CN111352841B - 金融交易软件的质量检测方法及装置 - Google Patents
金融交易软件的质量检测方法及装置 Download PDFInfo
- Publication number
- CN111352841B CN111352841B CN202010131418.1A CN202010131418A CN111352841B CN 111352841 B CN111352841 B CN 111352841B CN 202010131418 A CN202010131418 A CN 202010131418A CN 111352841 B CN111352841 B CN 111352841B
- Authority
- CN
- China
- Prior art keywords
- quality
- software
- index data
- financial transaction
- target
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 claims abstract description 60
- 238000011156 evaluation Methods 0.000 claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 36
- 230000008569 process Effects 0.000 claims abstract description 34
- 238000013441 quality evaluation Methods 0.000 claims abstract description 32
- 238000005457 optimization Methods 0.000 claims abstract description 24
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 238000013522 software testing Methods 0.000 claims abstract description 19
- 230000007547 defect Effects 0.000 claims description 56
- 238000007781 pre-processing Methods 0.000 claims description 40
- 230000006870 function Effects 0.000 claims description 34
- 230000009467 reduction Effects 0.000 claims description 28
- 238000003860 storage Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012706 support-vector machine Methods 0.000 claims description 11
- 238000012847 principal component analysis method Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 238000013461 design Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 7
- 230000035945 sensitivity Effects 0.000 claims description 7
- 238000011426 transformation method Methods 0.000 claims description 7
- 238000013145 classification model Methods 0.000 claims description 5
- 239000000463 material Substances 0.000 claims description 5
- 238000011056 performance test Methods 0.000 claims description 4
- 238000013439 planning Methods 0.000 claims description 4
- 238000001303 quality assessment method Methods 0.000 claims description 4
- 238000011076 safety test Methods 0.000 claims description 4
- 238000012372 quality testing Methods 0.000 claims 2
- 238000004891 communication Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 12
- 238000011161 development Methods 0.000 description 8
- 230000006872 improvement Effects 0.000 description 8
- 238000007726 management method Methods 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 7
- 239000000047 product Substances 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000008520 organization Effects 0.000 description 5
- 238000012384 transportation and delivery Methods 0.000 description 5
- 239000000872 buffer Substances 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000011990 functional testing Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06F11/3688—Test management for test execution, e.g. scheduling of test suites
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Stored Programmes (AREA)
Abstract
本申请提供一种金融交易软件的质量检测方法及装置,该方法包括:基于预设的DevOps文件,应用Jenkins工具触发目标金融交易软件的软件测试过程,并根据测试结果获取目标金融交易软件的基本软件质量数据,以及将基本质量指标数据存储在Jira工具中,Jira工具中还存储有目标金融交易软件的进度指标数据;判断目标系统中是否存在用户评价指标数据,若是,将由用户评价指标数据、基本质量指标数据和进度指标数据组成的目标软件质量指标数据输入预获取的质量评价模型,并根据质量评价模型的输出结果,应用预设质量优化方式对目标金融交易软件进行质量优化处理,能够提高软件质量检测的全面性和实时性,检测过程自动化程度和效率高。
Description
技术领域
本申请涉及软件质量监控技术领域,尤其涉及一种金融交易软件的质量检测方法及装置。
背景技术
由于企业频繁交付的需要,为了按时交付软件产品和服务,开发、测试和运维工作必须紧密合作,越来越多的企业开始推行DevOps方法,发展自动化的软件构建、测试、交付与维护,在这一过程中,项目质量的有效评估对于软件的维护与改进至关重要。而目前对于项目质量的评价大多依赖于人工评定,评价指标也局限于测试结果,这既违背了DevOps思想,也降低了对于项目改进的指导作用。
目前较为流行的项目质量评价模型多基于CMMI以及ISO9126等方法,这些评估模型对于项目质量的评估关注的是软件本身的质量因素,缺少用户反馈以及组织管理特性对于项目质量作用的体现。且目前常见的项目质量模型大多建立在项目已经完成的基础上,获得所有指标的数据进行分析得出最终质量结果,或是人工评定项目质量,均是在项目结束后分析质量,对项目过程中质量改进的指导作用较低,无法在项目进行过程中进行实时质量监控和预测。
发明内容
针对现有技术中的问题,本申请提出了一种金融交易软件的质量检测方法及装置,能够提高软件质量检测的全面性和实时性,且检测过程自动化程度和效率高。
为了解决上述技术问题,本申请提供以下技术方案:
第一方面,本申请提供一种金融交易软件的质量检测方法,包括:
基于预设的DevOps文件,应用Jenkins工具触发目标金融交易软件的软件测试过程,并根据对应的软件测试的结果获取该目标金融交易软件对应的基本软件质量数据,以及将该基本质量指标数据存储在Jira工具中,该Jira工具中还预存储有所述目标金融交易软件对应的进度指标数据;
判断目标系统中是否存在用户评价指标数据,若是,则将由该用户评价指标数据、所述基本质量指标数据和进度指标数据组成的目标软件质量指标数据输入预获取的质量评价模型,并根据该质量评价模型的输出结果,应用预设质量优化方式对所述目标金融交易软件进行质量优化处理。
进一步地,所述的金融交易软件的质量检测方法还包括:获取多组历史软件质量指标数据及分别对应的评价等级结果;对各组所述历史软件质量指标数据分别进行预处理和降维处理;应用所述预处理和降维处理后的历史软件质量指标数据,以及对应的评价等级结果,对设有敏感损失函数的支持向量机分类模型进行训练,以生成所述质量评价模型。
进一步地,在将所述目标软件质量指标数据输入预获取的质量评价模型之前,还包括:对所述目标软件质量指标数据进行预处理和降维处理。
进一步地,所述基本质量指标数据包括:所述目标金融交易软件的各个缺陷类别分别对应的缺陷数量和等级;相对应的,所述对各组所述历史软件质量指标数据分别进行预处理,包括:将各个缺陷类别分别对应的缺陷数量和缺陷等级乘积进行累加并取倒数,获得目标缺陷数。
进一步地,在所述对各组所述历史软件质量指标数据分别进行预处理之后,包括:应用PCA主成分分析法和K-L变换法对预处理处理后的所述目标软件质量指标数据进行约减降维。
第二方面,本申请提供一种金融交易软件的质量检测装置,包括:
获取基本软件质量数据模块,用于基于预设的DevOps文件,应用Jenkins工具触发目标金融交易软件的软件测试过程,并根据对应的软件测试的结果获取该目标金融交易软件对应的基本软件质量数据,以及将该基本质量指标数据存储在Jira工具中,该Jira工具中还预存储有所述目标金融交易软件对应的进度指标数据;
优化模块,用于判断目标系统中是否存在用户评价指标数据,若是,则将由该用户评价指标数据、所述基本质量指标数据和进度指标数据组成的目标软件质量指标数据输入预获取的质量评价模型,并根据该质量评价模型的输出结果,应用预设质量优化方式对所述目标金融交易软件进行质量优化处理。
进一步地,所述的金融交易软件的质量检测装置还包括:获取历史数据模块,用于获取多组历史软件质量指标数据及分别对应的评价等级结果;历史数据预处理模块,用于对各组所述历史软件质量指标数据分别进行预处理和降维处理;训练模块,用于应用所述预处理和降维处理后的历史软件质量指标数据,以及对应的评价等级结果,对设有敏感损失函数的支持向量机分类模型进行训练,以生成所述质量评价模型。
进一步地,所述的金融交易软件的质量检测装置,还包括:预处理模块,用于对所述目标软件质量指标数据进行预处理和降维处理。
进一步地,所述基本质量指标数据包括:所述目标金融交易软件的各个缺陷类别分别对应的缺陷数量和等级;相对应的,所述预处理模块包括:获取缺陷数单元,用于将各个缺陷类别分别对应的缺陷数量和缺陷等级乘积进行累加并取倒数,获得目标缺陷数。
进一步地,所述预处理模块包括:约减降维单元,用于在所述对各组所述历史软件质量指标数据分别进行预处理之后,应用PCA主成分分析法和K-L变换法对预处理处理后的所述目标软件质量指标数据进行约减降维。
第三方面,本申请提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,述处理器执行所述程序时实现所述的金融交易软件的质量检测方法。
第四方面,本申请提供一种计算机可读存储介质,其上存储有计算机指令,所述指令被执行时实现所述的金融交易软件的质量检测方法。
由上述技术方案可知,本申请提供一种金融交易软件的质量检测方法及装置。其中,该方法包括:基于预设的DevOps文件,应用Jenkins工具触发目标金融交易软件的软件测试过程,并根据对应的软件测试的结果获取该目标金融交易软件对应的基本软件质量数据,以及将该基本质量指标数据存储在Jira工具中,该Jira工具中还预存储有所述目标金融交易软件对应的进度指标数据;判断目标系统中是否存在用户评价指标数据,若是,则将由该用户评价指标数据、所述基本质量指标数据和进度指标数据组成的目标软件质量指标数据输入预获取的质量评价模型,并根据该质量评价模型的输出结果,应用预设质量优化方式对所述目标金融交易软件进行质量优化处理。本申请能够提高软件质量检测的全面性和实时性,且检测过程自动化程度和效率高;具体地,在获取各项数据指标时,充分利用DevOps相关思想,通过自动化工具、配置和持续集成交付等方法,能够实现大部分指标数据的自动化收集;能够实现在软件进程的各阶段实现软件质量的快速检测,在关注软件本身的质量特性的同时,将用户体验反馈即顾客价值维度以及组织管理特性考虑在内,不仅仅是在软件开发结束后对软件质量进行检测,在软件进程的各个阶段均能对软件在当前阶段的质量进行检测,为开发改进提供指导作用,能够及时进行调整优化。
附图说明
为了更清楚地说明本申请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申请的一些实施例,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是本申请实施例中金融交易软件的质量检测方法的流程示意图;
图2是本申请另一实施例中金融交易软件的质量检测方法的流程示意图;
图3是本申请实施例中金融交易软件的质量检测装置的结构示意图;
图4是本申请另一实施例中金融交易软件的质量检测装置的结构示意图;
图5是本申请具体应用实例中目标金融交易软件的结构示意图;
图6是本申请具体应用实例中项目质量监控数据的分类示意图;
图7为本申请实施例的电子设备9600的系统构成示意框图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
基于此,为了提高软件质量检测的全面性和实时性,且检测过程自动化程度和效率高,本申请实施例提供一种金融交易软件的质量检测装置,该装置可以是一服务器或用户端设备,所述用户端设备可以包括智能手机、平板电子设备、网络机顶盒、便携式计算机、台式电脑、个人数字助理(PDA)、车载设备和智能穿戴设备等。其中,所述智能穿戴设备可以包括智能眼镜、智能手表和智能手环等。
在实际应用中,进行金融交易软件的质量检测的部分可以在如上述内容所述的服务器侧执行,也可以所有的操作都在所述用户端设备中完成。具体可以根据所述用户端设备的处理能力,以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在所述用户端设备中完成,所述用户端设备还可以包括处理器。
上述的用户端设备可以具有通信模块(即通信单元),可以与远程的服务器进行通信连接,实现与所述服务器的数据传输。所述服务器可以包括任务调度中心一侧的服务器,其他的实施场景中也可以包括中间平台的服务器,例如与任务调度中心服务器有通信链接的第三方服务器平台的服务器。所述的服务器可以包括单台计算机设备,也可以包括多个服务器组成的服务器集群,或者分布式装置的服务器结构。
所述服务器与所述用户端设备之间可以使用任何合适的网络协议进行通信,包括在本申请提交日尚未开发出的网络协议。所述网络协议例如可以包括TCP/IP协议、UDP/IP协议、HTTP协议、HTTPS协议等。当然,所述网络协议例如还可以包括在上述协议之上使用的RPC协议(Remote Procedure Call Protocol,远程过程调用协议)、REST协议(Representational State Transfer,表述性状态转移协议)等。
具体通过下述各个实施例进行说明。
如图1所示,为了提高软件质量检测的全面性和实时性,且检测过程自动化程度和效率高,本实施例提供一种执行主体是金融交易软件的质量检测装置的金融交易软件的质量检测方法,具体包含有如下内容:
步骤100:基于预设的DevOps文件,应用Jenkins工具触发目标金融交易软件的软件测试过程,并根据对应的软件测试的结果获取该目标金融交易软件对应的基本软件质量数据,以及将该基本质量指标数据存储在Jira工具中,该Jira工具中还预存储有所述目标金融交易软件对应的进度指标数据。
具体地,所述预设的DevOps文件可以是基于DevOps思想,根据实际需要进行设置的DevOps文件。所述基本软件质量数据包含有:缺陷数,功能覆盖需求情况,单元、接口和ui测试结果,性能测试结果,批量测试结果,系统响应时间,安全测试结果,测试程序覆盖率和分支覆盖率中的至少一种;所述进度指标数据包含有:代码关联率、文档完整性、需求拆分情况、设计进度、编码进度、测试进度人员资源、物质资源、任务计划制定和成员工作负荷中的至少一种。
步骤200:判断目标系统中是否存在用户评价指标数据,若是,则将由该用户评价指标数据、所述基本质量指标数据和进度指标数据组成的目标软件质量指标数据输入预获取的质量评价模型,并根据该质量评价模型的输出结果,应用预设质量优化方式对所述目标金融交易软件进行质量优化处理。
具体地,用户评价指标数据包含有:验收检测、用户提出问题响应时间和问题解决程度与满意度中的至少一种;所述质量评价模型可以是一种支持向量机的回归模型,该回归模型设有敏感损失函数;预设质量优化方式可以为一种软件质量优化表,该表中存储有:软件存在问题类型与处理方式之间的对应关系,其中,所述质量评价模型的输出结果用于表示所述软件存在问题类型中的一种,所述处理方式可以为所述目标金融交易软件的软件后台代码的调整方式。所述目标系统可以是所述金融交易软件的质量检测装置所在的系统,也可以是一单独服务器。
参见图2,为了进一步提高质量评价模型的可靠性和效率,进而提高软件质量检测的可靠性和效率,在本申请一个实施例中,所述的金融交易软件的质量检测方法,还包含有:
步骤001:获取多组历史软件质量指标数据及分别对应的评价等级结果。
步骤002:对各组所述历史软件质量指标数据分别进行预处理和降维处理。
步骤003:应用所述预处理和降维处理后的历史软件质量指标数据,以及对应的评价等级结果,对设有敏感损失函数的支持向量机回归模型进行训练,以生成所述质量评价模型。
具体地,各组历史软件质量指标数据可以各自对应一个评价等级结果。
为了进一步提高数据的可靠性,进而提高软件质量检测的效率和检测结果的靠性性,在本申请一个实施例中,在步骤200之前还包含有:
步骤020:对所述目标软件质量指标数据进行预处理和降维处理。
为了进一步提高数据的可靠性,进而提高软件质量检测的效率和检测结果的靠性性,在本申请一个实施例中,所述基本质量指标数据包含有:所述目标金融交易软件的各个缺陷类别分别对应的缺陷数量和等级。相对应的,步骤020中所述的对各组所述历史软件质量指标数据分别进行预处理,包含有:
步骤021:将各个缺陷类别分别对应的缺陷数量和缺陷等级乘积进行累加并取倒数,获得目标缺陷数。
具体地,所述基本软件质量数据中的缺陷数包含有:至少一种缺陷类别的缺陷数,其中,所述缺陷类别和对应的缺陷等级可根据软件质量检测的实际需要进行设置,本申请对此不作限制。
举例来说,将非数字化的目标软件质量指标数据进行量化,对于缺陷数将缺陷数量n与缺陷等级L的乘积进行累加,并取倒数作为最终缺陷数x11=1/∑(n×L)。
为了进一步提高数据的可靠性,进而提高软件质量检测的效率和检测结果的靠性性,在本申请一个实施例中,在步骤020中所述的对各组所述历史软件质量指标数据分别进行预处理之后,包含有:
步骤022:应用PCA主成分分析法和K-L变换法对预处理处理后的所述目标软件质量指标数据进行约减降维。
具体地,采用PCA主成分分析法对所有数据进行处理,通过K-L变换法将数据进行约减,提升分类速度并降低数据噪声作用,以降低软件质量检测的干扰。
从软件层面来说,为了提高软件质量检测的全面性和实时性,且检测过程自动化程度和效率高,本申请提供一种用于实现所述金融交易软件的质量检测方法中全部或部分内容的金融交易软件的质量检测装置的实施例,参见图3,所述金融交易软件的质量检测装置具体包含有如下内容:
获取基本软件质量数据模块10,用于基于预设的DevOps文件,应用Jenkins工具触发目标金融交易软件的软件测试过程,并根据对应的软件测试的结果获取该目标金融交易软件对应的基本软件质量数据,以及将该基本质量指标数据存储在Jira工具中,该Jira工具中还预存储有所述目标金融交易软件对应的进度指标数据。
优化模块20,用于判断目标系统中是否存在用户评价指标数据,若是,则将由该用户评价指标数据、所述基本质量指标数据和进度指标数据组成的目标软件质量指标数据输入预获取的质量评价模型,并根据该质量评价模型的输出结果,应用预设质量优化方式对所述目标金融交易软件进行质量优化处理。
参见图4,在本申请一个实施例中,所述的金融交易软件的质量检测装置,还包含有:
获取历史数据模块01,用于获取多组历史软件质量指标数据及分别对应的评价等级结果。
历史数据预处理模块02,用于对各组所述历史软件质量指标数据分别进行预处理和降维处理。
训练模块03,用于应用所述预处理和降维处理后的历史软件质量指标数据,以及对应的评价等级结果,对设有敏感损失函数的支持向量机分类模型进行训练,以生成所述质量评价模型。
在本申请一个实施例中,所述的金融交易软件的质量检测装置,还包含有:
预处理模块,用于对所述目标软件质量指标数据进行预处理和降维处理。
在本申请一个实施例中,所述基本质量指标数据包括:所述目标金融交易软件的各个缺陷类别分别对应的缺陷数量和等级;相对应的,所述预处理模块包含有:获取缺陷数单元,用于将各个缺陷类别分别对应的缺陷数量和缺陷等级乘积进行累加并取倒数,获得目标缺陷数。
在本申请一个实施例中,所述预处理模块包含有:约减降维单元,用于在所述对各组所述历史软件质量指标数据分别进行预处理之后,应用PCA主成分分析法和K-L变换法对预处理处理后的所述目标软件质量指标数据进行约减降维。
本说明书提供的金融交易软件的质量检测装置的实施例具体可以用于执行上述金融交易软件的质量检测方法的实施例的处理流程,其功能在此不再赘述,可以参照上述金融交易软件的质量检测方法实施例的详细描述。
参见图5,为了进一步说明本方案,本申请还提供一种金融交易软件的质量检测装置的具体应用实例,在该具体应用实例中,所述金融交易软件的质量检测装置包含有数据来源模块1、指标统计模块2、数据预处理模块3、数据降维模块4、数据分析模块5、质量评估模块6和顾客评价模块7,具体描述如下:
数据来源模块1:获取在项目的各个阶段进行监控指标,包括需求分析、详细设计、软件开发、测试、软件交付以及后期运维的各个阶段。
指标统计模块2:通过DevOps方法,结合Jira和Jenkins等工具,自动化进行指标收集。
数据预处理模块3:各指标统计的数值标准不同,为保证后续分析的科学性,对指标进行初步处理,统一标准。
数据降维模块4:监控项较多会一定程度上影响计算速率,对获得的指标数据采用主成分分析方法进行数据降维,提升后续计算速率。
数据分析模块5:对降维后的数据建立模型,采用增量的主成分分析方法进行处理分析,获得评价等级数。
质量评估模块6:通过数据分析5中分析所得评价等级数,给出项目质量等级,若达到良好及以上则进行后续交付工作,将软件交付给客户,反之则返回给开发改进,继续循环。
顾客评价模块7:交付顾客后,通过顾客对软件质量、提出问题给出响应、问题解决程度等方面的评价,进一步得到顾客价值维度指标数据,作为增量指标再次循环分析,指导开发改进。
为了进一步说明本方案,结合上述金融交易软件的质量检测装置,本申请还提供一种金融交易软件的质量检测方法的具体应用实例,具体包含有如下内容:
步骤S1:对于项目评价指标进行统计。
在指标统计过程中,需求分析阶段需要关注需求分析书、需求分析评审结果,从Jira中获得需求拆分到最小项情况、人员规模以及物质资源安排情况。
详细设计阶段需要关注设计进度、详细设计文档是否涵盖需求中所有功能,是否包括接口、表结构、数据格式、参数等约束。
开发过程中需要关注开发进度逾期情况、成员工作负荷情况、任务计划制定合理情况,如中心项目的单一编码或功能测试任务都集中在一天创建与关闭等情况,关注代码的Jira关联率等。
测试过程中需要关注缺陷数,通过Jira管理获得相关数据,采用DevOps思想自动化进行测试管理,采用自动化测试工具进行单元测试、接口测试、ui测试、性能测试、批量测试和安全测试,通过Jenkins调起测试并获得相关测试数据。
软件交付时需要关注验收检测,检测系统功能是否满足用户提出的要求,关注用户体验,用户对页面友好程度和页面布局等的满意程度。
如图6和表1所示,项目质量监控201时,监控项可进一步归纳为基本质量维度202、顾客价值维度203以及组织管理特性204。
表1
步骤S2:对每个阶段收集到的指标数据进行预处理,将非数字化的指标进行量化。
具体地,对缺陷数将缺陷数量n与缺陷等级L的乘积进行累加,并取倒数作为最终缺陷数x11=1/∑(n×L)。对覆盖情况、各项进度、文档完整性等涉及比率的数值均用实际数值S与公司内计划或规定数值P的比值表示x=S/P。对于涉及满意度、信赖度等数据均用差、较差、合格、较好、好来表示:x=(差,较差,合格,较好,好),档次数值范围为(0.2,0.4,0.6,0.8,1)。
步骤S3:对所得的所有指标进行约减降维,此处采用PCA主成分分析法,对所有数据进行分析,通过K-L变换,将数据进行约减,提升分类速度并降低数据噪声作用。最终获得监控类别x1至x11对应的值。
步骤S4:在降维后分类计算量大大降低,其评价指标集为x={x1,x2,……x11},将结果即软件质量划分为优、良、中和差四个评价等级,用数学语言Y={y1,y2,y3,y4}表示,评价等级范围为{0.4,0.6,0.8,1}。
利用支持向量机的回归算法构建质量评价模型,也就是在支持向量机分类基础上引入ε敏感损失函数的算法,ε敏感损失函数表示为:
G(f(x),y)=max(|f(x)-y|-ε,0)(ε>0)
训练样本数据{xi,yi},x为输入值即输入指标,y为输出离散值即评价等级结果,二者满足函数:其中/>为向量点积,/>为地位控件到高位控件的非线性映射。利用下述公式求得ω和b:
τi,τi为松弛变量且均大于零,该变量是为了避免个别样本不能被正确分类,C为惩罚参数是大于零的常数。利用拉格朗日函数获得对偶形式:
其中为核函数,代替的是高位特征空间中的内积运算,核函数是为了实现非线性分类,将函数集容量以及经验风险折中处理,从而防止过拟合。本方法中主要选用径向基核函数,该核函数的核参数相对较少,从而获得最终决策函数:
采用Python按上述方式建立支持向量机模型,也可直接采用Python开源库获得支持向量机模型,连接前面数据收集处理过程,输入样本评价指标数据{x1,x2,……x11},实现对软件质量的检测。
在项目的每个阶段结束时,都进行一次指标的收集更新,由于数据来源为自动化的收集管理,每次指标的收集更新无需耗费大量人力物力,后采用上述同样的方法进行评估模型训练,即可实现软件质量阶段性评估。
由上述描述可知,为了解决软件质量检测的局限性,对软件基本质量、顾客维度以及组织管理特性进行全面的评估,建立量化分析,实现从较小样本中获得足够分类信息,在项目进行过程中的各个阶段,给出快速、科学的项目质量检测结果,为开发的及时改进提供参考。本申请提出一种金融交易软件的质量检测方法及装置,能够提高软件质量检测的全面性和实时性,且检测过程自动化程度和效率高,具体地,能够实现在软件进程的各阶段实现软件质量的快速检测,在关注软件本身的质量特性的同时,将用户体验反馈即顾客价值维度以及组织管理特性考虑在内。不仅仅是在软件开发结束后给出软件质量的评估,在软件进程的各个阶段均能给出软件在当前阶段的质量评估,为开发改进提供指导作用,能够及时进行调整优化。在各项数据指标获取时,充分利用DevOps相关思想,通过自动化工具、配置管理和持续集成交付等方法,实现大部分指标的自动化收集。
从硬件层面来说,为了提高软件质量检测的全面性和实时性,且检测过程自动化程度和效率高,本申请提供一种用于实现所述金融交易软件的质量检测方法中的全部或部分内容的电子设备的实施例所述电子设备具体包含有如下内容:
处理器(processor)、存储器(memory)、通信接口(Communications Interface)和总线;其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;所述通信接口用于实现所述金融交易软件的质量检测装置以及用户终端等相关设备之间的信息传输;该电子设备可以是台式计算机、平板电脑及移动终端等,本实施例不限于此。在本实施例中,该电子设备可以参照实施例用于实现所述金融交易软件的质量检测方法的实施例及用于实现所述金融交易软件的质量检测装置的实施例进行实施,其内容被合并于此,重复之处不再赘述。
图7为本申请实施例的电子设备9600的系统构成的示意框图。如图7所示,该电子设备9600可以包括中央处理器9100和存储器9140;存储器9140耦合到中央处理器9100。值得注意的是,该图7是示例性的;还可以使用其他类型的结构,来补充或代替该结构,以实现电信功能或其他功能。
在本申请一个或多个实施例中,金融交易软件的质量检测功能可以被集成到中央处理器9100中。其中,中央处理器9100可以被配置为进行如下控制:
步骤100:基于预设的DevOps文件,应用Jenkins工具触发目标金融交易软件的软件测试过程,并根据对应的软件测试的结果获取该目标金融交易软件对应的基本软件质量数据,以及将该基本质量指标数据存储在Jira工具中,该Jira工具中还预存储有所述目标金融交易软件对应的进度指标数据。
步骤200:判断目标系统中是否存在用户评价指标数据,若是,则将由该用户评价指标数据、所述基本质量指标数据和进度指标数据组成的目标软件质量指标数据输入预获取的质量评价模型,并根据该质量评价模型的输出结果,应用预设质量优化方式对所述目标金融交易软件进行质量优化处理。
从上述描述可知,本申请的实施例提供的电子设备,能够提高软件质量检测的全面性和实时性,且检测过程自动化程度和效率高。
在另一个实施方式中,金融交易软件的质量检测装置可以与中央处理器9100分开配置,例如可以将金融交易软件的质量检测装置配置为与中央处理器9100连接的芯片,通过中央处理器的控制来实现金融交易软件的质量检测功能。
如图7所示,该电子设备9600还可以包括:通信模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是,电子设备9600也并不是必须要包括图7中所示的所有部件;此外,电子设备9600还可以包括图7中没有示出的部件,可以参考现有技术。
如图7所示,中央处理器9100有时也称为控制器或操作控件,可以包括微处理器或其他处理器装置和/或逻辑装置,该中央处理器9100接收输入并控制电子设备9600的各个部件的操作。
其中,存储器9140,例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息,此外还可存储执行有关信息的程序。并且中央处理器9100可执行该存储器9140存储的该程序,以实现信息存储或处理等。
输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器,但并不限于此。
该存储器9140可以是固态存储器,例如,只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器,其即使在断电时也保存信息,可被选择性地擦除且设有更多数据,该存储器的示例有时被称为EPROM等。存储器9140还可以是某种其它类型的装置。存储器9140包括缓冲存储器9141(有时被称为缓冲器)。存储器9140可以包括应用/功能存储部9142,该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。
存储器9140还可以包括数据存储部9143,该数据存储部9143用于存储数据,例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器9140的驱动程序存储部9144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通信模块9110即为经由天线9111发送和接收信号的发送机/接收机9110。通信模块(发送机/接收机)9110耦合到中央处理器9100,以提供输入信号和接收输出信号,这可以和常规移动通信终端的情况相同。
基于不同的通信技术,在同一电子设备中,可以设置有多个通信模块9110,如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)9110还经由音频处理器9130耦合到扬声器9131和麦克风9132,以经由扬声器9131提供音频输出,并接收来自麦克风9132的音频输入,从而实现通常的电信功能。音频处理器9130可以包括任何合适的缓冲器、解码器、放大器等。另外,音频处理器9130还耦合到中央处理器9100,从而使得可以通过麦克风9132能够在本机上录音,且使得可以通过扬声器9131来播放本机上存储的声音。
上述描述可知,本申请的实施例提供的电子设备,能够提高软件质量检测的全面性和实时性,且检测过程自动化程度和效率高。
本申请的实施例还提供能够实现上述实施例中的金融交易软件的质量检测方法中全部步骤的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,该计算机程序被处理器执行时实现上述实施例中的金融交易软件的质量检测方法的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
步骤100:基于预设的DevOps文件,应用Jenkins工具触发目标金融交易软件的软件测试过程,并根据对应的软件测试的结果获取该目标金融交易软件对应的基本软件质量数据,以及将该基本质量指标数据存储在Jira工具中,该Jira工具中还预存储有所述目标金融交易软件对应的进度指标数据。
步骤200:判断目标系统中是否存在用户评价指标数据,若是,则将由该用户评价指标数据、所述基本质量指标数据和进度指标数据组成的目标软件质量指标数据输入预获取的质量评价模型,并根据该质量评价模型的输出结果,应用预设质量优化方式对所述目标金融交易软件进行质量优化处理。
从上述描述可知,本申请实施例提供的计算机可读存储介质,能够提高软件质量检测的全面性和实时性,且检测过程自动化程度和效率高。
本申请中上述方法的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。相关之处参见方法实施例的部分说明即可。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本申请中应用了具体实施例对本申请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申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (12)
1.一种金融交易软件的质量检测方法,其特征在于,包括:
基于预设的DevOps文件,应用Jenkins工具触发目标金融交易软件的软件测试过程,并根据对应的软件测试的结果获取该目标金融交易软件对应的基本软件质量数据,以及将该基本软件质量数据存储在Jira工具中,该Jira工具中还预存储有所述目标金融交易软件对应的进度指标数据,所述基本软件质量数据包含有:缺陷数,功能覆盖需求情况,单元、接口和ui测试结果,性能测试结果,批量测试结果,系统响应时间,安全测试结果,测试程序覆盖率和分支覆盖率中的至少一种,所述进度指标数据包含有:代码关联率、文档完整性、需求拆分情况、设计进度、编码进度、测试进度人员资源、物质资源、任务计划制定和成员工作负荷中的至少一种;
判断目标系统中是否存在用户评价指标数据,若是,则将由该用户评价指标数据、所述基本软件质量数据和进度指标数据组成的目标软件质量指标数据输入预获取的质量评价模型,并根据该质量评价模型的输出结果,应用预设质量优化方式对所述目标金融交易软件进行质量优化处理,所述用户评价指标数据包含有:验收检测、用户提出问题响应时间和问题解决程度与满意度中的至少一种。
2.根据权利要求1所述的金融交易软件的质量检测方法,其特征在于,还包括:
获取多组历史软件质量指标数据及分别对应的评价等级结果;
对各组所述历史软件质量指标数据分别进行预处理和降维处理;
应用所述预处理和降维处理后的历史软件质量指标数据,以及对应的评价等级结果,对设有敏感损失函数的支持向量机分类模型进行训练,以生成所述质量评价模型。
3.根据权利要求1所述的金融交易软件的质量检测方法,其特征在于,在将所述目标软件质量指标数据输入预获取的质量评价模型之前,还包括:
对所述目标软件质量指标数据进行预处理和降维处理。
4.根据权利要求3所述的金融交易软件的质量检测方法,其特征在于,所述基本软件质量数据包括:
所述目标金融交易软件的各个缺陷类别分别对应的缺陷数量和等级;
相对应的,所述对所述目标软件质量指标数据进行预处理,包括:
将各个缺陷类别分别对应的缺陷数量和缺陷等级乘积进行累加并取倒数,获得目标缺陷数。
5.根据权利要求3所述的金融交易软件的质量检测方法,其特征在于,在所述对所述目标软件质量指标数据进行预处理之后,包括:
应用PCA主成分分析法和K-L变换法对预处理处理后的所述目标软件质量指标数据进行约减降维。
6.一种金融交易软件的质量检测装置,其特征在于,包括:
获取基本软件质量数据模块,用于基于预设的DevOps文件,应用Jenkins工具触发目标金融交易软件的软件测试过程,并根据对应的软件测试的结果获取该目标金融交易软件对应的基本软件质量数据,以及将该基本软件质量数据存储在Jira工具中,该Jira工具中还预存储有所述目标金融交易软件对应的进度指标数据,所述基本软件质量数据包含有:缺陷数,功能覆盖需求情况,单元、接口和ui测试结果,性能测试结果,批量测试结果,系统响应时间,安全测试结果,测试程序覆盖率和分支覆盖率中的至少一种,所述进度指标数据包含有:代码关联率、文档完整性、需求拆分情况、设计进度、编码进度、测试进度人员资源、物质资源、任务计划制定和成员工作负荷中的至少一种;
优化模块,用于判断目标系统中是否存在用户评价指标数据,若是,则将由该用户评价指标数据、所述基本软件质量数据和进度指标数据组成的目标软件质量指标数据输入预获取的质量评价模型,并根据该质量评价模型的输出结果,应用预设质量优化方式对所述目标金融交易软件进行质量优化处理,所述用户评价指标数据包含有:验收检测、用户提出问题响应时间和问题解决程度与满意度中的至少一种。
7.根据权利要求6所述的金融交易软件的质量检测装置,其特征在于,还包括:
获取历史数据模块,用于获取多组历史软件质量指标数据及分别对应的评价等级结果;
历史数据预处理模块,用于对各组所述历史软件质量指标数据分别进行预处理和降维处理;
训练模块,用于应用所述预处理和降维处理后的历史软件质量指标数据,以及对应的评价等级结果,对设有敏感损失函数的支持向量机分类模型进行训练,以生成所述质量评价模型。
8.根据权利要求6所述的金融交易软件的质量检测装置,其特征在于,还包括:
预处理模块,用于对所述目标软件质量指标数据进行预处理和降维处理。
9.根据权利要求8所述的金融交易软件的质量检测装置,其特征在于,所述基本软件质量数据包括:
所述目标金融交易软件的各个缺陷类别分别对应的缺陷数量和等级;
相对应的,所述预处理模块包括:
获取缺陷数单元,用于将各个缺陷类别分别对应的缺陷数量和缺陷等级乘积进行累加并取倒数,获得目标缺陷数。
10.根据权利要求8所述的金融交易软件的质量检测装置,其特征在于,所述预处理模块包括:
约减降维单元,用于在所述对所述目标软件质量指标数据进行预处理之后,应用PCA主成分分析法和K-L变换法对预处理处理后的所述目标软件质量指标数据进行约减降维。
11.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至5任一项所述的金融交易软件的质量检测方法。
12.一种计算机可读存储介质,其上存储有计算机指令,其特征在于,所述指令被执行时实现权利要求1至5任一项所述的金融交易软件的质量检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010131418.1A CN111352841B (zh) | 2020-02-28 | 2020-02-28 | 金融交易软件的质量检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010131418.1A CN111352841B (zh) | 2020-02-28 | 2020-02-28 | 金融交易软件的质量检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111352841A CN111352841A (zh) | 2020-06-30 |
CN111352841B true CN111352841B (zh) | 2023-11-21 |
Family
ID=71194198
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010131418.1A Active CN111352841B (zh) | 2020-02-28 | 2020-02-28 | 金融交易软件的质量检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111352841B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116993286B (zh) * | 2023-07-24 | 2024-04-12 | 北京泰策科技有限公司 | 基于测试进度反推项目进度的测试管理系统及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105468512A (zh) * | 2014-09-05 | 2016-04-06 | 北京畅游天下网络技术有限公司 | 一种对软件质量进行评估的方法和系统 |
CN109146402A (zh) * | 2018-07-13 | 2019-01-04 | 成都颠峰科创信息技术有限公司 | 一种软件开发供应商交付质量的评估方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10481981B2 (en) * | 2013-06-19 | 2019-11-19 | Virtual Forge GmbH | System and method for automatic correction of a database configuration in case of quality defects |
-
2020
- 2020-02-28 CN CN202010131418.1A patent/CN111352841B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105468512A (zh) * | 2014-09-05 | 2016-04-06 | 北京畅游天下网络技术有限公司 | 一种对软件质量进行评估的方法和系统 |
CN109146402A (zh) * | 2018-07-13 | 2019-01-04 | 成都颠峰科创信息技术有限公司 | 一种软件开发供应商交付质量的评估方法 |
Non-Patent Citations (1)
Title |
---|
李军锋 ; 顾滨兵 ; 李海浩 ; .软件测试质量评价方法.计算机与现代化.2018,(第09期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111352841A (zh) | 2020-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111861569B (zh) | 产品信息推荐方法及装置 | |
CN110222880B (zh) | 业务风险的确定方法、模型训练方法和数据处理方法 | |
CN111340558B (zh) | 基于联邦学习的线上信息处理方法、装置、设备及介质 | |
CN110084616A (zh) | 智能回访方法、装置、计算机装置及存储介质 | |
CN110363411B (zh) | 利用话术智能推荐的风险控制方法及装置 | |
CN111383094A (zh) | 产品服务全链驱动方法、设备及可读存储介质 | |
CN116541610B (zh) | 一种推荐模型的训练方法及装置 | |
CN111932267A (zh) | 企业金融服务风险预测方法及装置 | |
CN111931189B (zh) | Api接口转用风险检测方法、装置和api服务系统 | |
CN111815169A (zh) | 业务审批参数配置方法及装置 | |
CN111949795A (zh) | 工单自动分类方法及装置 | |
CN112035325B (zh) | 文本机器人自动监控方法及装置 | |
CN110992190A (zh) | 基于用户画像的资产配置方法及装置 | |
CN109615384A (zh) | 时效性核对规则的生成方法、装置和服务器 | |
CN111352841B (zh) | 金融交易软件的质量检测方法及装置 | |
CN111985857A (zh) | 审核方法以及装置 | |
CN114971693A (zh) | 一种基于bim的工程造价咨询管理系统 | |
CN113485993A (zh) | 数据识别方法以及装置 | |
CN115860548B (zh) | 基于大数据的SaaS一站式平台管理方法、系统及介质 | |
CN113515447B (zh) | 系统自动化测试方法及装置 | |
CN112163861B (zh) | 交易风险要素特征提取方法及装置 | |
CN112085497A (zh) | 用户账户数据的处理方法及装置 | |
CN111881008A (zh) | 一种数据评测、模型训练方法、装置、设备及存储介质 | |
CN110619537A (zh) | 用于生成信息的方法和装置 | |
CN113742243B (zh) | 应用评测方法、装置、电子设备和计算机可读介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |