CN111143201A - 基于Bayes的军用软件质量度量系统 - Google Patents
基于Bayes的军用软件质量度量系统 Download PDFInfo
- Publication number
- CN111143201A CN111143201A CN201911300145.2A CN201911300145A CN111143201A CN 111143201 A CN111143201 A CN 111143201A CN 201911300145 A CN201911300145 A CN 201911300145A CN 111143201 A CN111143201 A CN 111143201A
- Authority
- CN
- China
- Prior art keywords
- software
- quality
- military
- bayes
- software quality
- 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
Links
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
- G06F11/3604—Software analysis for verifying properties of programs
- G06F11/3608—Software analysis for verifying properties of programs using formal methods, e.g. model checking, abstract interpretation
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Mathematical Optimization (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Computer Hardware Design (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Stored Programmes (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明属于软件测评相关技术领域,具体涉及一种基于Bayes的军用软件质量度量系统,其基于国军标《GJB5236‑2004军用软件质量度量》所规定的质量模型,并利用人工智能理论中Bayes的推理网络,提出了一种基于Bayes的军用软件质量度量系统。该系统以概率的形式描述了各个度量元对军用软件质量的影响,并且以概率的形式定量描述了军用软件质量的好坏。对比国内外软件质量度量方案,本发明的技术方案提高军用软件质量度量的准确性、可靠性。
Description
技术领域
本发明属于软件测评相关技术领域,具体涉及一种基于Bayes的军用软件质量度量系统。
背景技术
在军工产品研制过程中,软件的规模和重要程度日益增加,如何评价型号软件的质量,是一个被军方和型号总师广泛关注的问题。
一方面,虽然软件质量度量的模型有多种,但是软件质量好或坏,没有确定的内涵和外延,存在一定的模糊性。另一方面,我国为军用软件制定了国家军用标准《GJB5236-2004军用软件质量度量》,国外(ISO/IEC 25051:2014)或者民用(GB/T25000.51-2016)采用的软件质量度量标准不同,所以研究成果不适合直接用于军用软件质量度量。如:McCall软件质量模型为三层结构,最高层的质量要素,从11个方面对软件质量提出要求;中层为软件属性,用作主观评价准则;最低一层为软件属性的度量,一般分级范围从0(最低)到10(最高)。使用主观评价准则对反映质量特性的软件属性进行分级,并以此来估计软件质量特性的值。而我国的国家军用标准《GJB5236-2004军用软件质量度量》中,也规定了软件质量模型。最高层是外部质量和内部质量;中间是6个特性(功能性、可靠性、易用性、效率、维护性和可移植性);最底层是将这6个特性细分为若干的子特性,但由于军用软件质量度量模型与国外或民用的模型不同,无法使用国外或民用的研究成果。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是:如何解决军用软件质量度量标准中无法定量的问题。
(二)技术方案
为解决上述技术问题,本发明提供一种基于Bayes的军用软件质量度量系统,所述军用软件质量度量系统包括:军用软件质量度量推理网络生成模块、质量度量数据获取模块、软件质量评价模块;其中,
所述军用软件质量度量推理网络生成模块用于基于Bayes算法推理网络,以及国军标《GJB5236-2004军用软件质量度量》所规定的软件外部质量和内部质量的质量模型,将国军标《GJB5236-2004军用软件质量度量》所规定的最高层为“外部质量和内部质量”,中间层为“功能性、可靠性、易用性、效率、维护性和可移植性”6个特性,底层为6个特性对应的若干“子特性”,以上述特性作为Bayes算法推理网络前三层的“叶”节点,底层的“叶”节点是对证据“子特性”的观察,前三层之间的弧代表证据对结论的充分性和必要性,后一层的弧代表该次观察的可信度,由此构建基于Bayes的军用软件质量度量推理网络;
所述质量度量数据获取模块用于在所述军用软件质量度量推理网络生成模块构建的基于Bayes的军用软件质量度量推理网络的基础上,依据Bayes推理方法,获取基于Bayes的军用软件质量度量数据;
所述软件质量评价模块用于根据所述质量度量数据获取模块计算的军用软件质量度量数据,划分软件质量评价区间,确定软件质量好坏。
其中,所述Bayes算法推理网络为:
所述Bayes算法推理网络是用于表示变量间连接概率的一种图形模式,其提供了一种自然的表示因果信息的方法,用来发现数据间的潜在关系。网络中,节点表示变量,有向边表示变量之间的规则或关系;
Bayes算法推理网络中,把所有的规则连接成一个有向图,图中每一个“叶”节点代表假设结论,弧则代表规则,并引入两个数值(LS,LN)与每一条弧相联系,用来度量规则成立的充分性和必要性;对于初始证据E,其先验概率为P(E),用C(E,S)表示用户根据观察S给出证据E的后验概率P(E|S)的可信度。
其中,所述国军标《GJB5236-2004军用软件质量度量》所规定的内容如下:
引入国军标《GJB5236-2004军用软件质量度量》所规定的软件外部质量和内部质量的质量模型,最高层是外部质量和内部质量,中间是6个特性,包括功能性、可靠性、易用性、效率、维护性和可移植性,最底层是将这6个特性细分为若干的子特性。
其中,所述构建基于Bayes的军用软件质量度量推理网络过程的具体解析如下:
军用软件质量度量推理网络中,定义H0对应“外部质量和内部质量”,定义H1~H6分别对应于“功能性、可靠性、易用性、效率、维护性和可移植性”;
以功能性为例,E11~E15分别对应于功能性下的5个质量子特性,其他的证据E含义与此类似,S11代表用户对证据E11的观察,C(E|S)代表该次观察的可信度,(LS,LN)代表相应证据E对结论H的充分性和必要性;其他5种特性,包括可靠性、易用性、效率、维护性和可移植性与功能性的分解类似。
其中,所述Bayes推理方法的原理如下:
Bayes算法推理网络中的C(E,S)表示用户根据观察S给出证据E的后验概率P(E|S)的可信度;
C(E,S)和P(E|S)的关系规定为分段线性插值的关系,关系如下:
推理网络把一些证据和一些重要的假设结论连接起来;“叶”节点是获取的证据,其他“叶”节点就是结论假设;推理开始时,每一个陈述的真假是未知的,当获得一个证据后,有些结论就被明确地建立起来;而其他结论也有了某种程度的接近,一般每个结论H附上一个概率值,P(H),称为先验概率,推理网络中的连接是测定一个结论的概率变化是如何地影响了其他结论;其基本推理公式为:
将公式(1)代入公式(2),得到用可信度C(E|S)计算P(H|S)的公式:
这样,当用初始证据E进行推理时,根据C(E|S),通过公式(3)计算P(H|S);当用推理过程中得到的中间结论作为证据进行推理时,通过公式(2)计算P(H|S);
若有n条知识都支持相同的结论,而且每条知识的前提条件所对应的证据Ei(i=1,2,…,n)都有相应的观察Si与之相对应,此时运用公式(4)先对每条知识分别计算出O(H|Si):
然后运用公式(5)计算出O(H|S1,S2,…,Sn):
最后利用公式(6)计算出P(H|S1,S2,…,Sn):
其中,所述质量度量数据获取模块获取基于Bayes的军用软件质量度量数据的步骤如下:
步骤21:用户初步给出军用软件内部质量和外部质量为“好”的先验概率值P(H0),范围为[0,1];用户分别初步给出功能性、可靠性、易用性、效率、维护性和可移植性为“好”的先验概率值P(H1)~P(H6),范围为[0,1];用户给出每个证据E的可信度C(E|S)或P(E|S),根据公式1计算P(E|S)或C(E|S);用户给出每个弧(规则)线上的(LS,LN)值,用来度量规则成立的充分性和必要性;
以功能性(H1)的子特性“适合性”E11为例计算军用软件质量度量数据,其他子特性E12~E15的计算公式合步骤与E11类似;
步骤22:计算功能性H1的子特性“适合性”E11为真时,功能性H1的后验概率P(H1|E11);以及“适合性”E11为假时,功能性H1的后验概率P(H1|~E11):
计算P(H1|E12)…P(H1|E15)和上述过程类似;
步骤23:计算观察适合性之后,功能性的后验概率P(H1|S11),以及观察适合性之后,功能性的几率函数O(H1|S11):
可信度为C(E|S)情况下,则用公式(9):
可信度为P(E|S)情况下,则用(10)式:
计算P(H1|S12)…P(H1|S15),O(H1|S12)…O(H1|S15)与上述过程类似;
步骤24:计算观察功能性下5个度量元,适合性、准确性、户操作性、安全保密性、功能性的依从性之后功能性的几率函数O(H1|S11,S12,…,S15)和功能性的后验概率P(H1|S11,S12,…,S15):
步骤25:计算观察功能性后,软件外部或者内部质量的后验概率P(H0|H1):
步骤26:为了简化表示方法,将S11,S12,…,S15简化为S1;现在需要计算观察功能性下5个度量元后,软件外部或者内部质量为好的后验概率P(H0|S1)以及几率函数O(H0|S1):
步骤27:通过上述计算,利用“功能性”及其子特性相关的证据更新了“软件内部质量和外部质量”为“好”的概率值,以此概率值作为新的先验概率值,对可靠性分支,运用同样的方法,重复公式(1)~公式(6),将P(H0|S1)更新为P(H0|S1,S2);接着再运用同样的方法,对易用性、效率性、维护性、和可移植性进行相应的计算,最后得到P(H0|S1,S2…,S6),即军用软件质量度量数据。
其中,所述软件质量评价模块在获得军用软件质量度量数据P(H0|S1,S2…,S6)的值后,如软件技术要求中有明确规定的评价指标,则软件质量评价模块使用该评价指标作为软件质量评价区间,与本结果P(H0|S1,S2…,S6)的值进行比对,确定软件质量好坏。
其中,所述软件质量评价模块在获得军用软件质量度量数据P(H0|S1,S2…,S6)的值后,如果软件技术要求没有规定,则软件质量评价模块判断当P(H0|S1,S2…,S6)值在区间[0,0.6)时,评价软件质量为差;在区间[0.6,0.75)时,软件质量为一般;在区间[0.75,0.85)时,软件质量为较好;在区间[0.85,0.95)时,软件质量为好;在区间[0.95,1]时,软件质量为极好。
(三)有益效果
由于军用软件质量度量模型的度量元可操作性不强,导致难以获取定量数据,无法使用国外或民用的研究成果。以往开展军用软件测评给定结论时,只能给出功能、性能等是否满足开发文档要求的定性结论,无法给出定量评价值。
因此,与现有技术相比较,本发明提出一种基于Bayes的军用软件质量度量方案,以概率的形式衡量各个度量元对军用软件质量的影响,使用本发明技术方案构建推理网络,经过一系列运算公式可给出具体的评价值,用于评价军用软件质量“好”的程度。现在已经应用于航天三院某些软件的质量评价中,取得了很好的效果。
附图说明
图1为Bayes算法的推理网络示意图。
图2为外部质量和内部质量的质量模型示意图。
图3为基于Bayes的军用软件质量度量方法的推理网络示意图。
图4为本发明技术方案原理示意图。
具体实施方式
为使本发明的目的、内容、和优点更加清楚,下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。
本发明利用Bayes算法,并基于国军标的《GJB5236-2004军用软件质量度量》中所规定的质量模型,提出了一套新的质量度量的系统,以概率的形式衡量各个度量元对军用软件质量的影响,解决衡量标准无法定量的问题。
为解决上述技术问题,本发明提供一种基于Bayes的军用软件质量度量系统,该系统以概率的形式描述了各个度量元对军用软件质量的影响,并且以概率的形式描述了军用软件质量的好坏;
所述军用软件质量度量系统包括:军用软件质量度量推理网络生成模块、质量度量数据获取模块、软件质量评价模块;其中,
所述军用软件质量度量推理网络生成模块用于基于Bayes算法推理网络,以及国军标《GJB5236-2004军用软件质量度量》所规定的软件外部质量和内部质量的质量模型,将国军标《GJB5236-2004军用软件质量度量》所规定的最高层为“外部质量和内部质量”,中间层为“功能性、可靠性、易用性、效率、维护性和可移植性”6个特性,底层为6个特性对应的若干“子特性”,以上述特性作为Bayes算法推理网络前三层的“叶”节点,底层的“叶”节点是对证据“子特性”的观察,前三层之间的弧代表证据对结论的充分性和必要性,后一层的弧代表该次观察的可信度,由此构建基于Bayes的军用软件质量度量推理网络;
所述质量度量数据获取模块用于在所述军用软件质量度量推理网络生成模块构建的基于Bayes的军用软件质量度量推理网络的基础上,依据Bayes推理方法,获取基于Bayes的军用软件质量度量数据;
所述软件质量评价模块用于根据所述质量度量数据获取模块计算的军用软件质量度量数据,划分软件质量评价区间,确定软件质量好坏。
其中,所述Bayes算法推理网络为:
如图1所示,所述Bayes算法推理网络是用于表示变量间连接概率的一种图形模式,其提供了一种自然的表示因果信息的方法,用来发现数据间的潜在关系。网络中,节点表示变量,有向边表示变量之间的规则或关系;
Bayes算法推理网络中,把所有的规则连接成一个有向图,图中每一个“叶”节点代表假设结论,弧则代表规则,并引入两个数值(LS,LN)与每一条弧相联系,用来度量规则成立的充分性和必要性;对于初始证据E,其先验概率为P(E),用C(E,S)表示用户根据观察S给出证据E的后验概率P(E|S)的可信度。
其中,所述国军标《GJB5236-2004军用软件质量度量》所规定的内容如下:
如图2所示,引入国军标《GJB5236-2004军用软件质量度量》所规定的软件外部质量和内部质量的质量模型,最高层是外部质量和内部质量,中间是6个特性,包括功能性、可靠性、易用性、效率、维护性和可移植性,最底层是将这6个特性细分为若干的子特性。
其中,如图3所示,所述构建基于Bayes的军用软件质量度量推理网络过程的具体解析如下:
军用软件质量度量推理网络中,定义H0对应“外部质量和内部质量”,定义H1~H6分别对应于“功能性、可靠性、易用性、效率、维护性和可移植性”;
以功能性为例,E11~E15分别对应于功能性下的5个质量子特性,其他的证据E含义与此类似,S11代表用户对证据E11的观察,C(E|S)代表该次观察的可信度,(LS,LN)代表相应证据E对结论H的充分性和必要性;其他5种特性,包括可靠性、易用性、效率、维护性和可移植性与功能性的分解类似。
其中,所述Bayes推理方法的原理如下:
Bayes算法推理网络中的C(E,S)表示用户根据观察S给出证据E的后验概率P(E|S)的可信度;
C(E,S)和P(E|S)的关系规定为分段线性插值的关系,关系如下:
推理网络把一些证据和一些重要的假设结论连接起来;图中的“叶”节点是获取的证据,其他“叶”节点就是结论假设;推理开始时,每一个陈述的真假是未知的,当获得一个证据后,有些结论就被明确地建立起来;而其他结论也有了某种程度的接近,一般每个结论H附上一个概率值,P(H),称为先验概率,推理网络中的连接是测定一个结论的概率变化是如何地影响了其他结论;其基本推理公式为:
将公式(1)代入公式(2),得到用可信度C(E|S)计算P(H|S)的公式:
这样,当用初始证据E进行推理时,根据C(E|S),通过公式(3)计算P(H|S);当用推理过程中得到的中间结论作为证据进行推理时,通过公式(2)计算P(H|S);
若有n条知识都支持相同的结论,而且每条知识的前提条件所对应的证据Ei(i=1,2,…,n)都有相应的观察Si与之相对应,此时运用公式(4)先对每条知识分别计算出O(H|Si):
然后运用公式(5)计算出O(H|S1,S2,…,Sn):
最后利用公式(6)计算出P(H|S1,S2,…,Sn):
其中,所述质量度量数据获取模块获取基于Bayes的军用软件质量度量数据的步骤如下:
步骤21:用户初步给出军用软件内部质量和外部质量为“好”的先验概率值P(H0),范围为[0,1];用户分别初步给出功能性、可靠性、易用性、效率、维护性和可移植性为“好”的先验概率值P(H1)~P(H6),范围为[0,1];用户给出每个证据E的可信度C(E|S)或P(E|S),根据公式1计算P(E|S)或C(E|S);用户给出每个弧(规则)线上的(LS,LN)值,用来度量规则成立的充分性和必要性;
以功能性(H1)的子特性“适合性”E11为例计算军用软件质量度量数据,其他子特性E12~E15的计算公式合步骤与E11类似;
步骤22:计算功能性H1的子特性“适合性”E11为真时,功能性H1的后验概率P(H1|E11);以及“适合性”E11为假时,功能性H1的后验概率P(H1|~E11):
计算P(H1|E12)…P(H1|E15)和上述过程类似;
步骤23:计算观察适合性之后,功能性的后验概率P(H1|S11),以及观察适合性之后,功能性的几率函数O(H1|S11):
可信度为C(E|S)情况下,则用公式(9):
可信度为P(E|S)情况下,则用(10)式:
计算P(H1|S12)…P(H1|S15),O(H1|S12)…O(H1|S15)与上述过程类似;
步骤24:计算观察功能性下5个度量元,适合性、准确性、户操作性、安全保密性、功能性的依从性之后功能性的几率函数O(H1|S11,S12,…,S15)和功能性的后验概率P(H1|S11,S12,…,S15):
步骤25:计算观察功能性后,软件外部或者内部质量的后验概率P(H0|H1):
步骤26:为了简化表示方法,将S11,S12,…,S15简化为S1;现在需要计算观察功能性下5个度量元后,软件外部或者内部质量为好的后验概率P(H0|S1)以及几率函数O(H0|S1):
步骤27:通过上述计算,利用“功能性”及其子特性相关的证据更新了“软件内部质量和外部质量”为“好”的概率值,以此概率值作为新的先验概率值,对可靠性分支,运用同样的方法,重复公式(1)~公式(6),将P(H0|S1)更新为P(H0|S1,S2);接着再运用同样的方法,对易用性、效率性、维护性、和可移植性进行相应的计算,最后得到P(H0|S1,S2…,S6),即军用软件质量度量数据。
其中,所述软件质量评价模块在获得军用软件质量度量数据P(H0|S1,S2…,S6)的值后,如软件技术要求中有明确规定的评价指标,则软件质量评价模块使用该评价指标作为软件质量评价区间,与本结果P(H0|S1,S2…,S6)的值进行比对,确定软件质量好坏。
其中,所述软件质量评价模块在获得军用软件质量度量数据P(H0|S1,S2…,S6)的值后,如果软件技术要求没有规定,则软件质量评价模块判断当P(H0|S1,S2…,S6)值在区间[0,0.6)时,评价软件质量为差;在区间[0.6,0.75)时,软件质量为一般;在区间[0.75,0.85)时,软件质量为较好;在区间[0.85,0.95)时,软件质量为好;在区间[0.95,1]时,软件质量为极好。
此外,本发明还提供一种基于Bayes的军用软件质量度量方法,该方法以概率的形式描述了各个度量元对军用软件质量的影响,并且以概率的形式描述了军用软件质量的好坏;
所述军用软件质量度量方法基于军用软件质量度量系统来实施,所述军用软件质量度量系统包括:军用软件质量度量推理网络生成模块、质量度量数据获取模块、软件质量评价模块;
如图4所示,所述军用软件质量度量方法包括如下步骤:
步骤1:所述军用软件质量度量推理网络生成模块基于Bayes算法推理网络,以及国军标《GJB5236-2004军用软件质量度量》所规定的软件外部质量和内部质量的质量模型,将国军标《GJB5236-2004军用软件质量度量》所规定的最高层为“外部质量和内部质量”,中间层为“功能性、可靠性、易用性、效率、维护性和可移植性”6个特性,底层为6个特性对应的若干“子特性”,以上述特性作为Bayes算法推理网络前三层的“叶”节点,底层的“叶”节点是对证据“子特性”的观察,前三层之间的弧代表证据对结论的充分性和必要性,后一层的弧代表该次观察的可信度,由此构建基于Bayes的军用软件质量度量推理网络;
步骤2:所述质量度量数据获取模块在步骤1构建的基于Bayes的军用软件质量度量推理网络的基础上,依据Bayes推理方法,获取基于Bayes的军用软件质量度量数据;
步骤3:所述软件质量评价模块根据步骤2计算的军用软件质量度量数据,划分软件质量评价区间,确定软件质量好坏。
其中,所述步骤1中,所述Bayes算法推理网络为:
如图1所示,所述Bayes算法推理网络是用于表示变量间连接概率的一种图形模式,其提供了一种自然的表示因果信息的方法,用来发现数据间的潜在关系。网络中,节点表示变量,有向边表示变量之间的规则或关系;
Bayes算法推理网络中,把所有的规则连接成一个有向图,图中每一个“叶”节点代表假设结论,弧则代表规则,并引入两个数值(LS,LN)与每一条弧相联系,用来度量规则成立的充分性和必要性;对于初始证据E,其先验概率为P(E),用C(E,S)表示用户根据观察S给出证据E的后验概率P(E|S)的可信度。
其中,所述步骤1中,所述国军标《GJB5236-2004军用软件质量度量》所规定的内容如下:
如图2所示,引入国军标《GJB5236-2004军用软件质量度量》所规定的软件外部质量和内部质量的质量模型,最高层是外部质量和内部质量,中间是6个特性,包括功能性、可靠性、易用性、效率、维护性和可移植性,最底层是将这6个特性细分为若干的子特性。
其中,如图3所示,所述步骤1中,构建基于Bayes的军用软件质量度量推理网络过程的具体解析如下:
军用软件质量度量推理网络中,定义H0对应“外部质量和内部质量”,定义H1~H6分别对应于“功能性、可靠性、易用性、效率、维护性和可移植性”;
以功能性为例,E11~E15分别对应于功能性下的5个质量子特性,其他的证据E含义与此类似,S11代表用户对证据E11的观察,C(E|S)代表该次观察的可信度,(LS,LN)代表相应证据E对结论H的充分性和必要性;其他5种特性,包括可靠性、易用性、效率、维护性和可移植性与功能性的分解类似。
其中,所述步骤2中,所述Bayes推理方法的原理如下:
Bayes算法推理网络中的C(E,S)表示用户根据观察S给出证据E的后验概率P(E|S)的可信度;
C(E,S)和P(E|S)的关系规定为分段线性插值的关系,关系如下:
推理网络把一些证据和一些重要的假设结论连接起来;图中的“叶”节点是获取的证据,其他“叶”节点就是结论假设;推理开始时,每一个陈述的真假是未知的,当获得一个证据后,有些结论就被明确地建立起来;而其他结论也有了某种程度的接近,一般每个结论H附上一个概率值,P(H),称为先验概率,推理网络中的连接是测定一个结论的概率变化是如何地影响了其他结论;其基本推理公式为:
将公式(1)代入公式(2),得到用可信度C(E|S)计算P(H|S)的公式:
这样,当用初始证据E进行推理时,根据C(E|S),通过公式(3)计算P(H|S);当用推理过程中得到的中间结论作为证据进行推理时,通过公式(2)计算P(H|S);
若有n条知识都支持相同的结论,而且每条知识的前提条件所对应的证据Ei(i=1,2,…,n)都有相应的观察Si与之相对应,此时运用公式(4)先对每条知识分别计算出O(H|Si):
然后运用公式(5)计算出O(H|S1,S2,…,Sn):
最后利用公式(6)计算出P(H|S1,S2,…,Sn):
其中,所述步骤2中,所述质量度量数据获取模块获取基于Bayes的军用软件质量度量数据的步骤如下:
步骤21:用户初步给出军用软件内部质量和外部质量为“好”的先验概率值P(H0),范围为[0,1];用户分别初步给出功能性、可靠性、易用性、效率、维护性和可移植性为“好”的先验概率值P(H1)~P(H6),范围为[0,1];用户给出每个证据E的可信度C(E|S)或P(E|S),根据公式1计算P(E|S)或C(E|S);用户给出每个弧(规则)线上的(LS,LN)值,用来度量规则成立的充分性和必要性;
以功能性(H1)的子特性“适合性”E11为例计算军用软件质量度量数据,其他子特性E12~E15的计算公式合步骤与E11类似;
步骤22:计算功能性H1的子特性“适合性”E11为真时,功能性H1的后验概率P(H1|E11);以及“适合性”E11为假时,功能性H1的后验概率P(H1|~E11):
计算P(H1|E12)…P(H1|E15)和上述过程类似;
步骤23:计算观察适合性之后,功能性的后验概率P(H1|S11),以及观察适合性之后,功能性的几率函数O(H1|S11):
可信度为C(E|S)情况下,则用公式(9):
可信度为P(E|S)情况下,则用(10)式:
计算P(H1|S12)…P(H1|S15),O(H1|S12)…O(H1|S15)与上述过程类似;
步骤24:计算观察功能性下5个度量元,适合性、准确性、户操作性、安全保密性、功能性的依从性之后功能性的几率函数O(H1|S11,S12,…,S15)和功能性的后验概率P(H1|S11,S12,…,S15):
步骤25:计算观察功能性后,软件外部或者内部质量的后验概率P(H0|H1):
步骤26:为了简化表示方法,将S11,S12,…,S15简化为S1;现在需要计算观察功能性下5个度量元后,软件外部或者内部质量为好的后验概率P(H0|S1)以及几率函数O(H0|S1):
步骤27:通过上述计算,利用“功能性”及其子特性相关的证据更新了“软件内部质量和外部质量”为“好”的概率值,以此概率值作为新的先验概率值,对可靠性分支,运用同样的方法,重复公式(1)~公式(6),将P(H0|S1)更新为P(H0|S1,S2);接着再运用同样的方法,对易用性、效率性、维护性、和可移植性进行相应的计算,最后得到P(H0|S1,S2…,S6),即军用软件质量度量数据。
其中,所述步骤3中,在计算获得军用软件质量度量数据P(H0|S1,S2…,S6)的值后,如软件技术要求中有明确规定的评价指标,则软件质量评价模块使用该评价指标作为软件质量评价区间,与本结果P(H0|S1,S2…,S6)的值进行比对,确定软件质量好坏。
其中,所述步骤3中,在计算获得军用软件质量度量数据P(H0|S1,S2…,S6)的值后,如果软件技术要求没有规定,则软件质量评价模块判断当P(H0|S1,S2…,S6)值在区间[0,0.6)时,评价软件质量为差;在区间[0.6,0.75)时,软件质量为一般;在区间[0.75,0.85)时,软件质量为较好;在区间[0.85,0.95)时,软件质量为好;在区间[0.95,1]时,软件质量为极好。
其中,对于上述质量度量系统及质量度量方法的技术方案中所涉及的数学符号,整体进行说明如下表:
表1.数学符号含义说明表
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (8)
1.一种基于Bayes的军用软件质量度量系统,其特征在于,所述军用软件质量度量系统包括:军用软件质量度量推理网络生成模块、质量度量数据获取模块、软件质量评价模块;其中,
所述军用软件质量度量推理网络生成模块用于基于Bayes算法推理网络,以及国军标《GJB5236-2004军用软件质量度量》所规定的软件外部质量和内部质量的质量模型,将国军标《GJB5236-2004军用软件质量度量》所规定的最高层为“外部质量和内部质量”,中间层为“功能性、可靠性、易用性、效率、维护性和可移植性”6个特性,底层为6个特性对应的若干“子特性”,以上述特性作为Bayes算法推理网络前三层的“叶”节点,底层的“叶”节点是对证据“子特性”的观察,前三层之间的弧代表证据对结论的充分性和必要性,后一层的弧代表该次观察的可信度,由此构建基于Bayes的军用软件质量度量推理网络;
所述质量度量数据获取模块用于在所述军用软件质量度量推理网络生成模块构建的基于Bayes的军用软件质量度量推理网络的基础上,依据Bayes推理方法,获取基于Bayes的军用软件质量度量数据;
所述软件质量评价模块用于根据所述质量度量数据获取模块计算的军用软件质量度量数据,划分软件质量评价区间,确定软件质量好坏。
2.如权利要求1所述的基于Bayes的军用软件质量度量系统,其特征在于,所述Bayes算法推理网络为:
所述Bayes算法推理网络是用于表示变量间连接概率的一种图形模式,其提供了一种自然的表示因果信息的方法,用来发现数据间的潜在关系。网络中,节点表示变量,有向边表示变量之间的规则或关系;
Bayes算法推理网络中,把所有的规则连接成一个有向图,图中每一个“叶”节点代表假设结论,弧则代表规则,并引入两个数值(LS,LN)与每一条弧相联系,用来度量规则成立的充分性和必要性;对于初始证据E,其先验概率为P(E),用C(E,S)表示用户根据观察S给出证据E的后验概率P(E|S)的可信度。
3.如权利要求2所述的基于Bayes的军用软件质量度量系统,其特征在于,所述国军标《GJB5236-2004军用软件质量度量》所规定的内容如下:
引入国军标《GJB5236-2004军用软件质量度量》所规定的软件外部质量和内部质量的质量模型,最高层是外部质量和内部质量,中间是6个特性,包括功能性、可靠性、易用性、效率、维护性和可移植性,最底层是将这6个特性细分为若干的子特性。
4.如权利要求3所述的基于Bayes的军用软件质量度量系统,其特征在于,所述构建基于Bayes的军用软件质量度量推理网络过程的具体解析如下:
军用软件质量度量推理网络中,定义H0对应“外部质量和内部质量”,定义H1~H6分别对应于“功能性、可靠性、易用性、效率、维护性和可移植性”;
以功能性为例,E11~E15分别对应于功能性下的5个质量子特性,其他的证据E含义与此类似,S11代表用户对证据E11的观察,C(E|S)代表该次观察的可信度,(LS,LN)代表相应证据E对结论H的充分性和必要性;其他5种特性,包括可靠性、易用性、效率、维护性和可移植性与功能性的分解类似。
5.如权利要求4所述的基于Bayes的军用软件质量度量系统,其特征在于,所述Bayes推理方法的原理如下:
Bayes算法推理网络中的C(E,S)表示用户根据观察S给出证据E的后验概率P(E|S)的可信度;
C(E,S)和P(E|S)的关系规定为分段线性插值的关系,关系如下:
推理网络把一些证据和一些重要的假设结论连接起来;“叶”节点是获取的证据,其他“叶”节点就是结论假设;推理开始时,每一个陈述的真假是未知的,当获得一个证据后,有些结论就被明确地建立起来;而其他结论也有了某种程度的接近,一般每个结论H附上一个概率值,P(H),称为先验概率,推理网络中的连接是测定一个结论的概率变化是如何地影响了其他结论;其基本推理公式为:
将公式(1)代入公式(2),得到用可信度C(E|S)计算P(H|S)的公式:
这样,当用初始证据E进行推理时,根据C(E|S),通过公式(3)计算P(H|S);当用推理过程中得到的中间结论作为证据进行推理时,通过公式(2)计算P(H|S);
若有n条知识都支持相同的结论,而且每条知识的前提条件所对应的证据Ei(i=1,2,…,n)都有相应的观察Si与之相对应,此时运用公式(4)先对每条知识分别计算出O(H|Si):
然后运用公式(5)计算出O(H|S1,S2,…,Sn):
最后利用公式(6)计算出P(H|S1,S2,…,Sn):
6.如权利要求5所述的基于Bayes的军用软件质量度量系统,其特征在于,所述质量度量数据获取模块获取基于Bayes的军用软件质量度量数据的步骤如下:
步骤21:用户初步给出军用软件内部质量和外部质量为“好”的先验概率值P(H0),范围为[0,1];用户分别初步给出功能性、可靠性、易用性、效率、维护性和可移植性为“好”的先验概率值P(H1)~P(H6),范围为[0,1];用户给出每个证据E的可信度C(E|S)或P(E|S),根据公式1计算P(E|S)或C(E|S);用户给出每个弧(规则)线上的(LS,LN)值,用来度量规则成立的充分性和必要性;
以功能性(H1)的子特性“适合性”E11为例计算军用软件质量度量数据,其他子特性E12~E15的计算公式合步骤与E11类似;
步骤22:计算功能性H1的子特性“适合性”E11为真时,功能性H1的后验概率P(H1|E11);以及“适合性”E11为假时,功能性H1的后验概率P(H1|~E11):
计算P(H1|E12)…P(H1|E15)和上述过程类似;
步骤23:计算观察适合性之后,功能性的后验概率P(H1|S11),以及观察适合性之后,功能性的几率函数O(H1|S11):
可信度为C(E|S)情况下,则用公式(9):
可信度为P(E|S)情况下,则用(10)式:
计算P(H1|S12)…P(H1|S15),O(H1|S12)…O(H1|S15)与上述过程类似;
步骤24:计算观察功能性下5个度量元,适合性、准确性、户操作性、安全保密性、功能性的依从性之后功能性的几率函数O(H1|S11,S12,…,S15)和功能性的后验概率P(H1|S11,S12,…,S15):
步骤25:计算观察功能性后,软件外部或者内部质量的后验概率P(H0|H1):
步骤26:为了简化表示方法,将S11,S12,…,S15简化为S1;现在需要计算观察功能性下5个度量元后,软件外部或者内部质量为好的后验概率P(H0|S1)以及几率函数O(H0|S1):
步骤27:通过上述计算,利用“功能性”及其子特性相关的证据更新了“软件内部质量和外部质量”为“好”的概率值,以此概率值作为新的先验概率值,对可靠性分支,运用同样的方法,重复公式(1)~公式(6),将P(H0|S1)更新为P(H0|S1,S2);接着再运用同样的方法,对易用性、效率性、维护性、和可移植性进行相应的计算,最后得到P(H0|S1,S2…,S6),即军用软件质量度量数据。
7.如权利要求6所述的基于Bayes的军用软件质量度量系统,其特征在于,所述软件质量评价模块在获得军用软件质量度量数据P(H0|S1,S2…,S6)的值后,如软件技术要求中有明确规定的评价指标,则软件质量评价模块使用该评价指标作为软件质量评价区间,与本结果P(H0|S1,S2…,S6)的值进行比对,确定软件质量好坏。
8.如权利要求6所述的基于Bayes的军用软件质量度量方法,其特征在于,所述软件质量评价模块在获得军用软件质量度量数据P(H0|S1,S2…,S6)的值后,如果软件技术要求没有规定,则软件质量评价模块判断当P(H0|S1,S2…,S6)值在区间[0,0.6)时,评价软件质量为差;在区间[0.6,0.75)时,软件质量为一般;在区间[0.75,0.85)时,软件质量为较好;在区间[0.85,0.95)时,软件质量为好;在区间[0.95,1]时,软件质量为极好。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911300145.2A CN111143201A (zh) | 2019-12-16 | 2019-12-16 | 基于Bayes的军用软件质量度量系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911300145.2A CN111143201A (zh) | 2019-12-16 | 2019-12-16 | 基于Bayes的军用软件质量度量系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111143201A true CN111143201A (zh) | 2020-05-12 |
Family
ID=70518505
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911300145.2A Pending CN111143201A (zh) | 2019-12-16 | 2019-12-16 | 基于Bayes的军用软件质量度量系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111143201A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111444084A (zh) * | 2019-12-16 | 2020-07-24 | 北京京航计算通讯研究所 | 基于Bayes的军用软件质量度量方法 |
CN112597062A (zh) * | 2021-02-04 | 2021-04-02 | 北京关键科技股份有限公司 | 军用软件结构化质量数据抽取方法、装置及软件测试装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7720779B1 (en) * | 2006-01-23 | 2010-05-18 | Quantum Leap Research, Inc. | Extensible bayesian network editor with inferencing capabilities |
CN101763304A (zh) * | 2009-12-31 | 2010-06-30 | 合肥工业大学 | 一种基于证据理论的不确定型软件可信性评估方法 |
CN101908019A (zh) * | 2010-07-30 | 2010-12-08 | 南开大学 | 一种基于贝叶斯网络的网构软件可信性评估模型 |
CN104008059A (zh) * | 2014-06-17 | 2014-08-27 | 东南大学 | 一种基于度量和预测技术的软件架构评估方法 |
CN108711008A (zh) * | 2018-05-17 | 2018-10-26 | 北京中软国际信息技术有限公司 | 一种基于卷积神经网络的多维度软件项目健康度评估方法 |
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 |
CN111444084A (zh) * | 2019-12-16 | 2020-07-24 | 北京京航计算通讯研究所 | 基于Bayes的军用软件质量度量方法 |
-
2019
- 2019-12-16 CN CN201911300145.2A patent/CN111143201A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7720779B1 (en) * | 2006-01-23 | 2010-05-18 | Quantum Leap Research, Inc. | Extensible bayesian network editor with inferencing capabilities |
CN101763304A (zh) * | 2009-12-31 | 2010-06-30 | 合肥工业大学 | 一种基于证据理论的不确定型软件可信性评估方法 |
CN101908019A (zh) * | 2010-07-30 | 2010-12-08 | 南开大学 | 一种基于贝叶斯网络的网构软件可信性评估模型 |
CN104008059A (zh) * | 2014-06-17 | 2014-08-27 | 东南大学 | 一种基于度量和预测技术的软件架构评估方法 |
CN108711008A (zh) * | 2018-05-17 | 2018-10-26 | 北京中软国际信息技术有限公司 | 一种基于卷积神经网络的多维度软件项目健康度评估方法 |
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 |
CN111444084A (zh) * | 2019-12-16 | 2020-07-24 | 北京京航计算通讯研究所 | 基于Bayes的军用软件质量度量方法 |
Non-Patent Citations (2)
Title |
---|
ZHAO SHOUWEI: "Integrated Evaluation Model of Software Reliability Based on Multi-information", 《 2009 WRI WORLD CONGRESS ON SOFTWARE ENGINEERING》 * |
刘伟: "基于主观BAYES方法的软件质量评价技术的研究", 《全国软件测试能力验证总结会暨中国宇航学会计算机应用专业委员会2006年学术年会》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111444084A (zh) * | 2019-12-16 | 2020-07-24 | 北京京航计算通讯研究所 | 基于Bayes的军用软件质量度量方法 |
CN112597062A (zh) * | 2021-02-04 | 2021-04-02 | 北京关键科技股份有限公司 | 军用软件结构化质量数据抽取方法、装置及软件测试装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dasgupta et al. | On estimating the average degree | |
Lindblom et al. | Spectral approach to the relativistic inverse stellar structure problem II | |
US20190042344A1 (en) | Preprocessor and abnormality predictor diagnosis system | |
Muu et al. | Regularization algorithms for solving monotone Ky Fan inequalities with application to a Nash-Cournot equilibrium model | |
WO2021208079A1 (zh) | 获取动力电池寿命数据的方法、装置、计算机设备及介质 | |
CN111143201A (zh) | 基于Bayes的军用软件质量度量系统 | |
CN111444084A (zh) | 基于Bayes的军用软件质量度量方法 | |
Wu et al. | Algorithm for improving additive consistency of linguistic preference relations with an integer optimization model | |
Kachour et al. | First‐order rounded integer‐valued autoregressive (RINAR (1)) process | |
CN109492076A (zh) | 一种基于网络的社区问答网站答案可信评估方法 | |
CN109766710A (zh) | 关联社交网络数据的差分隐私保护方法 | |
CN112182306B (zh) | 一种基于不确定图的社区发现方法 | |
Almog et al. | The double role of GDP in shaping the structure of the International Trade Network | |
CN109039721A (zh) | 基于误差重构的节点重要性评估方法 | |
Le Ny | Differentially private nonlinear observer design using contraction analysis | |
CN110322122B (zh) | 基于类图的软件结构风险评估方法 | |
Yang et al. | AOGC: An improved gravity centrality based on an adaptive truncation radius and omni-channel paths for identifying key nodes in complex networks | |
Tian | Prediction error after model search | |
Pang et al. | Spline‐based accelerated failure time model | |
Bai et al. | Partial linear models for longitudinal data based on quadratic inference functions | |
De et al. | Differentially private link prediction with protected connections | |
JP5712860B2 (ja) | 特性関数によって表現されたセンサー・データの有効確認 | |
Azmy et al. | Robust quality metric for scarce mobile crowd-sensing scenarios | |
Cong et al. | Stability of linear set-membership filters | |
Menhaj et al. | Scalable user similarity estimation based on fuzzy proximity for enhancing accuracy of collaborative filtering recommendation |
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 |
Application publication date: 20200512 |
|
RJ01 | Rejection of invention patent application after publication |