数、涉及特殊产品和涉及关键组件，已上线需求在上线后的问题信息可以包括上线后引发问题数。
表1已上线需求的历史数据表
然后，在已上线需求的指标信息中，使用基于正则的“[^\D]+”来将已上线需求的指标信息的非数字信息提取出来。
图3示出了本发明实施例利用最大匹配算法的分词处理流程图。如图3所示，可以使用最大匹配算法对非数字信息进行分词处理。具体地，可以依次从非数字信息对应的中文字串S1的最左边开始，选取候选字串W进行匹配。其中，候选字串W的长度不大于最大词长Maxlen(最大匹配数)。如果候选字串W存在于预设的词典中，则匹配成功，可以将该候选字串W作为关键词输出至输出词串S2中，如果候选字串W不存在于预设的词典中，则匹配失败，可以将该候选字串W最右侧一位字符删除，再次判读其是否存在于预设的词典中，直至所有字符均被处理。
图4示出了本发明实施例利用哈夫曼树对关键词进行数字编码的示意图。如图4所示，利用哈夫曼树(Huffman)对关键词进行数字编码的具体方法为，对使用最大匹配算法分词得到的多个关键词进行词频统计，将字符的词频按降序排列，将字符词频最小的关键词做为子节点，并将该关键词的全部字符的词频相加做为该关键词的权值，对关键词进行权值对比，将较高词频的关键词分支放在右边，重复上述步骤至所有关键词均被处理，形成哈夫曼树。按照哈夫曼树上的根节点到每个子节点的路径，向左延伸的采用0表示，向右延伸的采用1表示，从而将各个所述关键词转化为对应的数字编码。
接着，将上述所生成的二进制的数字编码转化为与数字编码对应的十进制的数值信息，利用数值信息更新表1，并将更新后的表1的每一行数据作为一个数据向量。然后，利用K-Means聚类算法对上述数据向量进行聚类，具体地，随机选取k个数据向量作为中心点，遍历所有数据向量，将每个数据向量划分到最近的中心点，形成了k个聚类。最后计算每个聚类的平均值，并作为该聚类的新中心点。重复上述两步，直到中线点不再变化即满足算法停止条件，此时，聚类效果最好。其中，聚类效果可以通过聚类效果度量值SSE体现，SSE的计算公式为：
其中，k表示初始聚类的总数，i表示每次求和的值，ci表示某聚类子集的元素，x表示求和的值范围，cei表示某聚类子集的中心点。
最后，利用梯度提升树算法训练获得上述数据向量，获得风险预测模型。
梯度提升树算法主要由三块算法组成，分别是回归树(Regression DecistionTree)算法、提升树(Boosting Decision Tree)算法、梯度提升决策树(Gradient BoostingDecision Tree)算法。回归树算法在选取特征时通常使用平方误差最小化方法做为作为树的评价指标的损失函数。提升树算法通过迭代上述建立的多颗回归树来进行残差的学习。其中，每一颗回归树学习之前所有树的结论和残差，拟合得到一个新的回归树。梯度提升决策树算法利用加法模型和前向分步算法实现学习的优化过程。
在本发明实施例中，生成回归树的训练样本为：{(X(1),y(1)),(X(2),y(2)),…,(X(m),y(m))}，其中，X(i)为n维向量，表示的是第i个样本的特征，y(i)为样本的标签，个数为m。
利用下述公式选择最优切分变量j及最优切分点s：
其中，j为切分变量，s为切分点，R1和R2分别表示切分后的两个区域，C1和C2分别表示R1及R2单元的输出值。
用上述选定的最优切分变量j及最优切分点s对(j,s)划分区域并决定相应的输出值：
R1(j,s)＝{x|x(j)≤s},R2(j,s)＝{x|x(j)>s}
其中，j为切分变量，s为切分点，R1和R2分别表示切分后的两个区域，x(j)表示第j个变量。
其中，表示Rm上所有输入实例xi对应的输出yi的均值，Nm表示m集合中的数量。
重复上述过程，直至将输入空间划分为M个区域，其中M为超参数。此时，完成将M个区域R1…RM，生成回归树。
在本发明实施例中，提升树的计算流程为：
首先，计算残差：
rmi＝yi-fm-1(xi),i＝1,2,3…N
m＝1,2,3…M，表示所有的区域,i＝1，2，3…N，表示样本数量。
然后，拟合残差rmi得到一个回归树,使用T(x:θm)表示，并更新回归树fm(x)：
fm(x)＝fm-1(x)+T(x:θm)；
最后，得到回归问题提升树：
在本发明实施例中，梯度提升决策树可以利用最速下降的近似方法，即利用损失函数的负梯度在当前模型的值，作为回归问题中提升树算法的残差的近似值，拟合一个回归树。
梯度提升决策树的计算流程可以为：
首先，初始化
然后，计算损失函数的负梯度在当前模型的值，将它作为残差的估计：
循环m∈(1,2,3…M)及i∈(1,2,3…N)，计算拟合Rjm的残差近似值rim。
最后，使损失函数极小化：
其中，j∈(1,2,3…Jm)代表某个回归树的区域内的值，xi代表某个因素值，yi代表xi所对应的标签值。
图5示出了图1中步骤S120的具体方法的流程示意图。如图5所示，步骤S120、将需求信息转化为与需求信息对应的数据向量的具体方法可以包括：
S121、确定需求信息中的数字信息和非数字信息。
S122、根据非数字信息，确定非数字信息对应的数字编码。
S123、根据数字信息和数字编码，将需求信息转化为数据向量。
其中，在步骤S121中，采用如上所述的正则的“[^\D]+”来将待上线需求的需求信息的非数字信息提取出来。
图6示出了图5中步骤S122的具体方法的流程示意图。如图6所示，步骤S122、根据非数字信息，确定非数字信息对应的数字编码的具体方法可以包括：
S210、对非数字信息分词，确定非数字信息对应的多个关键词；
S220、根据多个关键词，确定各个关键词对应的数字编码。
图7示出了图6中步骤S210的具体方法的流程示意图。如图7所示，步骤S210、对非数字信息分词，确定非数字信息对应的多个关键词的具体方法可以包括：
S211、获取非数字信息对应的中文字串；
S212、根据最大匹配算法对中文字串分词，获得非数字信息对应的多个关键词。
其中，根据最大匹配算法对中文字串分词的具体方法与图3所示的方法相同。
图8示出了图6中步骤S220的具体方法的流程示意图。如图8所示，步骤S220、根据多个关键词，确定各个关键词对应的数字编码的具体方法可以包括：
S221、对多个关键词进行词频统计；
S222、根据词频统计结果利用哈夫曼树将各个关键词转化为对应的数字编码。
其中，根据哈夫曼树算法将各个关键词转化为对应的数字编码与图4所示的方法相同。
图9示出了图5中步骤S123的具体方法的流程示意图。如图9所示，步骤S123、根据数字信息和数字编码，将需求信息转化为数据向量的具体方法可以包括：
S310、将数字编码转化为与数字编码对应的数值信息；
S320、利用数值信息更新需求信息；
S330、将更新后的需求信息作为数据向量。
具体地，可以将所生成的二进制的数字编码转化为与数字编码对应的十进制的数值信息，利用数值信息更新待上线需求的需求信息，并将更新后的待上线需求的需求信息作为一个数据向量。
以待上线需求的需求信息为{(43，915，10，3，2，0，‘计费流计算平台’，...)}为例，通过上述方法可以将“计费”转换为“10001”、“流计算平台”转换为“011110”，其中，二进制数10001可以转换为十进制数17，二进制数011110可转换为十进制数30，因此，利用数值信息更新待上线需求的需求信息为[43,915,10,3,2,0,17,30,...]，该待上线需求的需求信息可以形成数据向量。
图10示出了图1中步骤S130的具体方法的流程示意图。如图10所示，步骤S130、根据数据向量，确定待上线需求对应的风险预测模型包括：
S131、利用K-Means算法对数据向量进行聚类，并确定待上线需求对应的需求类别；
S132、根据需求类别，确定与需求类别对应的风险预测模型。
在本发明实施例中，风险信息包括待上线需求的风险系数。
在本发明实施例中，当确定了待上线需求的需求类别后，可以选取利用与该需求类别对应的已上线需求的指标信息训练得到的风险预测模型，将待上线需求对于的数据向量输入该风险预测模型，并输出待上线需求对应的风险系数为6，根据该风险系数，可以确定待上线需求的风险较大。
综上所述，本发明实施例利用已上线需求的指标信息作为训练样本建立风险预测模型，可以利用该风险预测模型预测出待上线需求的风险系数，以对待上线需求中风险系数较高的需求进行预警，使需求管控人员做好相应的风险预测机制。
图11示出了本发明一个实施例提供的软件质量评估装置的流程示意图。如图11所示，该软件质量评估装置包括：
信息获取单元410，其配置为获取待上线需求的需求信息；
数据转化单元420，其配置为将需求信息转化为与需求信息对应的数据向量；
模型确定单元430，其配置为根据数据向量，确定待上线需求对应的风险预测模型；
风险评估单元440，其配置为将数据向量输入风险预测模型并获得待上线需求对应的风险信息。
在本发明实施例中，风险预测模型为利用与需求类别对应的已上线需求的指标信息作为训练样本，并通过梯度提升树算法训练获得的模型。
图12示出了本发明实施例提供的软件质量评估设备的硬件结构示意图。
在软件质量评估设备可以包括处理器501以及存储有计算机程序指令的存储器502。
具体地，上述处理器501可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，ASIC)，或者可以被配置成实施本发明实施例的一个或多个集成电路。
存储器502可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器502可包括硬盘驱动器(Hard Disk Drive，HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus，USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器502可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器502可在综合网关容灾设备的内部或外部。在特定实施例中，存储器502是非易失性固态存储器。在特定实施例中，存储器502包括只读存储器(ROM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
处理器501通过读取并执行存储器502中存储的计算机程序指令，以实现上述实施例中的任意一种软件质量评估方法。
在一个示例中，软件质量评估设备还可包括通信接口503和总线510。其中，如图12所示，处理器501、存储器502、通信接口503通过总线510连接并完成相互间的通信。
通信接口503，主要用于实现本发明实施例中各模块、装置、单元和/或设备之间的通信。
总线510包括硬件、软件或两者，将软件质量评估设备的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线510可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线，但本发明考虑任何合适的总线或互连。
该软件质量评估设备可以执行本发明实施例中的软件质量评估方法，从而实现上述的软件质量评估方法和装置。
另外，结合上述实施例中的软件质量评估方法，本发明实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种软件质量评估方法。
需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
以上所述，仅为本发明的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，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，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。

Claims (13)

1.一种软件质量评估方法，其特征在于，包括：
获取待上线需求的需求信息；
将所述需求信息转化为与所述需求信息对应的数据向量；
根据所述数据向量，确定所述待上线需求对应的风险预测模型；
将所述数据向量输入所述风险预测模型并获得所述待上线需求对应的风险信息。
2.根据权利要求1所述的软件质量评估方法，其特征在于，将所述需求信息转化为与所述需求信息对应的数据向量包括：
确定所述需求信息中的数字信息和非数字信息；
根据所述非数字信息，确定所述非数字信息对应的数字编码；
根据所述数字信息和所述数字编码，将所述需求信息转化为所述数据向量。
3.根据权利要求2所述的软件质量评估方法，其特征在于，根据所述非数字信息，确定所述非数字信息对应的数字编码包括：
对所述非数字信息分词，确定所述非数字信息对应的多个关键词；
根据所述多个关键词，确定各个所述关键词对应的数字编码。
4.根据权利要求3所述的软件质量评估方法，其特征在于，对所述非数字信息分词，确定所述非数字信息对应的多个关键词包括：
获取所述非数字信息对应的中文字串；
根据最大匹配算法对所述中文字串分词，获得所述非数字信息对应的多个关键词。
5.根据权利要求3所述的软件质量评估方法，其特征在于，根据所述多个关键词，确定各个所述关键词对应的数字编码包括：
对所述多个关键词进行词频统计；
根据词频统计结果利用哈夫曼树将各个所述关键词转化为对应的数字编码。
6.根据权利要求2所述的软件质量评估方法，其特征在于，根据所述数字信息和所述数字编码，将所述需求信息转化为所述数据向量包括：
将所述数字编码转化为与所述数字编码对应的数值信息；
利用所述数值信息更新所述需求信息；
将更新后的所述需求信息作为数据向量。
7.根据权利要求1所述的软件质量评估方法，其特征在于，根据所述数据向量，确定所述待上线需求对应的风险预测模型包括：
利用K-Means算法对所述数据向量进行聚类，并确定所述待上线需求对应的需求类别；
根据所述需求类别，确定与所述需求类别对应的所述风险预测模型。
8.根据权利要求7所述的软件质量评估方法，其特征在于，所述风险预测模型为利用与所述需求类别对应的已上线需求的指标信息作为训练样本，并通过梯度提升树算法训练获得的模型。
9.根据权利要求8所述的软件质量评估方法，其特征在于，所述指标信息包括所述已上线需求在上线前的需求信息和所述已上线需求在上线后的问题信息。
10.根据权利要求1所述的软件质量评估方法，其特征在于，所述风险信息包括所述待上线需求的风险系数。
11.一种软件质量评估装置，其特征在于，所述装置包括：
信息获取单元，其配置为获取待上线需求的需求信息；
数据转化单元，其配置为将所述需求信息转化为与所述需求信息对应的数据向量；
模型确定单元，其配置为根据所述数据向量，确定所述待上线需求对应的风险预测模型；
风险评估单元，其配置为将所述数据向量输入所述风险预测模型并获得所述待上线需求对应的风险信息。
12.一种软件质量评估设备，其特征在于，所述设备包括：处理器以及存储有计算机程序指令的存储器；
所述处理器执行所述计算机程序指令时实现如权利要求1-10任意一项所述的软件质量评估方法。
13.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1-10任意一项所述的软件质量评估方法。
CN201811610794.8A 2018-12-27 2018-12-27 软件质量评估方法、装置、设备及计算机存储介质 Pending CN109684851A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811610794.8A CN109684851A (zh) 2018-12-27 2018-12-27 软件质量评估方法、装置、设备及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811610794.8A CN109684851A (zh) 2018-12-27 2018-12-27 软件质量评估方法、装置、设备及计算机存储介质

Publications (1)

Publication Number Publication Date
CN109684851A true CN109684851A (zh) 2019-04-26

Family

ID=66190052

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811610794.8A Pending CN109684851A (zh) 2018-12-27 2018-12-27 软件质量评估方法、装置、设备及计算机存储介质

Country Status (1)

Country Link
CN (1) CN109684851A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110377521A (zh) * 2019-07-23 2019-10-25 郑州阿帕斯科技有限公司 一种目标对象验证方法及装置
CN110543426A (zh) * 2019-09-06 2019-12-06 中国工商银行股份有限公司 一种软件性能风险检测方法及装置
CN111352840A (zh) * 2020-02-28 2020-06-30 北京字节跳动网络技术有限公司 上线行为风险评估方法、装置、设备和可读存储介质
CN111459828A (zh) * 2020-04-07 2020-07-28 中国建设银行股份有限公司 一种软件版本的非功能性测试评估方法及装置
CN112330301A (zh) * 2020-11-25 2021-02-05 杜瑞 一种人工智能开发平台和系统
CN112488534A (zh) * 2020-12-03 2021-03-12 福建省农村信用社联合社 一种银行软件上线前的风险预警方法、系统、设备和介质
CN114547101A (zh) * 2022-01-13 2022-05-27 北京元年科技股份有限公司 数据中台的数据质量评估方法、装置、设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104735610A (zh) * 2013-12-20 2015-06-24 中国移动通信集团江苏有限公司 一种基于在线计费系统进行实时定位和推送的方法及系统
CN105404814A (zh) * 2015-09-24 2016-03-16 中国农业银行股份有限公司 一种商业银行软件的质量风险评估方法和系统
CN107766249A (zh) * 2017-10-27 2018-03-06 广东电网有限责任公司信息中心 一种基于过程监控的软件质量综合评估方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104735610A (zh) * 2013-12-20 2015-06-24 中国移动通信集团江苏有限公司 一种基于在线计费系统进行实时定位和推送的方法及系统
CN105404814A (zh) * 2015-09-24 2016-03-16 中国农业银行股份有限公司 一种商业银行软件的质量风险评估方法和系统
CN107766249A (zh) * 2017-10-27 2018-03-06 广东电网有限责任公司信息中心 一种基于过程监控的软件质量综合评估方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李睿: "《软件开发项目质量管理研究》", 《CNKI》 *
潘梅森等: "《基于SVM的软件需求分析风险评估模型》", 《计算机工程》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110377521A (zh) * 2019-07-23 2019-10-25 郑州阿帕斯科技有限公司 一种目标对象验证方法及装置
CN110377521B (zh) * 2019-07-23 2022-11-18 郑州阿帕斯科技有限公司 一种目标对象验证方法及装置
CN110543426A (zh) * 2019-09-06 2019-12-06 中国工商银行股份有限公司 一种软件性能风险检测方法及装置
CN111352840A (zh) * 2020-02-28 2020-06-30 北京字节跳动网络技术有限公司 上线行为风险评估方法、装置、设备和可读存储介质
CN111352840B (zh) * 2020-02-28 2023-08-15 抖音视界有限公司 上线行为风险评估方法、装置、设备和可读存储介质
CN111459828A (zh) * 2020-04-07 2020-07-28 中国建设银行股份有限公司 一种软件版本的非功能性测试评估方法及装置
CN112330301A (zh) * 2020-11-25 2021-02-05 杜瑞 一种人工智能开发平台和系统
CN112488534A (zh) * 2020-12-03 2021-03-12 福建省农村信用社联合社 一种银行软件上线前的风险预警方法、系统、设备和介质
CN114547101A (zh) * 2022-01-13 2022-05-27 北京元年科技股份有限公司 数据中台的数据质量评估方法、装置、设备及存储介质
CN114547101B (zh) * 2022-01-13 2023-04-28 北京元年科技股份有限公司 数据中台的数据质量评估方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN109684851A (zh) 软件质量评估方法、装置、设备及计算机存储介质
CN109635292B (zh) 基于机器学习算法的工单质检方法和装置
EP3989125A1 (en) System and method for machine-learning based extraction of information from documents
CN111447574B (zh) 短信分类方法、装置、系统和存储介质
CN111198817A (zh) 一种基于卷积神经网络的SaaS软件故障诊断方法及装置
CN115082920B (zh) 深度学习模型的训练方法、图像处理方法和装置
CN111611386B (zh) 文本分类方法和装置
CN116795886B (zh) 用于销售数据的数据分析引擎及方法
CN109993183B (zh) 网络故障评估方法、装置、计算设备及存储介质
CN114328106A (zh) 日志数据处理方法、装置、设备及存储介质
CN115796310A (zh) 信息推荐及模型训练方法、装置、设备和存储介质
CN116127376A (zh) 模型训练方法、数据分类分级方法、装置、设备及介质
CN111144575B (zh) 舆情预警模型的训练方法、预警方法、装置、设备及介质
CN115545533A (zh) 数据处理方法、装置、设备、介质及产品
CN114417830A (zh) 风险评价方法、装置、设备及计算机可读存储介质
CN114419327A (zh) 图像检测方法和图像检测模型的训练方法、装置
CN114357219A (zh) 一种面向移动端实例级图像检索方法及装置
CN109996274B (zh) Lte小区参数的调整方法、装置、设备及介质
CN112214675A (zh) 用户购机的确定方法、装置、设备及计算机存储介质
CN115828977B (zh) 工业互联网标签编码方法、装置、介质及电子设备
CN115879446B (zh) 文本处理方法、深度学习模型训练方法、装置以及设备
US20210241025A1 (en) Object recognition method and apparatus, and storage medium
CN114241243B (zh) 图像分类模型的训练方法、装置、电子设备和存储介质
CN116910555A (zh) 用户信用预测模型的训练、应用方法、装置、设备及介质
CN118802026A (zh) 信道质量的预测方法、装置、设备及存储介质

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190426