CN113504935A - 软件开发质量评估方法、装置、电子设备及可读存储介质 - Google Patents
软件开发质量评估方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN113504935A CN113504935A CN202110842972.5A CN202110842972A CN113504935A CN 113504935 A CN113504935 A CN 113504935A CN 202110842972 A CN202110842972 A CN 202110842972A CN 113504935 A CN113504935 A CN 113504935A
- Authority
- CN
- China
- Prior art keywords
- development
- data
- software
- score
- evaluation
- 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
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000011161 development Methods 0.000 claims abstract description 231
- 238000011156 evaluation Methods 0.000 claims abstract description 91
- 238000004364 calculation method Methods 0.000 claims abstract description 26
- 230000007547 defect Effects 0.000 claims description 52
- 230000006870 function Effects 0.000 claims description 37
- 238000013136 deep learning model Methods 0.000 claims description 22
- 230000008439 repair process Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 16
- 238000011176 pooling Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 8
- 238000001303 quality assessment method Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Stored Programmes (AREA)
Abstract
本发明涉及智能决策领域,揭露一种软件开发质量评估方法,包括:利用评分模型对软件待评估数据进行评分,得到第一评分数据;从所述待评估数据中获取开发数据,并根据开发数据对软件进行开发质量评价,得到第二评分;获取预设时间区间内软件开发人员名单中每个开发人员的开发故障率进行开发人员的开发能力评价,得到第三评分;利用第一评分、第二评分及第三评分进行评分综合计算,得到软件的开发质量评分;利用预设评估阈值以及开发质量评分对软件进行开发质量评估,得到评估结果。本发明还涉及一种区块链技术,所述待评估数据可以存储在区块链节点中。本发明还提出一种软件开发质量评估装置、设备以及介质。本发明可以提高软件开发质量评估的准确率。
Description
技术领域
本发明涉及智能决策领域,尤其涉及一种软件开发质量评估方法、装置、电子设备及可读存储介质。
背景技术
软件的开发质量的好坏是决定软件质量、软件开发周期等因素的重要条件,因此,在软件发布上线之前,为了判断软件能否正式上线发布,需要对软件的开发质量进行评估。
目前的软件开发质量评估方法只能根据软件的开发数据进行单一维度的简单评估,软件开发质量评估的准确率较低,无法满足软件的开发质量评估需求。
发明内容
本发明提供一种软件开发质量评估方法、装置、电子设备及计算机可读存储介质,其主要目的在于提高软件开发质量评估的准确率。
为实现上述目的,本发明提供的一种软件开发质量评估方法,包括:
获取软件的待评估数据以及开发人员名单;
利用预构建的评分模型对所述待评估数据进行评分,得到第一评分数据;
从所述待评估数据中获取开发数据,并根据所述开发数据对所述软件进行开发质量评价,得到第二评分;
获取预设时间区间内所述开发人员名单中每个开发人员的开发故障率,根据所述开发故障率进行所述开发人员的开发能力评价,得到第三评分;
利用所述第一评分、所述第二评分及所述第三评分进行评分综合计算,得到所述软件的开发质量评分;
利用预设评估阈值以及所述开发质量评分对所述软件进行开发质量评估,得到评估结果。
可选地,所述从所述待评估数据中获取开发数据,包括:
统计所述待评估数据中同一等级的缺陷的数量,得到对应等级的缺陷数量;
提取所述待评估数据中相同等级的每个缺陷的修复时长,并根据所述每个缺陷的修复时长计算提取到的同一等级的所有缺陷的修复时长的平均值,得到平均修复时长;
提取所述待评估数据中的每个用户故事的移交时长,汇总所述缺陷数量、所述平均修复时长及所述每个用户故事移交时长,得到所述开发数据。
可选地,所述根据所述开发故障率进行所述开发人员的开发能力评价,得到第三评分,包括:
获取每个所述开发人员的所有开发故障率,得到对应的开发故障率集;
将所述开发故障率集中的所有开发故障率进行算术平均计算,得到目标开发故障率;
获取每个所述开发人员在所述软件开发过程中的开发比例;
根据所述目标开发故障率及所述开发比例进行开发故障评分计算,得到所述第三评分。
可选地,所述根据所述目标开发故障率及所述开发比例进行开发故障评分计算,得到所述第三评分,包括:
计算每个所述开发人员对应的目标开发故障率及开发比例的乘积,得到开发评分;
将所有所述开发评分进行求和,得到所述第三评分。
可选地,所述利用预设评估阈值以及所述开发质量评分对所述软件进行开发质量评估,得到评估结果,包括:
当所述开发质量评分大于或等于所述评估阈值时,所述评估结果为评估通过;
当所述开发质量评分小于所述评估阈值时,所述评估结果为评估不通过,将所述软件发送至预设的终端设备进行测试。
可选地,所述利用预构建的评分模型对所述待评估数据进行评分,得到第一评分数据之前,还包括:
获取历史评估数据集,其中,所述历史评估数据集为多个具有历史开发质量评分标记的历史评估数据的集合;
利用所述历史评估数据集对预构建的深度学习模型进行迭代训练,得到所述评分模型。
可选地,所述利用所述历史评估数据集对预构建的深度学习模型进行迭代训练,得到所述评分模型,包括:
步骤A:利用所述深度学习模型对所述历史评估数据集进行预设次数的卷积池化操作,得到特征集;
步骤B:利用预设的激活函数对所述特征集中的每个特征数据进行计算,得到每个特征数据对应的分析评分;
步骤C:利用预构建的损失函数计算所述所述历史评估数据对应的所述分析评分及所述历史开发质量评分之间的损失值;
步骤D:若所述损失值大于或等于预设阈值,更新所述深度学习模型的参数,返回上述的步骤A;
步骤E:若所述损失值小于预设阈值,得到并输出所述评分模型。
为了解决上述问题,本发明还提供一种软件开发质量评估装置,所述装置包括:
数据获取模块,用于获取软件的待评估数据以及开发人员名单;
评分计算模块,用于利用预构建的评分模型对所述待评估数据进行评分,得到第一评分数据;从所述待评估数据中获取开发数据,并根据所述开发数据对所述软件进行开发质量评价,得到第二评分;获取预设时间区间内所述开发人员名单中每个开发人员的开发故障率,根据所述开发故障率进行所述开发人员的开发能力评价,得到第三评分;利用所述第一评分、所述第二评分及所述第三评分进行评分综合计算,得到所述软件的开发质量评分;
开发质量评估模块,用于利用预设评估阈值以及所述开发质量评分对所述软件进行开发质量评估,得到评估结果。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个计算机程序;及
处理器,执行所述存储器中存储的计算机程序以实现上述所述的软件开发质量评估方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个计算机程序,所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的软件开发质量评估方法。
本发明实施例利用预构建的评分模型对所述待评估数据进行评分,得到第一评分数据;从所述待评估数据中获取开发数据,并根据所述开发数据对所述软件进行开发质量评价,得到第二评分;获取预设时间区间内所述开发人员名单中每个开发人员的开发故障率,根据所述开发故障率进行所述开发人员的开发能力评价,得到第三评分;利用所述第一评分、所述第二评分及所述第三评分进行评分综合计算,得到所述软件的开发质量评分;利用预设评估阈值以及所述开发质量评分对所述软件进行开发质量评估,得到评估结果,利用模型对整体数据进行评分,进而对开发质量进行评分,最后对开发人员的开发能力进行评分,再将三个维度的评分进行综合提高了软件开发质量评估的准确率。因此本发明实施例提出的软件开发质量评估方法、装置、电子设备及可读存储介质提高了软件开发质量评估的准确率。
附图说明
图1为本发明一实施例提供的软件开发质量评估方法的流程示意图;
图2为本发明一实施例提供的软件开发质量评估装置的模块示意图;
图3为本发明一实施例提供的实现软件开发质量评估方法的电子设备的内部结构示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例提供一种软件开发质量评估方法。所述软件开发质量评估方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述软件开发质量评估方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示的本发明一实施例提供的软件开发质量评估方法的流程示意图,在本发明实施例中,所述软件开发质量评估方法包括:
本发明实施例中,所述一种软件开发质量评估方法,包括:
S1、获取软件的待评估数据以及开发人员名单;
详细地发明实施例中所述待评估数据为软件开发过程中的各种开发数据,如软件开发过程中出现的缺陷及每个缺陷对应的缺陷等级、每个缺陷修复的时长、用户故事移交时长、不同功能点产生的缺陷等数据。其中,所述缺陷为软件开发过程中出现的bug,所述用户故事为用户渴望得到的功能,所述功能点为软件中不同的功能模块。
具体地,本发明实施例中所述开发人员名单为所述软件的开发过程中参与开发的人员的信息。
S2、利用预构建的评分模型对所述待评估数据进行评分,得到第一评分数据;
详细地,本发明实施例为了更好分人对软件进行评分,利用预设的评分模型对所述待评估数据进行评分,得到第一评分数据。
可选地,本发明实施例中所述评分模型为卷积神经网络模型。
进一步地,本发明实施例中利用预构建的评分模型对所述待评估数据进行评分之前还包括训练所述评分模型。详细地,所述训练所述评分模型包括:获取历史评估数据集;利用所述历史评估数据集对预构建的深度学习模型进行迭代训练,得到所述评分模型。
其中,所述历史评估数据集中的每个历史评估数据都包含历史开发质量评分。较佳地,所述历史评估数据为与所述待评估数据类型相同但内容可能不同的软件开发数据,所述历史开发质量评分为所述历史评估数据对应的软件的开发质量的评分。
详细地,本发明实施例中利用所述历史评估数据集对预构建的深度学习模型进行迭代训练,得到所述评分模型,包括:
步骤A:利用所述深度学习模型对所述历史评估数据集进行预设次数的卷积池化操作,得到特征集;
详细地,本发明实施例中,将所述历史评估数据集输入所述深度学习模型的输入层,进一步地,由所述深度学习模型隐含层的卷积层对所述历史评估数据集每个历史评估数据进行卷积,得到卷积数据集,再由所述深度学习模型的池化层对所述卷积数据进行池化,得到特征数据,汇总所有所述特征数据得到所述特征集。
步骤B:利用预设的激活函数对所述特征集中的每个特征数据进行计算,得到每个特征数据对应的分析评分;
可选地,本发明实施例中所述激活函数为Relu函数。
进一步地,本发明较佳实施例所述激活函数包括:
其中,μt表示所述分析评分,s表示所述特征集中的特征数据。
步骤C:利用预构建的损失函数计算所述所述历史评估数据对应的所述分析评分及所述历史开发质量评分之间的损失值;
步骤D:若所述损失值大于或等于预设阈值,更新所述深度学习模型的参数,返回上述的步骤A;
步骤E:若所述损失值小于预设阈值,得到并输出所述评分模型。
详细地,所述卷积池化操作包括:卷积操作和池化操作。
较佳地,本发明实施例中所述池化操作为对所述卷积数据集进行平均池化操作得到所述特征集。
可选地,本发明实施例中所述损失函数包括:绝对值损失函数、平方损失函数、交叉熵损失函数等。
S3、从所述待评估数据中获取开发数据,并根据所述开发数据对所述软件进行开发质量评价,得到第二评分;
可选地,本发明实施例中从所述待评估数据中获取开发数据,包括:统计所述待评估数据中同一等级的缺陷的数量,得到对应等级的缺陷数量;提取所述待评估数据中相同等级的每个缺陷的修复时长,并根据所述每个缺陷的修复时长计算提取到的同一等级的所有缺陷的修复时长的平均值,得到平均修复时长;提取所述待评估数据中的每个用户故事的移交时长,汇总所述缺陷数量、平均修复时长及所述每个用户故事移交时长,得到所述开发数据。
可选地,本发明实施例利用如下公式对所述软件进行开发质量评价:
其中,i为缺陷等级,Gi为缺陷等级为i的缺陷的数量,si为预设的缺陷等级为i的缺陷数量预测值,yi为缺陷等级为i的缺陷的平均时长,fi为预设的缺陷等级为i的缺陷的平均时长;j为用户故事编号,mj为用户故事j的移交时长,nj为预设的用户故事j的移交时长,T为第二评分。
本发明的另一实施例中,所述待评估数据可以存储在区块链节点中,利用区块链节点高吞吐的特性,提高所述待评估数据中的数据取用效率。
S4、获取预设时间区间内所述开发人员名单中每个开发人员的开发故障率,根据所述开发故障率进行所述开发人员的开发能力评价,得到第三评分;
详细地,本发明实施例中在获取预设时间区间内所述开发人员名单中每个开发人员的开发故障率之前,还包括:获取所述软件的完成时间,得到初始时间;将所述初始时间作为右端点;将预设时间周期作为区间长度;利用所述区间长度及所述右端点进行区间构建,得到所述时间区间。
进一步地,本发明实施例中,所述开发故障率为某个软件开发项目中开发人员开发出现的故障数量与该开发项目的故障总数量的比值,由于每个开发人员可能参与了多个软件开发项目,所以,每个开发人员对应的可能有多个开发故障率,因此,本发明实施例中根据所述开发故障率进行所述开发人员的开发能力评价,得到第三评分,包括:
获取每个所述开发人员的所有开发故障率,得到对应的开发故障率集;
将所述开发故障率集中的所有开发故障率进行算术平均计算,得到目标开发故障率;
获取每个所述开发人员在所述软件开发过程中的开发比例,根据所述目标开发故障率及所述开发比例进行开发故障评分计算,得到所述第三评分。
可选地,本发明实施例中,根据所述目标开发故障率及所述开发比例进行开发故障评分计算,得到所述第三评分,包括:计算每个所述开发人员对应的目标开发故障率及开发比例的乘积,得到开发评分;将所有所述开发评分进行求和,得到第三评分。
S5、利用所述第一评分、所述第二评分及所述第三评分进行评分综合计算,得到所述软件的开发质量评分;
可选地,本发明实施例中可利用如下公式进行评分综合计算:
Z=M*α+N*β+O*γ
其中,Z为所述软件的开发质量评分,M为所述第一评分,N为所述第二评分,O为所述第三评分;α、β、γ为预设的权重系数。
具体地,本发明实施例利用所述第一评分、所述第二评分及所述第三评分进行评分综合计算,开发质量的评估维度更加多元,结果更加准确。
S6、利用预设评估阈值以及所述开发质量评分对所述软件进行开发质量评估,得到评估结果。
本发明实施例中,当所述开发质量评分大于或等于所述评估阈值时,所述评估结果为评估通过,所述软件不需要测试人员再进行测试;当所述开发质量评分小于所述评估阈值时,所述评估结果为评估不通过,所述软件需要测试人员进行进一步地测试,并将所述软件发送至预设的终端设备进行测试。
可选地,本发明实施例中所述终端设备为软件测试人员的测试设备,包括但不限于:手机、电脑、平板等智能终端。
本发明实施例利用预构建的评分模型对所述待评估数据进行评分,得到第一评分数据;从所述待评估数据中获取开发数据,并根据所述开发数据对所述软件进行开发质量评价,得到第二评分;获取预设时间区间内所述开发人员名单中每个开发人员的开发故障率,根据所述开发故障率进行所述开发人员的开发能力评价,得到第三评分;利用所述第一评分、所述第二评分及所述第三评分进行评分综合计算,得到所述软件的开发质量评分;利用预设评估阈值以及所述开发质量评分对所述软件进行开发质量评估,得到评估结果,利用模型对整体数据进行评分,进而对开发质量进行评分,最后对开发人员的开发能力进行评分,再将三个维度的评分进行综合提高了软件开发质量评估的准确率。因此本发明实施例提出的软件开发质量评估方法、装置、电子设备及可读存储介质提高了软件开发质量评估的准确率。
如图2所示,是本发明软件开发质量评估装置的功能模块图。
本发明所述软件开发质量评估装置100可以安装于电子设备中。根据实现的功能,所述软件开发质量评估装置可以包括数据获取模块101、评分计算模块102、开发质量评估模块103,本发所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述数据获取模块101用于获取软件的待评估数据以及开发人员名单;
详细地发明实施例中所述待评估数据为软件开发过程中的各种开发数据,如软件开发过程中出现的缺陷及每个缺陷对应的缺陷等级、每个缺陷修复的时长、用户故事移交时长、不同功能点产生的缺陷等数据。其中,所述缺陷为软件开发过程中出现的bug,所述用户故事为用户渴望得到的功能,所述功能点为软件中不同的功能模块。
具体地,本发明实施例中所述开发人员名单为所述软件的开发过程中参与开发的人员的信息。
所述评分计算模块102用于利用预构建的评分模型对所述待评估数据进行评分,得到第一评分数据;从所述待评估数据中获取开发数据,并根据所述开发数据对所述软件进行开发质量评价,得到第二评分;获取预设时间区间内所述开发人员名单中每个开发人员的开发故障率,根据所述开发故障率进行所述开发人员的开发能力评价,得到第三评分;利用所述第一评分、所述第二评分及所述第三评分进行评分综合计算,得到所述软件的开发质量评分;
详细地,本发明实施例为了更好分人对软件进行评分,所述评分计算模块102利用预设的评分模型对所述待评估数据进行评分,得到第一评分数据。
可选地,本发明实施例中所述评分模型为卷积神经网络模型。
进一步地,本发明实施例中所述评分计算模块102利用预构建的评分模型对所述待评估数据进行评分之前还包括训练所述评分模型。详细地,所述训练所述评分模型包括:获取历史评估数据集;利用所述历史评估数据集对预构建的深度学习模型进行迭代训练,得到所述评分模型。
其中,所述历史评估数据集中的每个历史评估数据都包含历史开发质量评分。较佳地,所述历史评估数据为与所述待评估数据类型相同但内容可能不同的软件开发数据,所述历史开发质量评分为所述历史评估数据对应的软件的开发质量的评分。
详细地,本发明实施例中所述评分计算模块102利用所述历史评估数据集对预构建的深度学习模型进行迭代训练,得到所述评分模型,包括:
步骤A:利用所述深度学习模型对所述历史评估数据集进行预设次数的卷积池化操作,得到特征集;
详细地,本发明实施例中,将所述历史评估数据集输入所述深度学习模型的输入层,进一步地,由所述深度学习模型隐含层的卷积层对所述历史评估数据集每个历史评估数据进行卷积,得到卷积数据集,再由所述深度学习模型的池化层对所述卷积数据进行池化,得到特征数据,汇总所有所述特征数据得到所述特征集。
步骤B:利用预设的激活函数对所述特征集中的每个特征数据进行计算,得到每个特征数据对应的分析评分;
可选地,本发明实施例中所述激活函数为Relu函数。
进一步地,本发明较佳实施例所述激活函数包括:
其中,μt表示所述分析评分,s表示所述特征集中的特征数据。
步骤C:利用预构建的损失函数计算所述所述历史评估数据对应的所述分析评分及所述历史开发质量评分之间的损失值;
步骤D:若所述损失值大于或等于预设阈值,更新所述深度学习模型的参数,返回上述的步骤A;
步骤E:若所述损失值小于预设阈值,得到并输出所述评分模型。
详细地,所述卷积池化操作包括:卷积操作和池化操作。
较佳地,本发明实施例中所述池化操作为对所述卷积数据集进行平均池化操作得到所述特征集。
可选地,本发明实施例中所述损失函数包括:绝对值损失函数、平方损失函数、交叉熵损失函数等。
可选地,本发明实施例中所述评分计算模块102从所述待评估数据中获取开发数据,包括:统计所述待评估数据中同一等级的缺陷的数量,得到对应等级的缺陷数量;提取所述待评估数据中相同等级的每个缺陷的修复时长,并根据所述每个缺陷的修复时长计算提取到的同一等级的所有缺陷的修复时长的平均值,得到平均修复时长;提取所述待评估数据中的每个用户故事的移交时长,汇总所述缺陷数量、平均修复时长及所述每个用户故事移交时长,得到所述开发数据。
可选地,本发明实施例所述评分计算模块102利用如下公式对所述软件进行开发质量评价:
其中,i为缺陷等级,Gi为缺陷等级为i的缺陷的数量,si为预设的缺陷等级为i的缺陷数量预测值,yi为缺陷等级为i的缺陷的平均时长,fi为预设的缺陷等级为i的缺陷的平均时长;j为用户故事编号,mj为用户故事j的移交时长,nj为预设的用户故事j的移交时长,T为第二评分。
本发明的另一实施例中,所述待评估数据可以存储在区块链节点中,利用区块链节点高吞吐的特性,提高所述待评估数据中的数据取用效率。
详细地,本发明实施例中所述评分计算模块102在获取预设时间区间内所述开发人员名单中每个开发人员的开发故障率之前,还包括:获取所述软件的完成时间,得到初始时间;将所述初始时间作为右端点;将预设时间周期作为区间长度;利用所述区间长度及所述右端点进行区间构建,得到所述时间区间。
进一步地,本发明实施例中,所述开发故障率为某个软件开发项目中开发人员开发出现的故障数量与该开发项目的故障总数量的比值,由于每个开发人员可能参与了多个软件开发项目,所以,每个开发人员对应的可能有多个开发故障率,因此,本发明实施例中所述评分计算模块102根据所述开发故障率进行所述开发人员的开发能力评价,得到第三评分,包括:
获取每个所述开发人员的所有开发故障率,得到对应的开发故障率集;
将所述开发故障率集中的所有开发故障率进行算术平均计算,得到目标开发故障率;
获取每个所述开发人员在所述软件开发过程中的开发比例,根据所述目标开发故障率及所述开发比例进行开发故障评分计算,得到所述第三评分。
可选地,本发明实施例中,根据所述目标开发故障率及所述开发比例进行开发故障评分计算,得到所述第三评分,包括:计算每个所述开发人员对应的目标开发故障率及开发比例的乘积,得到开发评分;将所有所述开发评分进行求和,得到第三评分。
可选地,本发明实施例中所述评分计算模块102可利用如下公式进行评分综合计算:
Z=M*α+N*β+O*γ
其中,Z为所述软件的开发质量评分,M为所述第一评分,N为所述第二评分,O为所述第三评分;α、β、γ为预设的权重系数。
具体地,本发明实施例所述评分计算模块102利用所述第一评分、所述第二评分及所述第三评分进行评分综合计算,开发质量的评估维度更加多元,结果更加准确。
所述开发质量评估模块103用于利用预设评估阈值以及所述开发质量评分对所述软件进行开发质量评估,得到评估结果。
本发明实施例中,当所述开发质量评分大于或等于所述评估阈值时,所述评估结果为评估通过,所述软件不需要测试人员再进行测试;当所述开发质量评分小于所述评估阈值时,所述评估结果为评估不通过,所述软件需要测试人员进行进一步地测试,并将所述软件发送至预设的终端设备进行测试。
可选地,本发明实施例中所述终端设备为软件测试人员的测试设备,包括但不限于:手机、电脑、平板等智能终端。
如图3所示,是本发明实现软件开发质量评估方法的电子设备的结构示意图。
所述电子设备可以包括处理器10、存储器11、通信总线12和通信接口13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如软件开发质量评估程序。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如软件开发质量评估程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如软件开发质量评估程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述通信总线12可以是外设部件互连标准(perIPheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述通信总线12总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
可选地,所述通信接口13可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。
可选地,所述通信接口13还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备中的所述存储器11存储的软件开发质量评估程序是多个计算机程序的组合,在所述处理器10中运行时,可以实现:
获取软件的待评估数据以及开发人员名单;
利用预构建的评分模型对所述待评估数据进行评分,得到第一评分数据;
从所述待评估数据中获取开发数据,并根据所述开发数据对所述软件进行开发质量评价,得到第二评分;
获取预设时间区间内所述开发人员名单中每个开发人员的开发故障率,根据所述开发故障率进行所述开发人员的开发能力评价,得到第三评分;
利用所述第一评分、所述第二评分及所述第三评分进行评分综合计算,得到所述软件的开发质量评分;
利用预设评估阈值以及所述开发质量评分对所述软件进行开发质量评估,得到评估结果。
具体地,所述处理器10对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以是非易失性的,也可以是易失性的。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明实施例还可以提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取软件的待评估数据以及开发人员名单;
利用预构建的评分模型对所述待评估数据进行评分,得到第一评分数据;
从所述待评估数据中获取开发数据,并根据所述开发数据对所述软件进行开发质量评价,得到第二评分;
获取预设时间区间内所述开发人员名单中每个开发人员的开发故障率,根据所述开发故障率进行所述开发人员的开发能力评价,得到第三评分;
利用所述第一评分、所述第二评分及所述第三评分进行评分综合计算,得到所述软件的开发质量评分;
利用预设评估阈值以及所述开发质量评分对所述软件进行开发质量评估,得到评估结果。
进一步地,所述计算机可用存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种软件开发质量评估方法,其特征在于,所述方法包括:
获取软件的待评估数据以及开发人员名单;
利用预构建的评分模型对所述待评估数据进行评分,得到第一评分数据;
从所述待评估数据中获取开发数据,并根据所述开发数据对所述软件进行开发质量评价,得到第二评分;
获取预设时间区间内所述开发人员名单中每个开发人员的开发故障率,根据所述开发故障率进行所述开发人员的开发能力评价,得到第三评分;
利用所述第一评分、所述第二评分及所述第三评分进行评分综合计算,得到所述软件的开发质量评分;
利用预设评估阈值以及所述开发质量评分对所述软件进行开发质量评估,得到评估结果。
2.如权利要求1所述的软件开发质量评估方法,其特征在于,所述从所述待评估数据中获取开发数据,包括:
统计所述待评估数据中同一等级的缺陷的数量,得到对应等级的缺陷数量;
提取所述待评估数据中相同等级的每个缺陷的修复时长,并根据所述每个缺陷的修复时长计算提取到的同一等级的所有缺陷的修复时长的平均值,得到平均修复时长;
提取所述待评估数据中的每个用户故事的移交时长,汇总所述缺陷数量、所述平均修复时长及所述每个用户故事移交时长,得到所述开发数据。
3.如权利要求1所述的软件开发质量评估方法,其特征在于,所述根据所述开发故障率进行所述开发人员的开发能力评价,得到第三评分,包括:
获取每个所述开发人员的所有开发故障率,得到对应的开发故障率集;
将所述开发故障率集中的所有开发故障率进行算术平均计算,得到目标开发故障率;
获取每个所述开发人员在所述软件开发过程中的开发比例;
根据所述目标开发故障率及所述开发比例进行开发故障评分计算,得到所述第三评分。
4.如权利要求3所述的软件开发质量评估方法,其特征在于,所述根据所述目标开发故障率及所述开发比例进行开发故障评分计算,得到所述第三评分,包括:
计算每个所述开发人员对应的目标开发故障率及开发比例的乘积,得到开发评分;
将所有所述开发评分进行求和,得到所述第三评分。
5.如权利要求1所述的软件开发质量评估方法,其特征在于,所述利用预设评估阈值以及所述开发质量评分对所述软件进行开发质量评估,得到评估结果,包括:
当所述开发质量评分大于或等于所述评估阈值时,所述评估结果为评估通过;
当所述开发质量评分小于所述评估阈值时,所述评估结果为评估不通过,将所述软件发送至预设的终端设备进行测试。
6.如权利要求1至5中任意一项所述的软件开发质量评估方法,其特征在于,所述利用预构建的评分模型对所述待评估数据进行评分,得到第一评分数据之前,还包括:
获取历史评估数据集,其中,所述历史评估数据集为多个具有历史开发质量评分标记的历史评估数据的集合;
利用所述历史评估数据集对预构建的深度学习模型进行迭代训练,得到所述评分模型。
7.如权利要求6所述的软件开发质量评估方法,其特征在于,所述利用所述历史评估数据集对预构建的深度学习模型进行迭代训练,得到所述评分模型,包括:
步骤A:利用所述深度学习模型对所述历史评估数据集进行预设次数的卷积池化操作,得到特征集;
步骤B:利用预设的激活函数对所述特征集中的每个特征数据进行计算,得到每个特征数据对应的分析评分;
步骤C:利用预构建的损失函数计算所述所述历史评估数据对应的所述分析评分及所述历史开发质量评分之间的损失值;
步骤D:若所述损失值大于或等于预设阈值,更新所述深度学习模型的参数,返回上述的步骤A;
步骤E:若所述损失值小于预设阈值,得到并输出所述评分模型。
8.一种软件开发质量评估装置,其特征在于,包括:
数据获取模块,用于获取软件的待评估数据以及开发人员名单;
评分计算模块,用于利用预构建的评分模型对所述待评估数据进行评分,得到第一评分数据;从所述待评估数据中获取开发数据,并根据所述开发数据对所述软件进行开发质量评价,得到第二评分;获取预设时间区间内所述开发人员名单中每个开发人员的开发故障率,根据所述开发故障率进行所述开发人员的开发能力评价,得到第三评分;利用所述第一评分、所述第二评分及所述第三评分进行评分综合计算,得到所述软件的开发质量评分;
开发质量评估模块,用于利用预设评估阈值以及所述开发质量评分对所述软件进行开发质量评估,得到评估结果。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至7中任一项所述的软件开发质量评估方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的软件开发质量评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110842972.5A CN113504935A (zh) | 2021-07-26 | 2021-07-26 | 软件开发质量评估方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110842972.5A CN113504935A (zh) | 2021-07-26 | 2021-07-26 | 软件开发质量评估方法、装置、电子设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113504935A true CN113504935A (zh) | 2021-10-15 |
Family
ID=78014868
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110842972.5A Pending CN113504935A (zh) | 2021-07-26 | 2021-07-26 | 软件开发质量评估方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113504935A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114417358A (zh) * | 2022-01-25 | 2022-04-29 | 中航机载系统共性技术有限公司 | 一种机载关键软件安全性评估方法 |
CN114511039A (zh) * | 2022-02-28 | 2022-05-17 | 智汇(中山)信息技术有限公司 | 一种软件开发行为监控系统 |
CN114742412A (zh) * | 2022-04-13 | 2022-07-12 | 尚班(北京)网络科技有限公司 | 一种软件技术服务系统及方法 |
CN115113921A (zh) * | 2022-08-29 | 2022-09-27 | 云账户技术(天津)有限公司 | 代码重构价值的评估方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110196814A (zh) * | 2019-06-12 | 2019-09-03 | 王轶昆 | 一种软件质量评价方法 |
CN110297765A (zh) * | 2019-05-31 | 2019-10-01 | 中国人民解放军63963部队 | 软件可靠性早期评估方法 |
CN110858176A (zh) * | 2018-08-24 | 2020-03-03 | 西门子股份公司 | 代码质量评估方法、装置、系统及存储介质 |
CN111273890A (zh) * | 2020-01-20 | 2020-06-12 | 广东金赋科技股份有限公司 | 一种软件开发过程的质量监控方法、平台及存储介质 |
-
2021
- 2021-07-26 CN CN202110842972.5A patent/CN113504935A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110858176A (zh) * | 2018-08-24 | 2020-03-03 | 西门子股份公司 | 代码质量评估方法、装置、系统及存储介质 |
CN110297765A (zh) * | 2019-05-31 | 2019-10-01 | 中国人民解放军63963部队 | 软件可靠性早期评估方法 |
CN110196814A (zh) * | 2019-06-12 | 2019-09-03 | 王轶昆 | 一种软件质量评价方法 |
CN111273890A (zh) * | 2020-01-20 | 2020-06-12 | 广东金赋科技股份有限公司 | 一种软件开发过程的质量监控方法、平台及存储介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114417358A (zh) * | 2022-01-25 | 2022-04-29 | 中航机载系统共性技术有限公司 | 一种机载关键软件安全性评估方法 |
CN114511039A (zh) * | 2022-02-28 | 2022-05-17 | 智汇(中山)信息技术有限公司 | 一种软件开发行为监控系统 |
CN114742412A (zh) * | 2022-04-13 | 2022-07-12 | 尚班(北京)网络科技有限公司 | 一种软件技术服务系统及方法 |
CN115113921A (zh) * | 2022-08-29 | 2022-09-27 | 云账户技术(天津)有限公司 | 代码重构价值的评估方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113504935A (zh) | 软件开发质量评估方法、装置、电子设备及可读存储介质 | |
CN112148577A (zh) | 数据异常检测方法、装置、电子设备及存储介质 | |
CN111652279A (zh) | 基于时序数据的行为评价方法、装置及可读存储介质 | |
CN111694844A (zh) | 基于配置算法的企业运行数据分析方法、装置及电子设备 | |
CN114491047A (zh) | 多标签文本分类方法、装置、电子设备及存储介质 | |
CN113516417A (zh) | 基于智能建模的业务评估方法、装置、电子设备及介质 | |
CN112463530A (zh) | 微服务系统的异常检测方法、装置、电子设备及存储介质 | |
CN111339072B (zh) | 基于用户行为的变化值分析方法、装置、电子设备及介质 | |
CN114881616A (zh) | 业务流程执行方法、装置、电子设备及存储介质 | |
CN113268665A (zh) | 基于随机森林的信息推荐方法、装置、设备及存储介质 | |
CN113327136A (zh) | 归因分析方法、装置、电子设备及存储介质 | |
CN112732567A (zh) | 基于ip的mock数据测试方法、装置、电子设备及存储介质 | |
CN111985194A (zh) | 数据存储方法、装置、电子设备及存储介质 | |
CN111831708A (zh) | 基于缺失数据的样本分析方法、装置、电子设备及介质 | |
CN114862140A (zh) | 基于行为分析的潜力评估方法、装置、设备及存储介质 | |
CN114880238A (zh) | 移动端界面测试方法、装置、设备及存储介质 | |
CN114780371A (zh) | 基于多曲线拟合的压测指标分析方法、装置、设备及介质 | |
CN113742069A (zh) | 基于人工智能的容量预测方法、装置及存储介质 | |
CN113627160A (zh) | 文本纠错方法、装置、电子设备及存储介质 | |
CN113240351A (zh) | 业务数据一致性检查方法、装置、电子设备及介质 | |
CN111814106A (zh) | 时序数据滞后性处理方法、装置、电子设备及存储介质 | |
CN111932147A (zh) | 指标统筹的可视化方法、装置、电子设备及存储介质 | |
CN111652282A (zh) | 基于大数据的用户偏好分析方法、装置及电子设备 | |
CN112486957B (zh) | 数据库迁移检测方法、装置、设备及存储介质 | |
CN114896164A (zh) | 接口优化方法、装置、电子设备及存储介质 |
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 |