CN110322122B - 基于类图的软件结构风险评估方法 - Google Patents
基于类图的软件结构风险评估方法 Download PDFInfo
- Publication number
- CN110322122B CN110322122B CN201910509786.2A CN201910509786A CN110322122B CN 110322122 B CN110322122 B CN 110322122B CN 201910509786 A CN201910509786 A CN 201910509786A CN 110322122 B CN110322122 B CN 110322122B
- Authority
- CN
- China
- Prior art keywords
- class
- classes
- network
- fails
- complexity
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/30—Creation or generation of source code
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
Abstract
本发明提出了一种基于类图的软件结构风险评估方法,属于软件工程领域。首先对度量类复杂性的传统指标进行改良,引进WMC、DIT、ATTR、CPV和CAL五个评价指标,评估维度和指标体系更加全面;然后针对类间耦合关系形成的网络结构,基于复杂网络中的相继故障原理,使用改良后的CBO指标度量类间耦合程度,构造出加权类网络图进而度量类出现故障后的严重性;最后采用通用的类风险度量方法计算类的风险值。该方法不仅考虑了类自身复杂性影响因素,而且考虑了类对软件整体网络的影响,整个运行过程不需要领域专家的主观判断做指导,提高了评估的客观性。
Description
技术领域
本发明提出了一种对软件结构进行风险评估的方法,属于软件工程领域。该方法基于软件类图,从类网络拓扑结构的视角看待软件的结构,运用软件度量方法和相继故障理论,综合个体和整体两个层面定量评价软件中类的相对风险。综合运用原始指标和抽象指标度量类自身的复杂性;使用结构指标生成权值网络,并运用相继故障理论度量类的严重性;用风险=复杂性*严重性原则计算软件中类的风险,评估并识别软件结构中的高危类节点,达到对软件结构风险评估的目的。该方法特别适合于对复杂软件进行结构风险评估。
背景技术
软件的结构风险被定义为包含两个因素,一是失效发生的可能性;二是失效发生后产生后果的严重性。综合国内外研究,认为计算风险发生的可能性是一件困难的事。研究中发现软件的复杂性跟其风险发生的可能性之间有直接的关系。因此,目前一般认为软件的风险由复杂性和严重性决定,三者的关系可描述为:风险=复杂性*严重性。
软件结构的风险评估可以作用在软件开发的各个阶段。若能在需求阶段对软件的设计结构进行评估,能有效发现潜在的风险,减少开发过程中的资源浪费。另外,对软件结构中高风险类能提前预防和反馈,可随软件开发过程同步迭代,指导整个开发流程,提高软件产品质量,降低维护成本。
已有成果利用组件依赖关系图(Component Dependency Graphs,简写为CDGs)、状态图和基于UML模型对软件结构进行风险评估。这些方法奠定了软件结构风险评估的基础,然而现有方法中都存在领域专家做出主观判断的情景,客观性不足。软件的复杂性方面,仅采用圈复杂度和组件之间传递的信息量度量软件复杂性,其度量指标单一,不能全面的刻画软件的复杂性;软件的严重性方面,采用领域专家打分或者量表的形式度量。领域专家的参与无疑让严重性的度量存在较大的偏差和不一致性,进而使得软件风险评估结果变得千人千面。为了提升软件风险评估的稳定性和有效性,急需一种精确的、无领域专家主观判断的风险评价方法。规避领域专家判断的风险评价方法能更好地保证软件风险评估工作的一致性,不会因为个人原因导致软件开发失败,对软件质量管理来说意义重大。
软件复杂性是指分析、设计、测试、维护、改变和理解软件的困难。复杂性分析旨在刻画软件自身特性带来的复杂性。目前有很多研究软件复杂性的方法,但大多数度量指标与软件的复杂性没有强相关性。已有成果指出单一方面的度量指标无法全面刻画软件复杂性。选择软件度量指标的难点在于找到一组可用的并且合适的指标,能精确计算、评价和预估软件未来的质量状态。本发明选定原始指标和抽象指标来度量软件中类的复杂性。
从软件风险的定义来看,严重性是描述后果发生后对软件系统造成的损失程度。这一定义的描述与相继故障理论不谋而合。另外,研究人员发现软件系统的拓扑结构可以抽象成网络结构,并且具有小世界和无标度等复杂网络特性。设计阶段产生的类图、对象图、序列图等UML模型反应了软件系统的拓扑结构,对象图的网络节点度分布服从幂律分布,是一个无标度网络,并且软件结构网络已被证实具有复杂网络特性。从而相继故障理论能被运用到软件风险评估中,解决软件风险评估中严重性无法定量度量的问题,以规避软件风险评估中领域专家的主观判断。
发明内容
本发明结合前人研究成果,从软件的基本结构组成单元--类为出发点度量软件中类的风险值,进而发现软件结构中的高风险类。按照已有的软件风险定义,从复杂性和严重性两个方面对类进行风险度量。
本发明的技术方案:
一种基于类图的软件结构风险评估方法,步骤如下:
(1)复杂性方面,综合运用改进后的CK度量、Halstead度量方法度量类的复杂性,筛选出类加权法WMC(Weighted Methods Per Class)、继承树深度DIT(Depth ofInheritance Tree)、类属性数量ATTS(Attributes Per Class)、类参数容量CPV(ClassParameters Volume)、类属性等级CAL(Class Attribute Level)五个评价指标,重点突出类本身的特性,评估维度和指标体系更加全面。
(2)严重性方面,以软件类图网络为基础,以类间耦合程度作为网络边的权值构造出一个加权网络,运用复杂网络中的相继故障理论度量类的严重性,重点突出类在软件整体结构中的地位。
(3)最后综合类的复杂性和严重性计算类的风险值。
本发明的有益效果:本发明能对软件结构风险进行定量度量,规避了现有方法中存在领域专家主观判断带来的对软件结构风险评估的不稳定性问题;本发明综合采用了原始指标、抽象指标和结构指标,将软件度量方法和复杂网络理论相结合,使得评价维度更加全面,提高了软件结构风险评估的合理性。
附图说明
图1是节点类关系图转化为节点类带权网络图示例示意图,其中a是节点类关系网络图;b是节点类带权网络图,边上的数值表示边的权值。
具体实施方式
以下结合附图和技术方案,进一步说明本发明的具体实施方式。
软件复杂性分析
为更好地刻画类的内聚性,本发明借鉴Halstead度量方法的思想,将方法中的参数分为两类,一类是程序语言基本类型参数;另一类是用户自定义类的类型参数。类的属性也有同样的分类。基于此分类,本发明提出类参数容量的概念和类属性等级的概念。
定义1:类参数容量CPV(Class Parameters Volume)
CPV=(N1+N2)log2(n1+n2) (1)
其中:N1表示类中出现的所有的基本类型的参数数量,N2表示类中出现的所有自定义类型的参数数量,n1表示类中唯一基本类型的参数数量,n2表示类中唯一自定义类型的参数数量。
定义2:类属性等级CAL(Class Attribute Level)
CAL=(2*a2)/ea1*A2 (2)
其中:A1表示类属性中所有的基本类型属性数量,A2表示类属性中所有的自定义类型属性数量,a1表示类属性中唯一基本类型属性数量,a2表示类属性中唯一自定义类型属性数量。
本发明使用WMC、DIT、ATTS、CPV、CAL五个指标度量一个类的复杂性。
其中WMC,DIT属于抽象指标,ATTS,CPV,CAL属于原始指标。当WMC中的权值设为1时,则WMC表示类中方法的数量。该指标越大,则该类被执行的概率越大,在程序中存活的时间就越长,类的功能越明确,越不能被重用。DIT指标度量了一个类到根节点类的最大继承深度,该值越大,则类的方法数量可能越多,其行为的复杂性越难预测。ATTS表示类中的属性数量,它与类是否存在缺陷具有强关联性。CPV的计算借鉴了Halstead的思想,旨在预判类所需的参数规模,一般而言类所需要的参数越多说明其自身的不确定性越强,与外界的交流越发频繁。CAL的计算借鉴了Halstead中关于程序语言抽象等级的计算思想,旨在突出自定义类型属性使得类不确定性增加的程度。
为了计算方便,引进基本简单类作为计算的参照物。
定义3:基本简单类。是指没有属性、没有方法、没有继承关系的类,其复杂性为0。
复杂度指标计算:根据定义3,基本简单类的各项指标均为0,该类为指标体系原点。离基本简单类越远,则类的复杂性越高。本发明采用两点间距离的方法复杂度的计算,如公式(3)所示,然后使用公式(4)归一化类的复杂性,保证其值在[0,1]范围内。
化简得:
其中Complexi表示类i的复杂性,Complexmax表示该软件系统中最大复杂性,Complexmin表示该软件系统中最小复杂性。
软件严重性分析
严重性是衡量故障发生后其造成后果的严重程度。复杂网络中相继故障理论刻画的是节点发生故障后对整体网络造成的损失程度。相继故障理论与严重性具有高度的一致性。因此本发明采用了复杂网络中的相继故障理论研究类的严重性。相比于传统方法中采用领域专家打分或者四级量表的方式度量严重性,本发明避免了领域专家的主观判断,并且具有成熟的理论依据;另外,将每个类放在整个网络中考虑其严重性,从整体角度刻画类,与类的复杂性分析形成完整的评价指标体系。
相继故障理论中的节点和边混合动态模型建立在带权网络上,因此为了建立描述节点故障传播的带权网络,首先需要确定类图网络中各节点边的权值。研究表明类间耦合与类发生故障之间存在强关联性。CK度量中的CBO(Coupling Between Object classes)用来刻画类间耦合关系的强弱,本发明采用改进后的CBO指标构建带权网络。
边的权重可以代表类间关系的强弱,关系越强则其级联效果越显著。本发明将类节点边的权重看作是类间耦合程度的反映。在UML类图中,类耦合通常有五种关系:泛化、组合、聚合、关联和依赖。这些关系的强弱顺序不同,一般认为它们的强弱排序结果为:泛化>组合>聚合>关联>依赖。对这五种关系的权值分配上采用如下所示:
W泛化=1.0,W组合=0.8,W聚合=0.7,W关联=0.5,W依赖=0.3
为了简化写法将其记为Wg=1.0,Wc=0.8,Wag=0.7,Was=0.5,Wd=0.3
为了度量类节点间权值,先给出关联耦合度量(ACM)、依赖耦合度量(DCM)、泛化耦合度量(GCM)的定义。
定义3:关联耦合度量:ACM是类T与类F所关联的成员数量。
ACM=|{d|T(a)=d∩a∈F(c)}| (5)
其中:F(c)表示类F所有成员变量的集合,T(a)表示类T中成员变量a的类型。
定义4:依赖耦合度量:DCM是类P依赖类T中成员的数量。
DCM=|{d|a∈P(m)∩T(a)=d}| (6)
其中:P(m)表示方法m的参数集、局部变量和返回值,T(a)表示类T中成员变量a的类型。
定义5:泛化耦合度量:GCM是类c是否继承(实现)类F。
其中:R(c)表示类c的父类集合或实现集合。
那么,节点类I与类J连边的权值实际上是度量了相连两个类的耦合类型强度,其值的计算方法如公式(8)所示。图1给出了根据节点类关系网图转化为权值网络图的示例。
EW(I,J)=∑Wr*Cm,Wr∈{Wg,Wc,Wag,Was,Wd},Cm∈{ACM,DCM,GCM} (8)
故障传播规则:在类图中,类间的关系是一种内在的逻辑关系。例如,类A继承类B,则继承关系由类A指向类B,而类A行为的变化不会影响类B,节点间的故障传播方向与UML继承关系指向相反。为了描述类图中节点类实际故障传播方向,本发明根据类间关系给出如下故障传播规则:
1)当两个类间关系为泛化关系时,若父类发生故障,则直接子类也发生故障;若子类发生故障则直接父类不受影响。
2)当两个类间关系为组合关系时,若整体类(实心菱形指向类)发生故障,则部分类(实心菱形指出类)也发生故障;若部分类发生故障,则整体类也发生故障。
3)当两个类间关系是聚合关系时,若整体类(空心菱形指向类)发生故障,则部分类(空心菱形指出类)不发生故障;若部分类发生故障,则整体类发生故障。
4)当两个类间关系是关联关系时,当类A中的属性或者方法调用了类B,若类B发生故障时,则类A也发生故障;反之,若类A发生故障,而类B不发生故障。当类A和类B不存在调用关系时,则无论哪一方发生故障,另一方都不发生故障;当类A和类B互相调用,这可以归属于第一种情况。
5)当两个类间关系是依赖关系时,如类A依赖类B,若类B发生故障,类A也发生故障;反之,若类A发生故障,类B不发生故障。
类的严重性描述类发生故障后对整体产生的破坏程度,本发明使用相继故障结束后整个网络平均效率E(G)来衡量网络破坏的程度。其中网络平均效率E(G)表达式如公式(9)所示,它描述了一个节点对整个加权网络的绝对影响值。在一个复杂的软件系统中,UML网络节点和边众多的情况下,E(G)值相对较小。为此,需要一个相对度量值——网络效率损失D,刻画相继故障结束后的网络平均效率相对原网络损失量的比例,其定义式如公式(10)所示。
其中N表示网络中的节点数,eij表示类节点i与类节点j连边的权值。
其中E(G0)表示正常状态下网络的平均效率,E(Gf)表示发生相继故障后网络稳态效率。
由于网络节点的严重性描述的是类发生故障后对整体产生的破坏程度,因此本发明采用网络效率损失的相对值D来进行度量,表示为严重性Severity=D。那么软件的严重性就可以通过D来定量度量。
风险度量
最后,根据传统的对风险值的计算方法,类i的风险值Riski由公式(11)计算。
Riski=Complexi*Severityi (11)
其中Complexi表示类i的复杂性,Severityi表示类i的严重性。
Claims (1)
1.一种基于类图的软件结构风险评估方法,其特征在于,步骤如下:
(1)软件复杂性分析
基于Halstead度量方法,将方法中的参数分为两类,一类是程序语言基本类型参数;另一类是用户自定义类的类型参数;类的属性也有同样的分类;基于此分类,提出类参数容量的概念和类属性等级的概念;
定义1:类参数容量CPV
CPV=(N1+N2)log2(n1+n2) (1)
其中:N1表示类中出现的所有的基本类型的参数数量,N2表示类中出现的所有自定义类型的参数数量,n1表示类中唯一基本类型的参数数量,n2表示类中唯一自定义类型的参数数量;
定义2:类属性等级CAL
CAL=(2*a2)/ea1*A2 (2)
其中:A2表示类属性中所有的自定义类型属性数量,a1表示类属性中唯一基本类型属性数量,a2表示类属性中唯一自定义类型属性数量;
使用WMC、DIT、ATTS、CPV、CAL五个指标度量一个类的复杂性;
其中WMC、DIT属于抽象指标,ATTS、CPV、CAL属于原始指标;当WMC中的权值设为1时,则WMC表示类中方法的数量,WMC越大,则类被执行的概率越大,在程序中存活的时间就越长,类的功能越明确,越不能被重用;DIT度量了一个类到根节点类的最大继承深度,DIT越大,则类的方法数量可能越多,其行为的复杂性越难预测;ATTS表示类中的属性数量,它与类是否存在缺陷具有强关联性;CPV的计算借鉴了Halstead的思想,旨在预判类所需的参数规模,类所需要的参数越多说明其自身的不确定性越强,与外界的交流越发频繁;CAL的计算借鉴了Halstead中关于程序语言抽象等级的计算思想,旨在突出自定义类型属性使得类不确定性增加的程度;
基本简单类,是指没有属性、没有方法、没有继承关系的类,其复杂性为0;
复杂度指标计算:根据基本简单类的定义,基本简单类的各项指标均为0,基本简单类为指标体系原点;离基本简单类越远,则类的复杂性越高;采用两点间距离的方法复杂度的计算,如公式(3)所示,然后使用公式(4)归一化类的复杂性,保证其值在[0,1]范围内;
化简得:
其中,Complexi表示类i的复杂性,Complexmax表示该软件系统中最大复杂性,Complexmin表示该软件系统中最小复杂性;
(2)软件严重性分析
严重性是衡量故障发生后其造成后果的严重程度;复杂网络中相继故障理论刻画的是节点发生故障后对整体网络造成的损失程度,相继故障理论与严重性具有高度的一致性;
相继故障理论中的节点和边混合动态模型建立在带权网络上,为了建立描述节点故障传播的带权网络,首先需要确定类图网络中各节点边的权值;类间耦合与类发生故障之间存在强关联性;CK度量中的CBO用来刻画类间耦合关系的强弱,采用改进后的CBO指标构建带权网络;
边的权重代表类间关系的强弱,关系越强则其级联效果越显著;将类节点边的权重看作是类间耦合程度的反映;在UML类图中,类耦合有五种关系:泛化、组合、聚合、关联和依赖;这些关系的强弱顺序不同,认为它们的强弱排序结果为:泛化>组合>聚合>关联>依赖;对这五种关系的权值分配上采用如下所示:
W泛化=1.0,W组合=0.8,W聚合=0.7,W关联=0.5,W依赖=0.3
简化写法将其记为Wg=1.0,Wc=0.8,Wag=0.7,Was=0.5,Wd=0.3
为了度量类节点间权值,先给出关联耦合度量ACM、依赖耦合度量DCM、泛化耦合度量GCM的定义;
关联耦合度量ACM:ACM是类T与类F所关联的成员数量;
ACM=|{d|T(a)=d∩a∈F(c)}| (5)
其中:F(c)表示类F所有成员变量的集合,T(a)表示类T中成员变量a的类型;
依赖耦合度量DCM:DCM是类P依赖类T中成员的数量;
DCM=|{d|a∈P(m)∩T(a)=d}| (6)
其中:P(m)表示方法m的参数集、局部变量和返回值,T(a)表示类T中成员变量a的类型;
泛化耦合度量GCM:GCM是类c是否继承类F;
其中:R(c)表示类c的父类集合或实现集合;
那么,节点类I与类J连边的权值实际上是度量了相连两个类的耦合类型强度,其值的计算方法如公式(8):
EW(I,J)=∑Wr*Cm,Wr∈{Wg,Wc,Wag,Was,Wd},Cm∈{ACM,DCM,GCM} (8)
故障传播规则:在类图中,类间的关系是一种内在的逻辑关系;
1)当两个类间关系为泛化关系时,若父类发生故障,则直接子类也发生故障;若子类发生故障则直接父类不受影响;
2)当两个类间关系为组合关系时,若整体类发生故障,则部分类也发生故障;若部分类发生故障,则整体类也发生故障;
3)当两个类间关系是聚合关系时,若整体类发生故障,则部分类不发生故障;若部分类发生故障,则整体类发生故障;
4)当两个类间关系是关联关系时,当类A中的属性或者方法调用了类B,若类B发生故障时,则类A也发生故障;反之,若类A发生故障,而类B不发生故障;当类A和类B不存在调用关系时,则无论哪一方发生故障,另一方都不发生故障;当类A和类B互相调用,这可以归属于第一种情况;
5)当两个类间关系是依赖关系时,如类A依赖类B,若类B发生故障,类A也发生故障;反之,若类A发生故障,类B不发生故障;
类的严重性描述类发生故障后对整体产生的破坏程度,使用相继故障结束后整个网络平均效率E(G)来衡量网络破坏的程度;其中网络平均效率E(G)表达式如公式(9)所示,描述一个节点对整个加权网络的绝对影响值;在一个复杂的软件系统中,UML网络节点和边众多的情况下,E(G)值相对较小;为此,需要一个相对度量值——网络效率损失D,刻画相继故障结束后的网络平均效率相对原网络损失量的比例,其定义式如公式(10)所示:
其中,N表示网络中的节点数,eij表示类节点i与类节点j连边的权值;
其中,E(G0)表示正常状态下网络的平均效率,E(Gf)表示发生相继故障后网络稳态效率;
由于网络节点的严重性描述的是类发生故障后对整体产生的破坏程度,因此本方法采用网络效率损失的相对值D来进行度量,表示为严重性Severity=D;
那么软件的严重性就通过D来定量度量;
(3)风险度量
最后,根据传统的对风险值的计算方法,类i的风险值Riski由公式(11)计算;
Riski=Complexi*Severityi (11)
其中Complexi表示类i的复杂性,Severityi表示类i的严重性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910509786.2A CN110322122B (zh) | 2019-06-13 | 2019-06-13 | 基于类图的软件结构风险评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910509786.2A CN110322122B (zh) | 2019-06-13 | 2019-06-13 | 基于类图的软件结构风险评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110322122A CN110322122A (zh) | 2019-10-11 |
CN110322122B true CN110322122B (zh) | 2023-03-24 |
Family
ID=68119634
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910509786.2A Active CN110322122B (zh) | 2019-06-13 | 2019-06-13 | 基于类图的软件结构风险评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110322122B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111782510B (zh) * | 2020-06-16 | 2022-10-18 | 大连理工大学 | 基于组件结构网络的软件可靠性评估方法 |
CN113222388A (zh) * | 2021-04-30 | 2021-08-06 | 中核武汉核电运行技术股份有限公司 | 一种微服务评价方法及装置 |
CN117311806B (zh) * | 2023-11-30 | 2024-03-29 | 南昌航空大学 | 基于加权有向耦合网络的软件结构风险识别方法与装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8769515B2 (en) * | 2009-03-23 | 2014-07-01 | International Business Machines Corporation | Semantic intensity based decomposition of software systems |
US9207935B2 (en) * | 2011-04-07 | 2015-12-08 | Infosys Limited | Early analysis of software design diagrams |
CN108549816A (zh) * | 2018-03-30 | 2018-09-18 | 北京理工大学 | 一种基于有向加权网络的软件安全性的量化评估方法 |
CN109828925A (zh) * | 2018-06-25 | 2019-05-31 | 北京航空航天大学 | 一种基于软件网络结构特征的软件可靠性度量方法 |
-
2019
- 2019-06-13 CN CN201910509786.2A patent/CN110322122B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8769515B2 (en) * | 2009-03-23 | 2014-07-01 | International Business Machines Corporation | Semantic intensity based decomposition of software systems |
US9207935B2 (en) * | 2011-04-07 | 2015-12-08 | Infosys Limited | Early analysis of software design diagrams |
CN108549816A (zh) * | 2018-03-30 | 2018-09-18 | 北京理工大学 | 一种基于有向加权网络的软件安全性的量化评估方法 |
CN109828925A (zh) * | 2018-06-25 | 2019-05-31 | 北京航空航天大学 | 一种基于软件网络结构特征的软件可靠性度量方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110322122A (zh) | 2019-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110322122B (zh) | 基于类图的软件结构风险评估方法 | |
CN106970788B (zh) | 一种基于时态的对象依赖关系发现方法和系统 | |
CN101963940A (zh) | 面向软件演化的可信性动态评估方法 | |
CN105721228A (zh) | 基于快速密度聚类的电力通信网节点重要性评估方法 | |
McAreavey et al. | Computational approaches to finding and measuring inconsistency in arbitrary knowledge bases | |
CN108549816B (zh) | 一种基于有向加权网络的软件安全性的量化评估方法 | |
Nassif et al. | A regression model with mamdani fuzzy inference system for early software effort estimation based on use case diagrams | |
CN111475899B (zh) | 基于超网络理论的数据链网络可靠性指标体系构建方法 | |
CN113392029B (zh) | 针对容器云平台不同层次的综合性能测试装置及方法 | |
CN113411821B (zh) | 一种复杂网络的体系重构能力测评方法及系统 | |
CN106919564A (zh) | 一种基于移动用户行为的影响力度量方法 | |
CN111967777A (zh) | 一种储能促进清洁能源利用价值的综合评价方法 | |
Gong et al. | A dynamic trust network and influence measure-based consensus model for large-scale group decision-making with incomplete intuitionistic fuzzy preference relations | |
CN108664728B (zh) | 一种基于复杂网络动态仿真的软件模块变更影响确定方法 | |
Hildrum et al. | Focused community discovery | |
CN111711530A (zh) | 基于社区拓扑结构信息的链接预测算法 | |
CN113010437B (zh) | 一种基于故障分析的软件系统可靠性管理方法及系统 | |
Falola et al. | Evaluation and Comparison of Metrics for XML Schema Languages. | |
CN112882914A (zh) | 开源软件生态系统健康性的多维度度量系统 | |
Zhang et al. | Approach to mine the modularity of software network based on the most vital nodes | |
CN114329867A (zh) | 一种基于模体的无标度网络鲁棒性度量方法 | |
CN113592663A (zh) | 一种基于社区度和结构洞的影响力最大化方法 | |
Goel et al. | Neuro fuzzy based approach to predict component's reusability | |
Cai et al. | Research on reliability model evaluation of satellite communication system | |
Amor et al. | Be a collaborator and a competitor in crowdsourcing system |
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 |