CN111881058B - 一种软件工程质量预测方法 - Google Patents

一种软件工程质量预测方法 Download PDF

Info

Publication number
CN111881058B
CN111881058B CN202010790231.2A CN202010790231A CN111881058B CN 111881058 B CN111881058 B CN 111881058B CN 202010790231 A CN202010790231 A CN 202010790231A CN 111881058 B CN111881058 B CN 111881058B
Authority
CN
China
Prior art keywords
quality
data
software configuration
configuration item
process data
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
Application number
CN202010790231.2A
Other languages
English (en)
Other versions
CN111881058A (zh
Inventor
程胜
王楠
万金晶
谢金龙
樊瑞婷
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.)
Beijing Shenzhou Aerospace Software Technology Co ltd
Original Assignee
Beijing Shenzhou Aerospace Software Technology 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 Beijing Shenzhou Aerospace Software Technology Co ltd filed Critical Beijing Shenzhou Aerospace Software Technology Co ltd
Priority to CN202010790231.2A priority Critical patent/CN111881058B/zh
Publication of CN111881058A publication Critical patent/CN111881058A/zh
Application granted granted Critical
Publication of CN111881058B publication Critical patent/CN111881058B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/70—Software maintenance or management
    • G06F8/71—Version control; Configuration management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Computer Security & Cryptography (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Stored Programmes (AREA)

Abstract

本发明公开的软件工程质量预测方法，涉及软件工程技术领域，通过判断当前软件配置项的过程数据/质量数据的样本数量是否大于设定的阈值，若是，则将当前软件配置项的过程数据/质量数据输入训练过的时间序列分析ARIMA模型，预测软件工程的质量,若否，则将当前软件配置项的过程数据/质量数据输入训练过的灰度预测GM模型，预测软件工程的质量，减少了工作量，提高了软件工程态势评估的效率及准确度。

Description

一种软件工程质量预测方法
技术领域
本发明涉及软件工程技术领域，具体涉及一种软件工程质量预测方法。
背景技术
目前，对软件工程态势的评估主要通过人工统计并分析软件配置项中过程数据及质量数据，在软件运行过程中或运行后，对软件进行检查的方式实现的，该方式存在的缺陷为：工作量大，效率低，因失误、疏忽容易导致评估结果不准确。
发明内容
为解决现有技术的不足，本发明实施例提供了一种软件工程质量预测方法，该方法包括以下步骤：
判断当前软件配置项的过程数据/质量数据的样本数量是否大于设定的阈值；
若是，则将当前软件配置项的过程数据/质量数据输入训练过的时间序列分析ARIMA模型，预测软件工程的质量；
若否，则将当前软件配置项的过程数据/质量数据输入训练过的灰度预测GM模型，预测软件工程的质量。
优选地，所述方法还包括：
根据公式P1＝P/N，计算当前软件配置项参研单位的历史人均研制效率P1，其中，P＝M1/N1，N为当前软件配置项参研单位研制的软件配置项数量，M1为当前软件配置项中软件代码的行数，N1为完成软件研制参与的人数与天数的乘积；
提取当前软件工程任务书中功能要求及性能要求的关键字并从已经研制完成的软件配置项集合中随机选取所述关键字相同的设定数量的软件配置项；
计算所述软件配置项的人均研制效率P2；
分别为P1、P2设置权重a及b，权重之和为1，根据公式P＝P1a+P2b，计算当前软件配置项的最终研制效率；
根据当前软件配置项的软件规模、人力资源信息，预测当前软件配置项的研制进度。
优选地，所述时间序列分析ARIMA模型的创建过程包括：
通过人工，分别设置历史软件配置项中各个过程数据及各个质量数据的分值及对应的权重；
将各个过程数据的分值及对应的权重相乘后累加，得到各个过程数据的综合分值；
将各个质量数据的分值及对应的权重相乘后累加，得到各个质量数据的综合分值；
将各个过程数据中的部分过程数据、所述部分过程数据的分值及对应的权重、各个过程数据中的部分过程数据、所述部分过程数据的分值及对应的权重作为训练数据，输入时间序列分析ARIMA模型，对时间序列分析ARIMA模型；
利用各个过程数据中剩余的过程数据、所述剩余的过程数据的分值及对应的权重、各个质量数据中剩余的质量数据、所述剩余的质量数据的分值及对应的权重，预测时间序列分析ARIMA模型预测的准确度，若预测准确度下降，则纠正训练数据并再次对时间序列分析ARIMA模型进行训练。
优选地，所述灰度预测GM模型的创建过程包括：
从历史软件工程质量报告中获取参数“发现问题个数”、“已解决问题个数”、“已解决问题经过的测试轮数”，利用近似算法，分别得到参数“发现问题个数”、“已解决问题个数”、“已解决问题经过的测试轮数”的发展趋势图；
将参数“发现问题个数”、“已解决问题个数”、“已解决问题经过的测试轮数”及对应的发展趋势图输入灰度预测GM模型，对灰度预测GM模型进行训练。
本发明实施例提供的软件工程质量预测方法具有以下有益效果：
利用训练过的时间序列分析ARIMA模型及灰度预测GM模型组合形成的模型，分别预测不同样本数量的过程数据及质量数据，减少了工作量，提高了软件工程态势评估的效率及准确度，解决了当前依靠人工统计并分析软件配置项中过程数据及质量数据存在的工作量大、准确度低的问题。
具体实施方式
以下结合具体实施例对本发明作具体的介绍。
本发明实施例提供的软件工程质量预测方法包括以下步骤：
S101，判断当前软件配置项的过程数据/质量数据的样本数量是否大于设定的阈值；
S102，若是，则将当前软件配置项的过程数据/质量数据输入训练过的时间序列分析ARIMA模型，预测软件工程的质量；
S103，若否，则将当前软件配置项的过程数据/质量数据输入训练过的灰度预测GM模型，预测软件工程的质量。
作为本发明一个具体的实施例，灰度预测GM模型需要的样本数量比较少，精确度比较高。数据样本分布不需要有规律性，计算简便，检验方便，但灰度预测GM模型对历史数据有很强的依赖性，没有考虑各个因素之间的联系，所以误差偏大，只适合做中短期预测，不适合长期预测。当系统运行一段时间后，如果积累的样本数量大于50个后，采用时间序列分析ARIMA模型进行预测。
可选地，该方法还包括：
根据公式P1＝P/N，计算当前软件配置项参研单位的历史人均研制效率P1，其中，P＝M1/N1，N为当前软件配置项参研单位研制的软件配置项数量，M1为当前软件配置项中软件代码的行数，N1为完成软件研制参与的人数与天数的乘积；
提取当前软件工程任务书中功能要求及性能要求的关键字并从已经研制完成的软件配置项集合中随机选取所述关键字相同的设定数量的软件配置项；
计算所述软件配置项的人均研制效率P2；
分别为P1、P2设置权重a及b，权重之和为1，根据公式P＝P1a+P2b，计算当前软件配置项的最终研制效率；
根据当前软件配置项的软件规模、人力资源信息，预测当前软件配置项的研制进度。
可选地，时间序列分析ARIMA模型的创建过程包括：
通过人工，分别设置历史软件配置项中各个过程数据及各个质量数据的分值及对应的权重；
将各个过程数据的分值及对应的权重相乘后累加，得到各个过程数据的综合分值；
将各个质量数据的分值及对应的权重相乘后累加，得到各个质量数据的综合分值；
将各个过程数据中的部分过程数据、所述部分过程数据的分值及对应的权重、各个过程数据中的部分过程数据、所述部分过程数据的分值及对应的权重作为训练数据，输入时间序列分析ARIMA模型，对时间序列分析ARIMA模型；
利用各个过程数据中剩余的过程数据、所述剩余的过程数据的分值及对应的权重、各个质量数据中剩余的质量数据、所述剩余的质量数据的分值及对应的权重，预测时间序列分析ARIMA模型预测的准确度，若预测准确度下降，则纠正训练数据并再次对时间序列分析ARIMA模型进行训练。
可选地，灰度预测GM模型的创建过程包括：
从历史软件工程质量报告中获取参数“发现问题个数”、“已解决问题个数”、“已解决问题经过的测试轮数”，利用近似算法，分别得到参数“发现问题个数”、“已解决问题个数”、“已解决问题经过的测试轮数”的发展趋势图；
将参数“发现问题个数”、“已解决问题个数”、“已解决问题经过的测试轮数”及对应的发展趋势图输入灰度预测GM模型，对灰度预测GM模型进行训练。
本发明实施例提供的软件工程质量预测方法，通过判断当前软件配置项的过程数据/质量数据的样本数量是否大于设定的阈值，若是，则将当前软件配置项的过程数据/质量数据输入训练过的时间序列分析ARIMA模型，预测软件工程的质量,若否，则将当前软件配置项的过程数据/质量数据输入训练过的灰度预测GM模型，预测软件工程的质量，减少了工作量，提高了软件工程态势评估的效率及准确度。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
可以理解的是，上述方法及装置中的相关特征可以相互参考。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置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。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
此外，存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
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。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商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、商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“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，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。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (2)

1.一种软件工程质量预测方法，其特征在于，包括：
判断当前软件配置项的过程数据/质量数据的样本数量是否大于设定的阈值；
若是，则将当前软件配置项的过程数据/质量数据输入训练过的时间序列分析ARIMA模型，预测软件工程的质量；
若否，则将当前软件配置项的过程数据/质量数据输入训练过的灰度预测GM模型，预测软件工程的质量，其中：
所述时间序列分析ARIMA模型的创建过程包括：
通过人工，分别设置历史软件配置项中各个过程数据及各个质量数据的分值及对应的权重；
将各个过程数据的分值及对应的权重相乘后累加，得到各个过程数据的综合分值；
将各个质量数据的分值及对应的权重相乘后累加，得到各个质量数据的综合分值；
将各个过程数据中的部分过程数据、所述部分过程数据的分值及对应的权重、各个质量数据中的部分质量数据、所述部分质量数据的分值及对应的权重作为训练数据，输入时间序列分析ARIMA模型，对时间序列分析ARIMA模型进行训练；
利用各个过程数据中剩余的过程数据、所述剩余的过程数据的分值及对应的权重、各个质量数据中剩余的质量数据、所述剩余的质量数据的分值及对应的权重，预测时间序列分析ARIMA模型预测的准确度，若预测准确度下降，则纠正训练数据并再次对时间序列分析ARIMA模型进行训练；
所述灰度预测GM模型的创建过程包括：
从历史软件工程质量报告中获取参数“发现问题个数”、“已解决问题个数”、“已解决问题经过的测试轮数”，利用近似算法，分别得到参数“发现问题个数”、“已解决问题个数”、“已解决问题经过的测试轮数”的发展趋势图；
将参数“发现问题个数”、“已解决问题个数”、“已解决问题经过的测试轮数”及对应的发展趋势图输入灰度预测GM模型，对灰度预测GM模型进行训练。
2.根据权利要求1所述的软件工程质量预测方法，其特征在于，所述方法还包括：
根据公式P1＝P/N，计算当前软件配置项参研单位的历史人均研制效率P1，其中，P＝M1/N1，N为当前软件配置项参研单位研制的软件配置项数量，M1为当前软件配置项中软件代码的行数，N1为完成软件研制参与的人数与天数的乘积；
提取当前软件工程任务书中功能要求及性能要求的关键字并从已经研制完成的软件配置项集合中随机选取所述关键字相同的设定数量的软件配置项；
计算所述软件配置项的人均研制效率P2；
分别为P1、P2设置权重a及b，权重之和为1，根据公式P＝P1a+P2b，计算当前软件配置项的最终研制效率；
根据当前软件配置项的软件规模、人力资源信息，预测当前软件配置项的研制进度。
CN202010790231.2A 2020-08-07 2020-08-07 一种软件工程质量预测方法 Active CN111881058B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010790231.2A CN111881058B (zh) 2020-08-07 2020-08-07 一种软件工程质量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010790231.2A CN111881058B (zh) 2020-08-07 2020-08-07 一种软件工程质量预测方法

Publications (2)

Publication Number Publication Date
CN111881058A CN111881058A (zh) 2020-11-03
CN111881058B true CN111881058B (zh) 2023-09-22

Family

ID=73211916

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010790231.2A Active CN111881058B (zh) 2020-08-07 2020-08-07 一种软件工程质量预测方法

Country Status (1)

Country Link
CN (1) CN111881058B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112463643A (zh) * 2020-12-16 2021-03-09 郑州航空工业管理学院 一种软件质量预测方法
CN112783762B (zh) * 2020-12-31 2024-04-09 中电金信软件有限公司 软件质量的评估方法、装置及服务器
CN113722239B (zh) * 2021-11-01 2022-01-25 南昌航空大学 机载嵌入式软件质量检测方法、装置、介质及电子设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101093445A (zh) * 2007-07-27 2007-12-26 中国科学院软件研究所 基于软件过程时序数据自动挖掘的多步预测方法和系统
CN104270281A (zh) * 2014-09-03 2015-01-07 河海大学 一种Web Service QoS组合预测方法
KR102031924B1 (ko) * 2019-01-09 2019-10-14 엘아이지넥스원 주식회사 소프트웨어 품질 측정 장치 및 그 방법

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070074151A1 (en) * 2005-09-28 2007-03-29 Rivera Theodore F Business process to predict quality of software using objective and subjective criteria

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101093445A (zh) * 2007-07-27 2007-12-26 中国科学院软件研究所 基于软件过程时序数据自动挖掘的多步预测方法和系统
CN104270281A (zh) * 2014-09-03 2015-01-07 河海大学 一种Web Service QoS组合预测方法
KR102031924B1 (ko) * 2019-01-09 2019-10-14 엘아이지넥스원 주식회사 소프트웨어 품질 측정 장치 및 그 방법

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
oftware reliability prediction model with realistic assumption using time series (S)ARIMA model;K. Kumaresan等;《Journal of Ambient Intelligence and Humanized Computing》;第11卷;第5561–5568页 *
Predicting Computer Network Traffic: A Time Series Forecasting Approach Using DWT, ARIMA and RNN;Rishabh Madan等;《 2018 Eleventh International Conference on Contemporary Computing (IC3)》;第1-5页 *
基于灰色预测理论的软件缺陷预测模型研究;李心科等;《计算机应用与软件》;第26卷(第3期);第101-103页 *
软件可靠性建模思想的比较研究;吴烨清等;《电脑知识与技术》;第4卷(第35期);第2192-2193、2204页 *
软件可靠性预测的ARIMA 方法研究;贾治宇等;《计算机工程与应用》;第44卷(第35期);第17-19页 *

Also Published As

Publication number Publication date
CN111881058A (zh) 2020-11-03

Similar Documents

Publication Publication Date Title
CN111881058B (zh) 一种软件工程质量预测方法
CN109325640B (zh) 用户价值预测方法、装置、存储介质及设备
CN108241901B (zh) 一种基于预测数据的变压器预警评估方法及装置
US20140143192A1 (en) Prediction device, prediction method, and computer readable medium
CN112418921A (zh) 用电需量预测方法、装置、系统与计算机存储介质
CN112966189B (zh) 一种基金产品推荐系统
CN113449257A (zh) 配电网线损的预测方法、控制装置、及存储介质
CN116166513A (zh) 一种针对数据库性能测试的评价方法、设备及存储介质
CN116244069A (zh) 一种扩缩容方法、装置、电子设备和可读存储介质
CN110969002A (zh) 财务指标分析报告生成方法及装置
CN115712549A (zh) 性能评估方法、设备及存储介质
CN110472742A (zh) 一种模型变量确定方法、装置及设备
US20240005259A1 (en) Index modeling
CN116843065A (zh) 一种基于机器学习的城市生活垃圾产生量预测方法及系统
CN113870005A (zh) 超参数的确定方法及装置
CN113792961A (zh) 基于审计大数据的任中经济责任审计决策方法及设备
CN106909744B (zh) 流程模型可信度动态评估方法和系统
CN113128794A (zh) 一种量化评估方法及装置
CN112116139A (zh) 一种电力需求预测方法及系统
CN112529418A (zh) 一种基于物元可拓评价模型的配电网投资效益评价方法
CN110647466B (zh) 基于DevOps的程序质量监管方法及装置
CN111461446B (zh) 基于机器学习的投诉举报案件的预测方法及装置
CN117391248A (zh) 用户流失预测方法及装置
CN117670048A (zh) 金融产品组合的评估方法、装置、存储介质以及电子设备
CN114066092A (zh) 一种预测每日股东户数的方法及设备

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