CN112379913A - 基于风险识别的软件优化方法、装置、设备及存储介质 - Google Patents
基于风险识别的软件优化方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112379913A CN112379913A CN202011305825.6A CN202011305825A CN112379913A CN 112379913 A CN112379913 A CN 112379913A CN 202011305825 A CN202011305825 A CN 202011305825A CN 112379913 A CN112379913 A CN 112379913A
- Authority
- CN
- China
- Prior art keywords
- risk
- data
- software
- risks
- processing
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 83
- 238000013522 software testing Methods 0.000 claims abstract description 26
- 238000012360 testing method Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 abstract description 6
- 239000000047 product Substances 0.000 description 36
- 239000010410 layer Substances 0.000 description 6
- 230000007547 defect Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006399 behavior 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
- 238000012544 monitoring process Methods 0.000 description 2
- 239000002356 single layer Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 239000006227 byproduct Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007087 memory ability Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/70—Software maintenance or management
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Stored Programmes (AREA)
Abstract
本发明涉及软件测试领域，公开了基于风险识别的软件优化方法、装置、设备及存储介质，其方法包括：获取软件产品的第一数据和第二数据，第一数据包括与软件产品的产品质量风险和/或项目进度风险相关的历史数据记录，第二数据包括与产品质量风险和/或项目进度风险相关的特征数据；通过风险推荐模型处理第一数据和第二数据，生成风险推荐结果，风险推荐模型包括用于处理第一数据的wide部分和用于处理第二数据的deep部分；根据风险推荐结果生成风险处理任务，风险处理任务包括若干软件测试措施，以通过风险处理任务优化软件产品。本发明可以提高软件测试的测试效率，提高对软件风险的识别能力，进而提高软件的优化效率。
Description
技术领域
本发明涉及软件测试领域，尤其涉及一种基于风险识别的软件优化方法、装置、计算机设备及存储介质。
背景技术
在软件开发中，软件风险是客观存在的。软件风险可以分为产品质量风险和项目进度风险两个大类。产品质量风险指的是被测软件产品本身可能存在的问题，如bug太多，质量不行。项目进度风险指的是软件开发过程中，可能发生的不利的项目事件，典型的事件可能是项目延期。
为了解决软件产品潜在的风险，通常进行相应的软件测试。一般情况下，软件风险大，增强测试，软件风险小，少测或者不测。然而，如何进行软件测试通常是依赖人的智力活动，而软件产品的风险具有不确定性，一般的软件测试方法对软件风险的识别效率和准确率不高。
发明内容
基于此，有必要针对上述技术问题，提供一种基于风险识别的软件优化方法、装置、计算机设备及存储介质，以提高软件测试的测试效率，提高对软件风险的识别能力，进而提高软件的优化效率。
一种基于风险识别的软件优化方法，包括：
获取软件产品的第一数据和第二数据，所述第一数据包括与所述软件产品的产品质量风险和/或项目进度风险相关的历史数据记录，所述第二数据包括与所述产品质量风险和/或所述项目进度风险相关的特征数据；
通过风险推荐模型处理所述第一数据和所述第二数据，生成风险推荐结果，所述风险推荐模型包括用于处理所述第一数据的wide部分和用于处理所述第二数据的deep部分；
根据所述风险推荐结果生成风险处理任务，所述风险处理任务包括若干软件测试措施，以通过所述风险处理任务优化所述软件产品。
一种基于风险识别的软件优化装置，包括：
获取模块，用于获取软件产品的第一数据和第二数据，所述第一数据包括与所述软件产品的产品质量风险和/或项目进度风险相关的历史数据记录，所述第二数据包括与所述产品质量风险和/或所述项目进度风险相关的特征数据；
风险识别模块，用于通过风险推荐模型处理所述第一数据和所述第二数据，生成风险推荐结果，所述风险推荐模型包括用于处理所述第一数据的wide部分和用于处理所述第二数据的deep部分；
任务生成模块，用于根据所述风险推荐结果生成风险处理任务，所述风险处理任务包括若干软件测试措施，以通过所述风险处理任务优化所述软件产品。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，所述处理器执行所述计算机可读指令时实现上述基于风险识别的软件优化方法。
一个或多个存储有计算机可读指令的可读存储介质，所述计算机可读指令被一个或多个处理器执行时，使得所述一个或多个处理器执行如上述基于风险识别的软件优化方法。
上述基于风险识别的软件优化方法、装置、计算机设备及存储介质，通过获取软件产品的第一数据和第二数据，所述第一数据包括与所述软件产品的产品质量风险和/或项目进度风险相关的历史数据记录，所述第二数据包括与所述产品质量风险和/或所述项目进度风险相关的特征数据，以获取风险推荐模型的输入数据。通过风险推荐模型处理所述第一数据和所述第二数据，生成风险推荐结果，所述风险推荐模型包括用于处理所述第一数据的wide部分和用于处理所述第二数据的deep部分，以获得风险推荐结果，确定风险的范围。根据所述风险推荐结果生成风险处理任务，所述风险处理任务包括若干软件测试措施，以通过所述风险处理任务优化所述软件产品，以排除软件产品的产品质量风险和项目进度风险。本发明可以提高软件测试的测试效率，提高对软件风险的识别能力，进而提高软件的优化效率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例中基于风险识别的软件优化方法的一应用环境示意图；
图2是本发明一实施例中基于风险识别的软件优化方法的一流程示意图；
图3是本发明一实施例中基于风险识别的软件优化装置的一结构示意图；
图4是本发明一实施例中计算机设备的一示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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作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。
本实施例提供的基于风险识别的软件优化方法，可应用在如图1的应用环境中，其中，客户端与服务端进行通信。其中，客户端包括但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务端可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中，如图2所示，提供一种基于风险识别的软件优化方法，以该方法应用在图1中的服务端为例进行说明，包括如下步骤：
S10、获取软件产品的第一数据和第二数据，所述第一数据包括与所述软件产品的产品质量风险和/或项目进度风险相关的历史数据记录，所述第二数据包括与所述产品质量风险和/或所述项目进度风险相关的特征数据。
可理解地，软件产品可以指需要进行开发或更新的计算机软件。产品质量风险指的是软件产品本身存在的问题，如bug太多，运行效率低等。项目进度风险指的是软件产品开发过程中出现的不利事件，如项目延期。产品质量风险和项目进度风险均可以划分出多个子类。
历史数据记录包括但不限于软件产品项目所涉及的系统、相关风险、风险引用次数。特征数据包括项目特征和风险特征。项目特征包括但不限于项目系统、项目开始时间、项目结束时间、项目资源、项目复杂度、项目类型、项目客户、项目使用语言、项目团队。风险特征包括但不限于风险名称、风险描述、风险大类、风险小类、风险来源、可能引发的问题、所属系统、引用次数。
S20、通过风险推荐模型处理所述第一数据和所述第二数据，生成风险推荐结果，所述风险推荐模型包括用于处理所述第一数据的wide部分和用于处理所述第二数据的deep部分。
本实施例中，风险推荐模型是基于Wide&Deep算法构建的推荐模型。风险推荐模型是由单层的Wide部分和多层的Deep部分组成的混合模型。其中，Wide部分是一个单层的稀疏向量输入层，用来处理大量稀疏的id特征；Deep部分包括稀疏向量输入层、稠密的Embedding层和多隐层，利用神经网络表达能力强的特点进行深层的特征交叉。最后利用逻辑回归模型，通过输出层将Wide部分和Deep部分组合起来获得系统对风险的预测评分。在此处，系统相当于现有Wide&Deep模型中的用户(user的翻译)，风险相当于物品(item的翻译)。
风险推荐结果包括若干预测出的风险。在一示例中，每一风险设置有对应的优先等级。优先等级可以根据实际需要进行划分，如分为高、中、低三个等级。
S30、根据所述风险推荐结果生成风险处理任务，所述风险处理任务包括若干软件测试措施，以通过所述风险处理任务优化所述软件产品。
可理解地，可以根据风险推荐结果中的风险种类匹配对应的软件测试措施和/或项目优化措施，并生成相应的风险处理任务。当风险推荐结果包含产品质量风险，需要获取相应的软件测试措施。根据产品质量风险的优先等级确定软件测试措施的测试次数。一般情况下，优先等级高的产品质量风险，测试次数多；优先等级低的产品质量风险，测试次数少，甚至为零。
在一示例中，产品质量风险可以包括缺陷严重风险(指的是缺陷超出预期)和设计复杂度风险(指的是设计过于复杂)。缺陷严重风险可以采用的软件测试措施包括：增加bugsprinter(一种错误检查程序)、增加测试次数(使用80/20原则)。设计复杂度风险可以采用的软件测试措施包括：增加bug sprinter、增加测试次数。
当风险推荐结果包含项目进度风险时，可以采用的项目优化措施包括：增加技术开发人员、减少优先等级低的风险(即不处理优先等级低的风险)。
通过执行风险处理任务，可以排除软件产品的产品质量风险和项目进度风险，优化软件产品的产品质量和项目完成准时率。
步骤S10-S30中，获取软件产品的第一数据和第二数据，所述第一数据包括与所述软件产品的产品质量风险和/或项目进度风险相关的历史数据记录，所述第二数据包括与所述产品质量风险和/或所述项目进度风险相关的特征数据，以获取风险推荐模型的输入数据。通过风险推荐模型处理所述第一数据和所述第二数据，生成风险推荐结果，所述风险推荐模型包括用于处理所述第一数据的wide部分和用于处理所述第二数据的deep部分，以获得风险推荐结果，确定风险的范围。根据所述风险推荐结果生成风险处理任务，所述风险处理任务包括若干软件测试措施，以通过所述风险处理任务优化所述软件产品，以排除软件产品的产品质量风险和项目进度风险。
可选的，步骤S10，即所述通过风险推荐模型处理所述第一数据和所述第二数据之前，还包括：
S101、构建风险基线库，所述风险基线库包括按产品质量风险划分的第一类数据和按项目进度风险划分的第二类数据；
S102、基于所述第一类数据和所述第二类数据对预设推荐模型进行训练，获得训练完毕后的所述风险推荐模型。
可理解地，可以构建风险基线库，包括两个大类的数据，分别为按产品质量风险划分的第一类数据和按项目进度风险划分的第二类数据。每个大类可以分为若干小类。小类可以是预定义项。每一类数据(对应一类的风险)还设置了若干的风险属性，例如风险来源，可能引发的问题，所属系统，引用次数等。每一类数据还关联有一个或多个风险处理措施。风险处理措施可以按应急措施和预防措施。
风险基线库支持版本控制，每次被引用后引用次数+1，引用完成后如有修改支持自动新增版本。
风险推荐模型可以是基于Wide&Deep算法构建的推荐模型。Wide&Deep算法构建的模型有较强的“记忆能力”，可以直接学习并利用历史数据中物品(item)或特征的共现频率的能力，同时还有较强的“泛化能力”，具有可以使模型传递特征的相关性，以及发掘稀疏甚至从未出现过的稀有特征与最终标签相关性的能力。Wide部分的输入需要用户的历史行为数据以及待推荐的物品数据，Deep部分需要输入用户、物品的特征数据。Wide&Deep算法的优点能融合简单模型与深度神经网络，同时具有较强的“泛化能力”与“记忆能力”，能够快速处理并记忆大量历史行为特征，具有强大的表达能力模型，容易实现、训练和上线。
可选的，步骤S30，即所述根据所述风险推荐结果生成风险处理任务，所述风险处理任务包括若干软件测试措施之后，还包括：
S31、获取所述软件测试措施的测试结果；
S32、根据所述测试结果设置所述软件产品的风险状态。
可理解地，在生成的风险处理任务中，包括了若干软件测试措施。执行这些软件测试措施，可以得到相应的测试结果。可以根据测试结果重新评估当前软件产品的风险状态，判断该风险状态是否与风险推荐模型生成的风险推荐结果匹配。在此处，风险状态可以指风险等级。在一示例中，风险等级＝风险严重度*风险可能性。
可选的，所述风险推荐结果包括产品质量风险和/或项目进度风险。
在此处，风险推荐结果包括但不限于产品质量风险和项目进度风险。通过识别出的产品质量风险，可以更精确地进行软件测试，提高软件产品的产品质量。通过识别出的项目进度风险，可以确定当前的资源是否满足开发进度的需求，防止项目延期。
可选的，步骤S30，即所述根据所述风险推荐结果生成风险处理任务，所述风险处理任务包括若干软件测试措施之前，还包括：
S301、接收风险配置指令；
S302、根据所述风险配置指令设置所述风险与所述软件测试措施之间的关联关系。
特别的，在风险推荐模型中，还可以设置风险维护模块，用于风险与软件测试措施之间的关联关系。例如，可以使项目进度风险与增加技术开发人员、减少优先等级低的风险这两项项目优化措施关联。可以使缺陷严重风险与增加bug sprinter(一种错误检查程序)、增加测试次数(使用80/20原则)这两项软件测试措施关联。可以使设计复杂度风险与增加bug sprinter(一种错误检查程序)、增加测试次数这两项软件测试措施关联。
可选的，步骤S20，即所述通过风险推荐模型处理所述第一数据和所述第二数据，生成风险推荐结果之后，还包括：
S21、判断所述风险推荐结果是否满足预设报警条件；
S22、若所述风险推荐结果满足预设报警条件，发出相应的风险提示。
可理解地，可以设置监控模块，用于判断风险推荐结果是否满足预设报警条件。在监控模块中，还可以设置报警条件。基于实际的需要，可以设定风险阈值，如风险等级为中，形成预设报警条件。当风险推荐结果中的风险等级为中或者高时，发出风险提示。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
在一实施例中，提供一种基于风险识别的软件优化装置，该基于风险识别的软件优化装置与上述实施例中基于风险识别的软件优化方法一一对应。如图3所示，该基于风险识别的软件优化装置包括获取模块10、风险识别模块20和任务生成模块30。各功能模块详细说明如下：
获取模块10，用于获取软件产品的第一数据和第二数据，所述第一数据包括与所述软件产品的产品质量风险和/或项目进度风险相关的历史数据记录，所述第二数据包括与所述产品质量风险和/或所述项目进度风险相关的特征数据；
风险识别模块20，用于通过风险推荐模型处理所述第一数据和所述第二数据，生成风险推荐结果，所述风险推荐模型包括用于处理所述第一数据的wide部分和用于处理所述第二数据的deep部分；
任务生成模块30，用于根据所述风险推荐结果生成风险处理任务，所述风险处理任务包括若干软件测试措施，以通过所述风险处理任务优化所述软件产品。
可选的，基于风险识别的软件优化装置还包括：
基线库构建模块，用于构建风险基线库，所述风险基线库包括按产品质量风险划分的第一类数据和按项目进度风险划分的第二类数据；
模型训练模块，用于基于所述第一类数据和所述第二类数据对预设推荐模型进行训练，获得训练完毕后的所述风险推荐模型。
可选的，风险识别模块20还包括：
获取测试结果单元，用于获取所述软件测试措施的测试结果；
设置状态单元，用于根据所述测试结果设置所述软件产品的风险状态。
可选的，所述风险推荐结果包括产品质量风险和/或项目进度风险。
可选的，风险识别模块20还包括：
配置单元，用于接收风险配置指令；
关联单元，用于根据所述风险配置指令设置所述风险与所述软件测试措施之间的关联关系。
可选的，风险识别模块20还包括：
报警判断单元，用于判断所述风险推荐结果是否满足预设报警条件；
提示风险单元，用于若所述风险推荐结果满足预设报警条件，发出相应的风险提示。
关于基于风险识别的软件优化装置的具体限定可以参见上文中对于基于风险识别的软件优化方法的限定，在此不再赘述。上述基于风险识别的软件优化装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括可读存储介质、内存储器。该可读存储介质存储有操作系统、计算机可读指令和数据库。该内存储器为可读存储介质中的操作系统和计算机可读指令的运行提供环境。该计算机设备的数据库用于存储基于风险识别的软件优化方法所涉及的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机可读指令被处理器执行时以实现一种基于风险识别的软件优化方法。本实施例所提供的可读存储介质包括非易失性可读存储介质和易失性可读存储介质。
在一个实施例中，提供了一种计算机设备，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可读指令，处理器执行计算机可读指令时实现以下步骤：
获取软件产品的第一数据和第二数据，所述第一数据包括与所述软件产品的产品质量风险和/或项目进度风险相关的历史数据记录，所述第二数据包括与所述产品质量风险和/或所述项目进度风险相关的特征数据；
通过风险推荐模型处理所述第一数据和所述第二数据，生成风险推荐结果，所述风险推荐模型包括用于处理所述第一数据的wide部分和用于处理所述第二数据的deep部分；
根据所述风险推荐结果生成风险处理任务，所述风险处理任务包括若干软件测试措施，以通过所述风险处理任务优化所述软件产品。
在一个实施例中，提供了一个或多个存储有计算机可读指令的计算机可读存储介质，本实施例所提供的可读存储介质包括非易失性可读存储介质和易失性可读存储介质。可读存储介质上存储有计算机可读指令，计算机可读指令被一个或多个处理器执行时实现以下步骤：
获取软件产品的第一数据和第二数据，所述第一数据包括与所述软件产品的产品质量风险和/或项目进度风险相关的历史数据记录，所述第二数据包括与所述产品质量风险和/或所述项目进度风险相关的特征数据；
通过风险推荐模型处理所述第一数据和所述第二数据，生成风险推荐结果，所述风险推荐模型包括用于处理所述第一数据的wide部分和用于处理所述第二数据的deep部分；
根据所述风险推荐结果生成风险处理任务，所述风险处理任务包括若干软件测试措施，以通过所述风险处理任务优化所述软件产品。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，所述的计算机可读指令可存储于一非易失性可读取存储介质或易失性可读存储介质中，该计算机可读指令在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于风险识别的软件优化方法，其特征在于，包括：
获取软件产品的第一数据和第二数据，所述第一数据包括与所述软件产品的产品质量风险和/或项目进度风险相关的历史数据记录，所述第二数据包括与所述产品质量风险和/或所述项目进度风险相关的特征数据；
通过风险推荐模型处理所述第一数据和所述第二数据，生成风险推荐结果，所述风险推荐模型包括用于处理所述第一数据的wide部分和用于处理所述第二数据的deep部分；
根据所述风险推荐结果生成风险处理任务，所述风险处理任务包括若干软件测试措施，以通过所述风险处理任务优化所述软件产品。
2.如权利要求1所述的基于风险识别的软件优化方法，其特征在于，所述通过风险推荐模型处理所述第一数据和所述第二数据之前，还包括：
构建风险基线库，所述风险基线库包括按产品质量风险划分的第一类数据和按项目进度风险划分的第二类数据；
基于所述第一类数据和所述第二类数据对预设推荐模型进行训练，获得训练完毕后的所述风险推荐模型。
3.如权利要求1所述的基于风险识别的软件优化方法，其特征在于，所述根据所述风险推荐结果生成风险处理任务，所述风险处理任务包括若干软件测试措施之后，还包括：
获取所述软件测试措施的测试结果；
根据所述测试结果设置所述软件产品的风险状态。
4.如权利要求1所述的基于风险识别的软件优化方法，其特征在于，所述风险推荐结果包括产品质量风险和/或项目进度风险。
5.如权利要求4所述的基于风险识别的软件优化方法，其特征在于，所述根据所述风险推荐结果生成风险处理任务，所述风险处理任务包括若干软件测试措施之前，还包括：
接收风险配置指令；
根据所述风险配置指令设置所述风险与所述软件测试措施之间的关联关系。
6.如权利要求1所述的基于风险识别的软件优化方法，其特征在于，所述通过风险推荐模型处理所述第一数据和所述第二数据，生成风险推荐结果之后，还包括：
判断所述风险推荐结果是否满足预设报警条件；
若所述风险推荐结果满足预设报警条件，发出相应的风险提示。
7.一种基于风险识别的软件优化装置，其特征在于，包括：
获取模块，用于获取软件产品的第一数据和第二数据，所述第一数据包括与所述软件产品的产品质量风险和/或项目进度风险相关的历史数据记录，所述第二数据包括与所述产品质量风险和/或所述项目进度风险相关的特征数据；
风险识别模块，用于通过风险推荐模型处理所述第一数据和所述第二数据，生成风险推荐结果，所述风险推荐模型包括用于处理所述第一数据的wide部分和用于处理所述第二数据的deep部分；
任务生成模块，用于根据所述风险推荐结果生成风险处理任务，所述风险处理任务包括若干软件测试措施，以通过所述风险处理任务优化所述软件产品。
8.如权利要求7所述的基于风险识别的软件优化装置，其特征在于，还包括：
基线库构建模块，用于构建风险基线库，所述风险基线库包括按产品质量风险划分的第一类数据和按项目进度风险划分的第二类数据；
模型训练模块，用于基于所述第一类数据和所述第二类数据对预设推荐模型进行训练，获得训练完毕后的所述风险推荐模型。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，其特征在于，所述处理器执行所述计算机可读指令时实现如权利要求1至6中任一项所述基于风险识别的软件优化方法。
10.一个或多个存储有计算机可读指令的可读存储介质，所述计算机可读指令被一个或多个处理器执行时，使得所述一个或多个处理器执行如权利要求1至6中任一项所述基于风险识别的软件优化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011305825.6A CN112379913B (zh) | 2020-11-20 | 2020-11-20 | 基于风险识别的软件优化方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011305825.6A CN112379913B (zh) | 2020-11-20 | 2020-11-20 | 基于风险识别的软件优化方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112379913A true CN112379913A (zh) | 2021-02-19 |
| CN112379913B CN112379913B (zh) | 2022-01-07 |
Family
ID=74585271
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011305825.6A Active CN112379913B (zh) | 2020-11-20 | 2020-11-20 | 基于风险识别的软件优化方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112379913B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113296836A (zh) * | 2021-06-08 | 2021-08-24 | 北京百度网讯科技有限公司 | 训练模型的方法、测试方法、装置、电子设备及存储介质 |
| CN116595543A (zh) * | 2023-07-17 | 2023-08-15 | 腾源大数据信息技术(江苏)有限公司 | 一种基于互联网平台用软件开发应用数据的处理系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103208039A (zh) * | 2012-01-13 | 2013-07-17 | 株式会社日立制作所 | 软件项目风险评价方法及装置 |
| US20190250893A1 (en) * | 2018-02-09 | 2019-08-15 | International Business Machines Corporation | Automated management of undesired code use based on predicted valuation and risk analysis |
| CN110570111A (zh) * | 2019-08-30 | 2019-12-13 | 阿里巴巴集团控股有限公司 | 企业风险预测方法、模型训练方法、装置及设备 |
| CN111815204A (zh) * | 2020-08-11 | 2020-10-23 | 中国工商银行股份有限公司 | 风险评估方法、装置以及系统 |
-
2020
- 2020-11-20 CN CN202011305825.6A patent/CN112379913B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103208039A (zh) * | 2012-01-13 | 2013-07-17 | 株式会社日立制作所 | 软件项目风险评价方法及装置 |
| US20190250893A1 (en) * | 2018-02-09 | 2019-08-15 | International Business Machines Corporation | Automated management of undesired code use based on predicted valuation and risk analysis |
| CN110570111A (zh) * | 2019-08-30 | 2019-12-13 | 阿里巴巴集团控股有限公司 | 企业风险预测方法、模型训练方法、装置及设备 |
| CN111815204A (zh) * | 2020-08-11 | 2020-10-23 | 中国工商银行股份有限公司 | 风险评估方法、装置以及系统 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113296836A (zh) * | 2021-06-08 | 2021-08-24 | 北京百度网讯科技有限公司 | 训练模型的方法、测试方法、装置、电子设备及存储介质 |
| CN113296836B (zh) * | 2021-06-08 | 2022-07-22 | 北京百度网讯科技有限公司 | 训练模型的方法、测试方法、装置、电子设备及存储介质 |
| CN116595543A (zh) * | 2023-07-17 | 2023-08-15 | 腾源大数据信息技术(江苏)有限公司 | 一种基于互联网平台用软件开发应用数据的处理系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112379913B (zh) | 2022-01-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021004132A1 (zh) | 异常数据检测方法、装置、计算机设备和存储介质 | |
| US10217054B2 (en) | Escalation prediction based on timed state machines | |
| WO2019056720A1 (zh) | 自动化测试用例管理方法、装置、设备及存储介质 | |
| CN112379913B (zh) | 基于风险识别的软件优化方法、装置、设备及存储介质 | |
| CN115829297B (zh) | 装配式建筑的工作包生成方法、装置、终端及存储介质 | |
| US9612944B2 (en) | Method and system for verifying scenario based test selection, execution and reporting | |
| CN113572900A (zh) | 外呼测试方法、装置、计算机设备和计算机可读存储介质 | |
| CN113282514A (zh) | 问题数据的处理方法、装置、计算机设备和存储介质 | |
| Dhanalaxmi et al. | A review on software fault detection and prevention mechanism in software development activities | |
| CN113419950A (zh) | Ui自动化脚本的生成方法、装置、计算机设备及存储介质 | |
| CN114781532A (zh) | 机器学习模型的评估方法、装置、计算机设备及介质 | |
| CN110489093A (zh) | 一种面向ai应用的持续构造方法、装置、终端及存储介质 | |
| CN113505895A (zh) | 一种机器学习引擎服务系统及模型训练方法和配置方法 | |
| US20210286785A1 (en) | Graph-based application performance optimization platform for cloud computing environment | |
| CN110865939B (zh) | 应用程序质量监测方法、装置、计算机设备和存储介质 | |
| CN112699023B (zh) | 项目接口测试方法、装置、计算机设备及存储介质 | |
| US11314631B2 (en) | Method for automatically validating COTS and device for implementing the method | |
| CN110969430B (zh) | 可疑用户的识别方法、装置、计算机设备和存储介质 | |
| US20210311814A1 (en) | Pattern recognition for proactive treatment of non-contiguous growing defects | |
| US20230359925A1 (en) | Predictive Severity Matrix | |
| US12081562B2 (en) | Predictive remediation action system | |
| US11782784B2 (en) | Remediation action system | |
| US20240256959A1 (en) | Bias detection in machine learning tools | |
| US20240012637A1 (en) | Software aided governance for project contribution on source code management (scm) and continuous integration (ci) environments | |
| EP4184328A1 (en) | Medical imaging device fault handling |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Software optimization methods, devices, equipment and storage media based on risk identification Effective date of registration: 20230220 Granted publication date: 20220107 Pledgee: Shanghai Pudong Development Bank Co.,Ltd. Xuhui sub branch Pledgor: Shanghai Fu Shen Lan Software Co.,Ltd. Registration number: Y2023310000034 |
|
| PC01 | Cancellation of the registration of the contract for pledge of patent right | ||
| PC01 | Cancellation of the registration of the contract for pledge of patent right |
Date of cancellation: 20231023 Granted publication date: 20220107 Pledgee: Shanghai Pudong Development Bank Co.,Ltd. Xuhui sub branch Pledgor: Shanghai Fu Shen Lan Software Co.,Ltd. Registration number: Y2023310000034 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Software optimization methods, devices, equipment, and storage media based on risk identification Effective date of registration: 20231026 Granted publication date: 20220107 Pledgee: Shanghai Pudong Development Bank Co.,Ltd. Xuhui sub branch Pledgor: Shanghai Fu Shen Lan Software Co.,Ltd. Registration number: Y2023310000684 |