CN110968512B - 软件质量评估方法、装置、设备及计算机可读存储介质 - Google Patents
软件质量评估方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN110968512B CN110968512B CN201911204670.4A CN201911204670A CN110968512B CN 110968512 B CN110968512 B CN 110968512B CN 201911204670 A CN201911204670 A CN 201911204670A CN 110968512 B CN110968512 B CN 110968512B
- Authority
- CN
- China
- Prior art keywords
- software
- quality evaluation
- target
- software quality
- target index
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000011156 evaluation Methods 0.000 claims abstract description 30
- 230000004927 fusion Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000011449 brick Substances 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013522 software testing Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
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
- G06F11/3692—Test management for test results analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Stored Programmes (AREA)
Abstract
本发明公开了一种软件质量评估方法,该方法包括以下步骤:接收软件质量评估请求,对软件质量评估请求进行解析,得到待评估软件的目标指标属性信息;获取待评估软件中与目标指标属性信息对应的目标指标组;利用部署有与目标指标组对应的模糊规则库的模糊神经网络软件质量评估模型,对目标指标组中的各指标进行评估,输出待评估软件对应的目标软件质量评估结果。应用本发明实施例所提供的技术方案,提升了评估结果的准确性和客观性,简化了软件质量评估过程,较大地提升了软件质量评估效率。本发明还公开了一种软件质量评估装置、设备及存储介质,具有相应技术效果。
Description
技术领域
本发明涉及软件工程技术领域,特别是涉及一种软件质量评估方法、装置、设备及计算机可读存储介质。
背景技术
随着现代工程技术的不断发展,软件已经成为其中一个重要的独立分支,软件的重要性和复杂性也不断增加,且对可靠性和安全性等的要求也不断提高。与硬件可靠性快速提升相比,软件发展相对滞后,已成为制约系统可靠性和安全性水平进一步提高的瓶颈。基于多维质量属性的软件评估是实现软件可信、开展可信软件管理的核心基础,也是软件开发管理过程中亟需解决的问题之一。
传统的软件质量属性的评估方法大体上可以分为面向软件系统体系结构的评估方法和面向属性对象的评估方法两大类。面向软件体系结构的评估方法,主要是在软件设计开发早期,把非功能需求纳入或等同于软件功能需求,从软件体系结构的角度来设计、实现、度量并评估软件质量属性。面向属性对象的评估方法主要是在软件测试、使用过程中,通过重新构建或使用已有的软件质量属性各项评估指标,结合一定的模型或方法来度量与评估软件质量属性。
但是以上传统的软件质量评估方法,针对所有软件均采用设定好的指标集,针对指标集中的每个指标,其指标的权重一般由专家给定,且定性信息多是通过人的主观判断予以量化,存在着主观的随意性和思维的不确定性。另一方面,传统软件质量评估多采用简单的数学运算方法,忽略了各度量元与软件质量之间的非线性关系,所得到的结果难以真正反映软件质量的好坏。当度量的数据量很大时,传统的软件质量评估方法往往难以得到精确的评估结果,且计算过程复杂繁琐,软件质量评估效率低。
综上所述,如何有效地解决人为主观设置指标权重的随意性和思维的不确定性,造成的软件质量评估结果精确度低,计算过程复杂,软件质量评估效率低等问题,是目前本领域技术人员急需解决的问题。
发明内容
本发明的目的是提供一种软件质量评估方法,该方法提升了评估结果的准确性和客观性,简化了软件质量评估过程,较大地提升了软件质量评估效率;本发明的另一目的是提供一种软件质量评估方装置、设备及计算机可读存储介质。
为解决上述技术问题,本发明提供如下技术方案:
一种软件质量评估方法,包括:
接收软件质量评估请求,对所述软件质量评估请求进行解析,得到待评估软件的目标指标属性信息;
获取所述待评估软件中与所述目标指标属性信息对应的目标指标组;
利用部署有与所述目标指标组对应的模糊规则库的模糊神经网络软件质量评估模型,对所述目标指标组中的各指标进行评估,输出所述待评估软件对应的目标软件质量评估结果。
在本发明的一种具体实施方式中,对所述软件质量评估请求进行解析,得到待评估软件的目标指标属性信息,包括:
对所述软件质量评估请求进行解析,得到所述待评估软件的目标软件类型信息;
获取所述待评估软件中与所述目标指标属性信息对应的目标指标组,包括:
获取所述待评估软件中与所述目标软件类型信息对应的目标指标组。
在本发明的一种具体实施方式中,对所述软件质量评估请求进行解析,得到待评估软件的目标指标属性信息,包括:
对所述软件质量评估请求进行解析,得到所述待评估软件的目标安全重要等级信息;
获取所述待评估软件中与所述目标指标属性信息对应的目标指标组,包括:
获取所述待评估软件中与所述目标安全重要等级信息对应的目标指标组。
在本发明的一种具体实施方式中,利用部署有与所述目标指标组对应的模糊规则库的模糊神经网络软件质量评估模型,对所述目标指标组中的各指标进行评估,包括:
利用部署有与所述目标指标组对应的规则融合模糊规则库的模糊神经网络软件质量评估模型,对所述目标指标组中的各指标进行评估。
在本发明的一种具体实施方式中,利用部署有与所述目标指标组对应的规则融合模糊规则库的模糊神经网络软件质量评估模型,对所述目标指标组中的各指标进行评估,包括:
利用部署有与所述目标指标组对应的规则融合模糊规则库,且依据最优化目标及隐含层最小设置原则进行学习训练迭代后的模糊神经网络软件质量评估模型,对所述目标指标组中的各指标进行评估。
一种软件质量评估装置,包括:
属性信息获得模块,用于接收软件质量评估请求,对所述软件质量评估请求进行解析,得到待评估软件的目标指标属性信息;
指标组获取模块,用于获取所述待评估软件中与所述目标指标属性信息对应的目标指标组;
评估结果输出模块,用于利用部署有与所述目标指标组对应的模糊规则库的模糊神经网络软件质量评估模型,对所述目标指标组中的各指标进行评估,输出所述待评估软件对应的目标软件质量评估结果。
在本发明的一种具体实施方式中,所述属性信息获得模块具体为对所述软件质量评估请求进行解析,得到所述待评估软件的目标软件类型信息的模块;
所述指标组获取模块具体为获取所述待评估软件中与所述目标软件类型信息对应的目标指标组的模块。
在本发明的一种具体实施方式中,所述属性信息获得模块具体为对所述软件质量评估请求进行解析,得到所述待评估软件的目标安全重要等级信息的模块;
所述指标组获取模块具体为获取所述待评估软件中与所述目标安全重要等级信息对应的目标指标组的模块。
一种软件质量评估设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如前所述软件质量评估方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如前所述软件质量评估方法的步骤。
本发明提供了一种软件质量评估方法:接收软件质量评估请求,对软件质量评估请求进行解析,得到待评估软件的目标指标属性信息;获取待评估软件中与目标指标属性信息对应的目标指标组;利用部署有与目标指标组对应的模糊规则库的模糊神经网络软件质量评估模型,对目标指标组中的各指标进行评估,输出待评估软件对应的目标软件质量评估结果。
通过上述技术方案可知,通过根据待评估软件本身的目标指标属性信息,筛选出与目标指标属性信息匹配的目标指标组,过滤掉与目标指标属性信息无关的指标,并预先设置部署有与目标指标组对应的模糊规则库的模糊神经网络软件质量评估模型用于指标评估,引入模糊规则推理方法表征和处理领域专家在评估时的经验和知识,在推理过程中没有涉及权重计算,减少主观的随意性和思维的不确定性对评估结果的影响,避免了计算过程中的人为误差因素,提升了评估结果的准确性和客观性,简化了软件质量评估过程,较大地提升了软件质量评估效率。
相应的,本发明实施例还提供了与上述软件质量评估方法相对应的软件质量评估装置、设备和计算机可读存储介质,具有上述技术效果,在此不再赘述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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为本发明实施例中软件质量评估方法的一种实施流程图;
图2为本发明实施例中软件质量评估方法的另一种实施流程图;
图3为本发明实施例中软件质量评估方法的另一种实施流程图;
图4为本发明实施例中一种软件质量评估装置的结构框图;
图5为本发明实施例中一种软件质量评估设备的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一:
参见图1,图1为本发明实施例中软件质量评估方法的一种实施流程图,该方法可以包括以下步骤:
S101:接收软件质量评估请求,对软件质量评估请求进行解析,得到待评估软件的目标指标属性信息。
当需要对某软件进行软件质量评估时,可以向软件质量评估中心发送软件质量评估请求,软件质量评估请求包含待评估软件的目标指标属性信息。软件质量评估中心接收软件质量评估请求,并对软件质量评估请求进行解析,得到待评估软件的目标指标属性信息。指标属性信息一般指底层指标属性信息,可以包括指标类型信息、指标安全重要等级信息等。如可以依据待评估软件的设计分析属性、内部结构属性以及相应软件测试评价属性等上层指标属性信息,确定相应的底层指标属性信息。
S102:获取待评估软件中与目标指标属性信息对应的目标指标组。
可以预先设置各指标属性信息与各指标组之间的对应关系,指标组中的指标可包括平均圈复杂度、软件总注释率、软件嵌套深度、控制流覆盖率、数据流覆盖率、测试用例密度等,当解析得到待评估软件的目标指标属性信息之后,可以获取待评估软件中与目标指标属性信息对应的目标指标组。通过根据待评估软件本身的目标指标属性信息,筛选出与目标指标属性信息匹配的目标指标组,从而过滤掉与目标指标属性信息无关的指标,相较于现有的针对所有软件均采用设定好的指标集,针对指标集中的每个指标,所有指标均参与软件质量评估的方式,本发明实施例较大地简化了软件质量评估过程,较大地提升了软件质量评估效率。
S103:利用部署有与目标指标组对应的模糊规则库的模糊神经网络软件质量评估模型,对目标指标组中的各指标进行评估,输出待评估软件对应的目标软件质量评估结果。
可以预先生成与目标指标组对应的模糊规则库,模糊规则库中的模糊推理规则可以采用If-Then规则,表示为:
前提1(规则Rk):If x1为A1k,xz为Azk……,xn为Ank,Then yk为Bk;
前提2(事实):If x1为A1 *,x2为A2 *……,xn为An *;
后件(结论):Then y为B*;
其中,Rk表示第k条模糊规则,k=1,…m;x1,…xn为输入指标,n为指标数量;y为输出变量,Ak,A*,Bk,B*为模糊集。
在生成模糊规则库之后,将模糊规则库部署于预先建立的软件质量评估模型,通过利用模糊规则库中的各模糊规则对预先获取的输入指标进行模糊理论处理,得到网络学习样本,形成模糊神经网络软件质量评估模型。模糊神经网络软件质量评估模型中的模糊神经网络系统可以由4层网络组成,第1层为n个指标输入节点;第2层为评估模糊指标(m维模糊集合)的n*m个模糊隶属度节点,指标输入节点与模糊隶属度节点之间通过隶属度传递函数联接。第3层为基于推理规则学习的隐含节点,节点数量根据输入节点数量和模糊规则数确定。第4层则为输出层,根据输出结果,利用最大隶属度法判断软件质量等级。
在获取到待评估软件中与目标指标属性信息对应的目标指标组之后,可以利用部署有与目标指标组对应的模糊规则库的模糊神经网络软件质量评估模型,对目标指标组中的各指标进行评估,输出待评估软件对应的目标软件质量评估结果。
通过上述技术方案可知,通过根据待评估软件本身的目标指标属性信息,筛选出与目标指标属性信息匹配的目标指标组,过滤掉与目标指标属性信息无关的指标,并预先设置部署有与目标指标组对应的模糊规则库的模糊神经网络软件质量评估模型用于指标评估,引入模糊规则推理方法表征和处理领域专家在评估时的经验和知识,在推理过程中没有涉及权重计算,减少主观的随意性和思维的不确定性对评估结果的影响,避免了计算过程中的人为误差因素,提升了评估结果的准确性和客观性,简化了软件质量评估过程,较大地提升了软件质量评估效率。
需要说明的是,基于上述实施例一,本发明实施例还提供了相应的改进方案。在后续实施例中涉及与上述实施例一中相同步骤或相应步骤之间可相互参考,相应的有益效果也可相互参照,在下文的改进实施例中不再一一赘述。
参见图2,图2为本发明实施例中软件质量评估方法的另一种实施流程图,该方法可以包括以下步骤:
S201:接收软件质量评估请求,对软件质量评估请求进行解析,得到待评估软件的目标软件类型信息。
通过对软件质量评估请求进行解析,可以具体得到待评估软件的目标软件类型信息。如可以确定待评估软件为办公软件、互联网软件、多媒体软件、分析软件、协作软件和商务软件中的具体哪一类软件。
S202:获取待评估软件中与目标软件类型信息对应的目标指标组。
可以预先存储各软件类型与各指标组之间的对应关系,针对不同类型的软件,指标数量也可有所增减,在解析得到待评估软件的目标软件类型信息之后,可以获取待评估软件中与目标软件类型信息对应的目标指标组。
S203:利用部署有与目标指标组对应的规则融合模糊规则库,且依据最优化目标及隐含层最小设置原则进行学习训练迭代后的模糊神经网络软件质量评估模型,对目标指标组中的各指标进行评估,输出待评估软件对应的目标软件质量评估结果。
在生成模糊规则库之后,对于模糊规则库中存在的规则冗余现象,即规则前提条件不一致,而结果几乎相同,可依据专家经验进行规则融合以避免对网络学习的收敛存在影响。针对可能存在的学习困难、规则组合呈指数式爆炸等问题,采用融合神经网络,建立基于模糊神经网络推理的软件质量评估框架,使得软件质量评估速度得到较大提升。
模糊神经网络软件质量评估模型在网络训练过程中可以具体采用变学习率算法,网络初始参数由系统自动赋值,在通过利用模糊规则库中的各模糊规则对预先获取的输入指标进行模糊理论处理,得到网络学习样本之后,可以依据最优化目标及隐含层最小设置原则进行学习训练迭代,当输入指标过多,当前网络的学习记忆能力有限时,则可采用多个隐含层来存储知识,具体采用“砖瓦结构法”来确定隐含层节点数量,即从一个较小的网络拓扑结构开始,逐渐增加网络的隐含节点,最终在以学习样本集上的最小迭代步骤以及最短收敛耗时的网络拓扑结构为选定的系统结构,从而得到部署有与目标指标组对应的规则融合模糊规则库,且依据最优化目标及隐含层最小设置原则进行学习训练迭代后的模糊神经网络软件质量评估模型。利用得到的模糊神经网络软件质量评估模型对目标指标组中的各指标进行评估,给出最终的系统推理结果,依据推理结果可进行后续的软件状态判断及决策,输出待评估软件对应的目标软件质量评估结果。
实施例三:
参见图3,图3为本发明实施例中软件质量评估方法的另一种实施流程图,该方法可以包括以下步骤:
S301:接收软件质量评估请求,对软件质量评估请求进行解析,得到待评估软件的目标安全重要等级信息。
通过对软件质量评估请求进行解析,可以具体得到待评估软件的目标安全重要等级信息。如可以预先设置高、中、低三种安全重要等级,可以确定待评估软件的目标安全重要等级信息具体为高、中、低三种安全重要等级中的哪一安全重要等级。
S302:获取待评估软件中与目标安全重要等级信息对应的目标指标组。
可以预先存储各安全重要等级信息与各指标组之间的对应关系,针对不同安全重要等级的软件,指标数量也可有所增减,在得到待评估软件的目标安全重要等级信息之后,可以获取待评估软件中与目标安全重要等级信息对应的目标指标组。
S303:利用部署有与目标指标组对应的规则融合模糊规则库,且依据最优化目标及隐含层最小设置原则进行学习训练迭代后的模糊神经网络软件质量评估模型,对目标指标组中的各指标进行评估,输出待评估软件对应的目标软件质量评估结果。
相应于上面的方法实施例,本发明实施例还提供了一种软件质量评估装置,下文描述的软件质量评估装置与上文描述的软件质量评估方法可相互对应参照。
参见图4,图4为本发明实施例中一种软件质量评估装置的结构框图,该装置可以包括:
属性信息获得模块41,用于接收软件质量评估请求,对软件质量评估请求进行解析,得到待评估软件的目标指标属性信息;
指标组获取模块42,用于获取待评估软件中与目标指标属性信息对应的目标指标组;
评估结果输出模块43,用于利用部署有与目标指标组对应的模糊规则库的模糊神经网络软件质量评估模型,对目标指标组中的各指标进行评估,输出待评估软件对应的目标软件质量评估结果。
通过上述技术方案可知,通过根据待评估软件本身的目标指标属性信息,筛选出与目标指标属性信息匹配的目标指标组,过滤掉与目标指标属性信息无关的指标,并预先设置部署有与目标指标组对应的模糊规则库的模糊神经网络软件质量评估模型用于指标评估,引入模糊规则推理方法表征和处理领域专家在评估时的经验和知识,在推理过程中没有涉及权重计算,减少主观的随意性和思维的不确定性对评估结果的影响,避免了计算过程中的人为误差因素,提升了评估结果的准确性和客观性,简化了软件质量评估过程,较大地提升了软件质量评估效率。
在本发明的一种具体实施方式中,属性信息获得模块41具体为对软件质量评估请求进行解析,得到待评估软件的目标软件类型信息的模块;
指标组获取模块42具体为获取待评估软件中与目标软件类型信息对应的目标指标组的模块。
在本发明的一种具体实施方式中,属性信息获得模块41具体为对软件质量评估请求进行解析,得到待评估软件的目标安全重要等级信息的模块;
指标组获取模块42具体为获取待评估软件中与目标安全重要等级信息对应的目标指标组的模块。
在本发明的一种具体实施方式中,评估结果输出模块43包括指标评估子模块,
指标评估子模块具体为利用部署有与目标指标组对应的规则融合模糊规则库的模糊神经网络软件质量评估模型,对目标指标组中的各指标进行评估的模块。
在本发明的一种具体实施方式中,评估结果输出模块43包括指标评估子模块,
指标评估子模块具体为利用部署有与目标指标组对应的规则融合模糊规则库,且依据最优化目标及隐含层最小设置原则进行学习训练迭代后的模糊神经网络软件质量评估模型,对目标指标组中的各指标进行评估的模块。
相应于上面的方法实施例,参见图5,图5为本发明所提供的软件质量评估设备的示意图,该设备可以包括:
存储器51,用于存储计算机程序;
处理器52,用于执行上述存储器51存储的计算机程序时可实现如下步骤:
接收软件质量评估请求,对软件质量评估请求进行解析,得到待评估软件的目标指标属性信息;获取待评估软件中与目标指标属性信息对应的目标指标组;利用部署有与目标指标组对应的模糊规则库的模糊神经网络软件质量评估模型,对目标指标组中的各指标进行评估,输出待评估软件对应的目标软件质量评估结果。
对于本发明提供的设备的介绍请参照上述方法实施例,本发明在此不做赘述。
相应于上面的方法实施例,本发明还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时可实现如下步骤:
接收软件质量评估请求,对软件质量评估请求进行解析,得到待评估软件的目标指标属性信息;获取待评估软件中与目标指标属性信息对应的目标指标组;利用部署有与目标指标组对应的模糊规则库的模糊神经网络软件质量评估模型,对目标指标组中的各指标进行评估,输出待评估软件对应的目标软件质量评估结果。
该计算机可读存储介质可以包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
对于本发明提供的计算机可读存储介质的介绍请参照上述方法实施例,本发明在此不做赘述。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置、设备及计算机可读存储介质而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的技术方案及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.一种软件质量评估方法,其特征在于,包括:
接收软件质量评估请求,对所述软件质量评估请求进行解析,得到待评估软件本身的目标指标属性信息;
获取所述待评估软件中与所述目标指标属性信息对应的目标指标组;
利用部署有与所述目标指标组对应的模糊规则库的模糊神经网络软件质量评估模型,对所述目标指标组中的各指标进行评估,输出所述待评估软件对应的目标软件质量评估结果。
2.根据权利要求1所述的软件质量评估方法,其特征在于,对所述软件质量评估请求进行解析,得到待评估软件的目标指标属性信息,包括:
对所述软件质量评估请求进行解析,得到所述待评估软件的目标软件类型信息;
获取所述待评估软件中与所述目标指标属性信息对应的目标指标组,包括:
获取所述待评估软件中与所述目标软件类型信息对应的目标指标组。
3.根据权利要求1所述的软件质量评估方法,其特征在于,对所述软件质量评估请求进行解析,得到待评估软件的目标指标属性信息,包括:
对所述软件质量评估请求进行解析,得到所述待评估软件的目标安全重要等级信息;
获取所述待评估软件中与所述目标指标属性信息对应的目标指标组,包括:
获取所述待评估软件中与所述目标安全重要等级信息对应的目标指标组。
4.根据权利要求1至3任一项所述的软件质量评估方法,其特征在于,利用部署有与所述目标指标组对应的模糊规则库的模糊神经网络软件质量评估模型,对所述目标指标组中的各指标进行评估,包括:
利用部署有与所述目标指标组对应的规则融合模糊规则库的模糊神经网络软件质量评估模型,对所述目标指标组中的各指标进行评估。
5.根据权利要求4所述的软件质量评估方法,其特征在于,利用部署有与所述目标指标组对应的规则融合模糊规则库的模糊神经网络软件质量评估模型,对所述目标指标组中的各指标进行评估,包括:
利用部署有与所述目标指标组对应的规则融合模糊规则库,且依据最优化目标及隐含层最小设置原则进行学习训练迭代后的模糊神经网络软件质量评估模型,对所述目标指标组中的各指标进行评估。
6.一种软件质量评估装置,其特征在于,包括:
属性信息获得模块,用于接收软件质量评估请求,对所述软件质量评估请求进行解析,得到待评估软件本身的目标指标属性信息;
指标组获取模块,用于获取所述待评估软件中与所述目标指标属性信息对应的目标指标组;
评估结果输出模块,用于利用部署有与所述目标指标组对应的模糊规则库的模糊神经网络软件质量评估模型,对所述目标指标组中的各指标进行评估,输出所述待评估软件对应的目标软件质量评估结果。
7.根据权利要求6所述的软件质量评估装置,其特征在于,所述属性信息获得模块具体为对所述软件质量评估请求进行解析,得到所述待评估软件的目标软件类型信息的模块;
所述指标组获取模块具体为获取所述待评估软件中与所述目标软件类型信息对应的目标指标组的模块。
8.根据权利要求6所述的软件质量评估装置,其特征在于,所述属性信息获得模块具体为对所述软件质量评估请求进行解析,得到所述待评估软件的目标安全重要等级信息的模块;
所述指标组获取模块具体为获取所述待评估软件中与所述目标安全重要等级信息对应的目标指标组的模块。
9.一种软件质量评估设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至5任一项所述软件质量评估方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述软件质量评估方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911204670.4A CN110968512B (zh) | 2019-11-29 | 2019-11-29 | 软件质量评估方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911204670.4A CN110968512B (zh) | 2019-11-29 | 2019-11-29 | 软件质量评估方法、装置、设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110968512A CN110968512A (zh) | 2020-04-07 |
CN110968512B true CN110968512B (zh) | 2021-06-01 |
Family
ID=70032298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911204670.4A Expired - Fee Related CN110968512B (zh) | 2019-11-29 | 2019-11-29 | 软件质量评估方法、装置、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110968512B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112199293A (zh) * | 2020-10-19 | 2021-01-08 | 平安国际智慧城市科技股份有限公司 | 软件质量评价方法、装置、终端设备及存储介质 |
CN113269540B (zh) * | 2021-07-14 | 2021-10-22 | 支付宝(杭州)信息技术有限公司 | 专家系统的更新方法、业务处理方法及装置 |
CN113626070B (zh) * | 2021-08-06 | 2023-10-31 | 上海浦东发展银行股份有限公司 | 代码质量指标的配置方法、装置、设备及存储介质 |
CN114816963B (zh) * | 2022-06-28 | 2022-09-20 | 南昌航空大学 | 嵌入式软件质量评估方法、系统、计算机及可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102799531A (zh) * | 2012-07-26 | 2012-11-28 | 浪潮电子信息产业股份有限公司 | 一种基于层次分析理论的软件测试方法 |
CN104881609A (zh) * | 2015-05-29 | 2015-09-02 | 中国石油大学(华东) | 一种复杂软件系统软件单元可信性评估方法 |
CN109117380A (zh) * | 2018-09-28 | 2019-01-01 | 中国科学院长春光学精密机械与物理研究所 | 一种软件质量评价方法、装置、设备及可读存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10552292B2 (en) * | 2016-08-18 | 2020-02-04 | Proov Systems Ltd. | System, method and computer product for management of proof-of-concept software pilots, including neural network-based KPI prediction |
CN109408396A (zh) * | 2018-11-12 | 2019-03-01 | 中国科学院长春光学精密机械与物理研究所 | 软件质量评价方法、装置、设备及计算机可读存储介质 |
-
2019
- 2019-11-29 CN CN201911204670.4A patent/CN110968512B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102799531A (zh) * | 2012-07-26 | 2012-11-28 | 浪潮电子信息产业股份有限公司 | 一种基于层次分析理论的软件测试方法 |
CN104881609A (zh) * | 2015-05-29 | 2015-09-02 | 中国石油大学(华东) | 一种复杂软件系统软件单元可信性评估方法 |
CN109117380A (zh) * | 2018-09-28 | 2019-01-01 | 中国科学院长春光学精密机械与物理研究所 | 一种软件质量评价方法、装置、设备及可读存储介质 |
Non-Patent Citations (2)
Title |
---|
利用并行神经网络进行航天软件质量评价;宋元章等;《哈尔滨工程大学学报》;20190917;第595-600页 * |
基于相似度量的模糊支持向量机算法研究;王宇凡等;《微电子学与计算机》;20141231;第112-116页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110968512A (zh) | 2020-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110968512B (zh) | 软件质量评估方法、装置、设备及计算机可读存储介质 | |
CN111124840B (zh) | 业务运维中告警的预测方法、装置与电子设备 | |
CN109359385B (zh) | 一种服务质量评估模型的训练方法及装置 | |
CN109117380B (zh) | 一种软件质量评价方法、装置、设备及可读存储介质 | |
CN110610242A (zh) | 一种联邦学习中参与者权重的设置方法及装置 | |
CN110232434A (zh) | 一种基于属性图优化的神经网络架构评估方法 | |
CN108898261A (zh) | 一种基于环保大数据的空气质量监测方法及系统 | |
CN112101525A (zh) | 一种通过nas设计神经网络的方法、装置和系统 | |
CN111445008A (zh) | 一种基于知识蒸馏的神经网络搜索方法及系统 | |
CN114418035A (zh) | 决策树模型生成方法、基于决策树模型的数据推荐方法 | |
CN112668809B (zh) | 建立自闭症儿童康复效果预测模型的方法 | |
CN110297712A (zh) | 一种面向区块链节点负载预测的arima组合预测方法 | |
CN114970353A (zh) | 基于缺失数据填充的mswi过程二噁英排放软测量方法 | |
CN110288878A (zh) | 自适应学习方法及装置 | |
CN113190457A (zh) | 面向网络化系统的软件可靠性测评方法 | |
CN110232151B (zh) | 一种混合概率分布检测的QoS预测模型的构建方法 | |
CN111126560A (zh) | 一种基于云遗传算法优化bp神经网络的方法 | |
CN114330090A (zh) | 一种缺陷检测方法、装置、计算机设备和存储介质 | |
Yang et al. | Hierarchical reinforcement learning for conversational recommendation with knowledge graph reasoning and heterogeneous questions | |
CN116681291B (zh) | 一种基于集成模型的风控预测方法及系统 | |
CN116302874A (zh) | 模型能力测试方法、装置、电子设备、存储介质及产品 | |
CN111783930A (zh) | 一种基于路径状态的神经网络测试充分性评估方法 | |
CN113627655B (zh) | 一种配电网灾前故障场景模拟预测方法及装置 | |
CN113393023B (zh) | 模具质量评估方法、装置、设备及存储介质 | |
CN113379392A (zh) | 一种众包场景中针对数值任务获取高质量数据的方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210601 |
|
CF01 | Termination of patent right due to non-payment of annual fee |