CN116383048A - 软件质量信息处理方法及装置 - Google Patents
软件质量信息处理方法及装置 Download PDFInfo
- Publication number
- CN116383048A CN116383048A CN202310315708.5A CN202310315708A CN116383048A CN 116383048 A CN116383048 A CN 116383048A CN 202310315708 A CN202310315708 A CN 202310315708A CN 116383048 A CN116383048 A CN 116383048A
- Authority
- CN
- China
- Prior art keywords
- software
- information
- quality
- characteristic value
- value
- 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
- 230000010365 information processing Effects 0.000 title claims abstract description 37
- 238000003672 processing method Methods 0.000 title claims abstract description 23
- 238000012360 testing method Methods 0.000 claims abstract description 83
- 238000012549 training Methods 0.000 claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000013441 quality evaluation Methods 0.000 claims abstract description 15
- 230000007547 defect Effects 0.000 claims abstract description 14
- 230000008859 change Effects 0.000 claims abstract description 12
- 238000004590 computer program Methods 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000007476 Maximum Likelihood Methods 0.000 claims description 4
- 238000013522 software testing Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 11
- 238000011161 development Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- HMUNWXXNJPVALC-UHFFFAOYSA-N 1-[4-[2-(2,3-dihydro-1H-inden-2-ylamino)pyrimidin-5-yl]piperazin-1-yl]-2-(2,4,6,7-tetrahydrotriazolo[4,5-c]pyridin-5-yl)ethanone Chemical compound C1C(CC2=CC=CC=C12)NC1=NC=C(C=N1)N1CCN(CC1)C(CN1CC2=C(CC1)NN=N2)=O HMUNWXXNJPVALC-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3676—Test management for coverage analysis
-
- 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
- G06F11/3684—Test management for test design, e.g. generating new test cases
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明公开了一种软件质量信息处理方法及装置,涉及软件测试技术领域;其中该方法包括:获取待评估软件的各质量影响因素信息;其中质量影响因素信息包括:测试案例质量信息、测试覆盖度信息、测试延迟时长信息、测试发现的缺陷数量信息、软件操作步骤数量信息、软件配置更改步骤数量信息;将待评估软件的各质量影响因素信息输入预先训练的软件故障率预测模型,得到待评估软件的故障概率;其中,软件故障概率预测模型为通过历史上线软件的故障次数、以及历史上线软件的各质量影响因素信息训练得到;在待评估软件的故障率小于预设故障概率阈值时,确定待评估软件通过质量评估。本发明可以提高软件质量评估的客观性和准确性。
Description
技术领域
本发明涉及软件测试技术领域,尤其涉及软件质量信息处理方法及装置。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
质量门禁系统一般结合研发流水线使用,用于预测待上线的软件出现故障的概率。现有的质量门禁系统通过判断测试通过率、代码覆盖率等指标是否满足阈值要求来决定开发流程是否进入下个阶段,因此现有的质量门禁系统多是分散的定量或定性数据的简单结合,被测软件需要满足所有条件才能通过,评估结果缺乏客观性和准确性,无法准确预估被测软件的故障率。
发明内容
本发明实施例提供一种软件质量信息处理方法,用以提高软件质量评估的客观性和准确性,提高软件质量信息处理效率,该方法包括:
获取待评估软件的各质量影响因素信息;其中质量影响因素信息包括:测试案例质量信息、测试覆盖度信息、测试延迟时长信息、测试发现的缺陷数量信息、软件操作步骤数量信息、软件配置更改步骤数量信息;
将待评估软件的各质量影响因素信息输入预先训练的软件故障率预测模型,得到待评估软件的故障概率;其中,软件故障概率预测模型为通过历史上线软件的故障次数、以及历史上线软件的各质量影响因素信息训练得到;
在待评估软件的故障率小于预设故障概率阈值时,确定待评估软件通过质量评估。
本发明实施例还提供一种软件质量信息处理装置,用以提高软件质量评估的客观性和准确性,提高软件质量信息处理效率,该装置包括:
信息获取模块,用于获取待评估软件的各质量影响因素信息;其中,质量影响因素信息包括:测试案例质量信息、测试覆盖度信息、测试延迟时长信息、测试发现的缺陷数量信息、软件操作步骤数量信息、软件配置更改步骤数量信息;
第一处理模块,用于将待评估软件的各质量影响因素信息输入预先训练的软件故障率预测模型,得到待评估软件的故障概率;其中,软件故障概率预测模型为通过历史上线软件的故障次数、以及历史上线软件的各质量影响因素信息训练得到;
第二处理模块,用于在待评估软件的故障率小于预设故障概率阈值时,确定待评估软件通过质量评估。
本发明实施例还提供一种计算机设备,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程序,所述处理器执行所述计算机程序时实现上述软件质量信息处理方法。
本发明实施例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存储有计算机程序,所述计算机程序被处理器执行时实现上述软件质量信息处理方法。
本发明实施例还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,所述计算机程序被处理器执行时实现上述软件质量信息处理方法。
本发明实施例中,获取待评估软件的各质量影响因素信息;其中质量影响因素信息包括:测试案例质量信息、测试覆盖度信息、测试延迟时长信息、测试发现的缺陷数量信息、软件操作步骤数量信息、软件配置更改步骤数量信息;将待评估软件的各质量影响因素信息输入预先训练的软件故障率预测模型,得到待评估软件的故障概率;其中,软件故障概率预测模型为通过历史上线软件的故障次数、以及历史上线软件的各质量影响因素信息训练得到;在待评估软件的故障率小于预设故障概率阈值时,确定待评估软件通过质量评估。这样,通过软件故障率预测模型可以更加客观、准确、高效的预测软件的故障概率,提高软件质量评估的客观性和准确性,提高软件质量信息处理效率。
附图说明
为了更清楚地说明本发明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的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1为本发明实施例中提供的一种软件质量信息处理方法的流程图;
图2为本发明实施例中提供的一种训练得到软件故障概率预测模型的方法流程图;
图3为本发明实施例中提供的一种根据历史上线软件的故障次数、历史上线软件的各质量影响因素信息,生成训练样本、以及测试样本的方法流程图;
图4为本发明实施例中提供的一种贝叶斯网络模型的示例图;
图5为本发明实施例中提供的一种软件故障率预测模型的示例图;
图6为本发明实施例中提供的一种软件质量信息处理方法的整体实施流程图;
图7为本发明实施例中提供的一种软件质量信息处理装置的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
本文中术语“和/或”,仅仅是描述一种关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
在本说明书的描述中,所使用的“包含”、“包括”、“具有”、“含有”等,均为开放性的用语,即意指包含但不限于。参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”等的描述意指结合该实施例或示例描述的具体特征、结构或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。各实施例中涉及的步骤顺序用于示意性说明本申请的实施,其中的步骤顺序不作限定,可根据需要作适当调整。
经研究发现,质量门禁系统一般结合研发流水线使用,用于预测待上线的软件出现故障的概率。现有的质量门禁系统通过判断测试通过率、代码覆盖率等指标是否满足阈值要求来决定开发流程是否进入下个阶段,因此现有的质量门禁系统多是分散的定量或定性数据的简单结合,被测软件需要满足所有条件才能通过,评估结果缺乏客观性和准确性,无法准确预估被测软件的故障率。
针对上述研究,如图1所示,本发明实施例提供一种软件质量信息处理方法,包括:
S101:获取待评估软件的各质量影响因素信息;其中质量影响因素信息包括:测试案例质量信息、测试覆盖度信息、测试延迟时长信息、测试发现的缺陷数量信息、软件操作步骤数量信息、软件配置更改步骤数量信息;
S102:将待评估软件的各质量影响因素信息输入预先训练的软件故障率预测模型,得到待评估软件的故障概率;其中,软件故障概率预测模型为通过历史上线软件的故障次数、以及历史上线软件的各质量影响因素信息训练得到;
S103:在待评估软件的故障率小于预设故障概率阈值时,确定待评估软件通过质量评估。
本发明实施例中,获取待评估软件的各质量影响因素信息;其中质量影响因素信息包括:测试案例质量信息、测试覆盖度信息、测试延迟时长信息、测试发现的缺陷数量信息、软件操作步骤数量信息、软件配置更改步骤数量信息;将待评估软件的各质量影响因素信息输入预先训练的软件故障率预测模型,得到待评估软件的故障概率;其中,软件故障概率预测模型为通过历史上线软件的故障次数、以及历史上线软件的各质量影响因素信息训练得到;在待评估软件的故障率小于预设故障概率阈值时,确定待评估软件通过质量评估。这样,通过软件故障率预测模型可以更加客观、准确、高效的预测软件的故障概率,提高软件质量评估的客观性和准确性,提高软件质量信息处理效率。
下面对上述软件质量信息处理方法加以详细说明。、
针对上述S101,质量影响因素信息包括:测试案例质量信息、测试覆盖度信息、测试延迟时长信息、测试发现的缺陷数量信息、软件操作步骤数量信息、软件配置更改步骤数量信息。
本发明另一实施例中,质量影响因素信息例如还包括:软件的需求规则数量信息、需求的变更次数信息、软件历史代码量信息、需求前期讨论时间信息、开发涉及的团队数量信息、团队同时承担的排期数量信息、项目开发线上沟通频率信息、开发延迟时间信息、开发团队历史线上缺陷数量信息等至少一种。
针对上述S102,软件故障概率预测模型为通过历史上线软件的故障次数、以及历史上线软件的各质量影响因素信息训练得到。
示例性的,如图2所示,为本发明实施例提供的一种训练得到软件故障概率预测模型的方法流程图,包括:
S201:获取历史上线软件的故障次数、历史上线软件的各质量影响因素信息。
具体的,获取历史上线软件的故障次数、历史上线软件的各质量影响因素信息例如包括:对历史上线软件的故障次数、各质量影响因素信息进行特征提取,例如下表1所示:
表1多个历史上线软件的故障次数、各质量影响因素信息示例表
如图3所示,为本发明实施例提供的一种根据历史上线软件的故障次数、历史上线软件的各质量影响因素信息,生成训练样本、以及测试样本的方法流程图,包括:
S301:预先配置各质量影响因素信息分别对应的第一等级阈值、以及第二等级阈值。
具体的,各质量影响因素信息对应的第一等级阈值、第二等级阈值可以不同,例如测试案例质量信息的第一等级阈值设置为10,测试发现的缺陷数量信息的第一等级阈值设置为100,测试案例质量信息的第二等级阈值设置为30,测试发现的缺陷数量信息的第二等级阈值设置为500。
S302:根据各质量影响因素信息分别对应的第一等级阈值、以及第二等级阈值、以及历史上线软件的各质量影响因素信息,针对历史上线软件的每一质量影响因素信息,生成一个特征值组;其中,每一特征值组中包含第一等级特征值,第二等级特征值、第三等级特征值,在质量影响因素信息的数值小于第一等级阈值时,将质量影响因素信息的数值确定为第一等级特征值,将第二等级特征值、第三等级特征值设定为0,在质量影响因素信息的数值不小于第一等级阈值,且小于第二等级阈值时,将质量影响因素信息的数值确定为第二等级特征值,将第一等级特征值、第三等级特征值设定为0,在质量影响因素信息的数值不小于第二等级阈值时,将质量影响因素信息的数值作为第三等级特征值,将第一等级特征值、第二等级特征值设定为0。
其中,第一等级阈值、第二等级阈值用于确定对应的质量影响因素信息的数值在特征值组中对应的特征值等级。例如,测试案例质量信息的第一等级阈值设置为10,第二等级阈值设置为30,如果历史上线软件1的测试案例质量信息的数值为15,则历史上线软件1的测试案例质量信息特征值组为(0,15,0)。
这样,在划分训练样本时,可以将质量影响因素信息划分为不同的等级,利用各利用训练样本训练出来的软件故障率预测模型的各节点可以分别包含不同等级的特征值对应的概率值,提高软件故障率预测模型确定软件的故障概率的准确性。
S303:根据历史上线软件的各质量影响因素信息分别对应的特征值组,得到历史上线软件的输入特征组,根据历史上线软件的故障次数,确定历史上线软件的输出特征值。
S304:将一个历史上线软件的输入特征值组、以及输出特征值作为一个训练样本或测试样本,根据多个历史上线软件的输入特征值组、以及输出特征值得到多个训练样本、以及多个测试样本。
S203:将历史上线软件的故障次数作为贝叶斯网络模型输出,历史上线软件的各质量影响因素信息作为贝叶斯网络模型的输入,利用训练样本对贝叶斯网络模型进行训练。
本发明一实施例中,将历史上线软件的故障次数作为贝叶斯网络模型输出,历史上线软件的各质量影响因素信息作为贝叶斯网络模型的输入,利用训练样本对贝叶斯网络模型进行训练,例如包括下述步骤1~2:
步骤1:将历史上线软件的故障次数作为贝叶斯网络模型输出,历史上线软件的各质量影响因素信息作为贝叶斯网络模型的输入,每个质量影响因素信息对应贝叶斯网络模型的一个节点,将各节点质量影响因素信息对应的特征值组中第一等级特征值、第二等级特征值、第三等级特征值分别对应的初始概率值设置为预设概率值。
例如图4所示,为本发明实施例提供的一种贝叶斯网络模型的示例图,将将历史上线软件的故障次数作为贝叶斯网络模型输出,历史上线软件的各质量影响因素信息作为贝叶斯网络模型的输入,每个质量影响因素信息对应贝叶斯网络模型的一个节点,将各节点质量影响因素信息对应的特征值组中第一等级特征值、第二等级特征值、第三等级特征值分别对应的初始概率值设置为预设概率值。
此处,预设概率值例如可以统一设置为3 1。
步骤2:利用训练样本采用K2算法对贝叶斯网络模型进行训练,训练过程中使用最大似然估计算法对各节点的第一等级特征值、第二等级特征值、第三等级特征值分别对应的概率值进行有效性学习,得到每一特征值组中第一等级特征值、第二等级特征值、第三等级特征值分别对应的概率值,如图5所示。
S204:利用测试样本对训练后的贝叶斯网络模型进行测试,测试通过后将训练后的贝叶斯网络模型作为软件故障率预测模型。
因此,本发明实施例中,将待评估软件的各质量影响因素信息输入预先训练的软件故障率预测模型,得到待评估软件的故障概率,例如包括:将待评估软件的各质量影响因素信息输入预先训练的软件故障率预测模型,以供软件故障率预测模型根据各质量影响因素信息确定各质量影响因素信息的数值在对应节点对应的概率值,根据各质量影响因素信息的数值在对应节点对应的概率值、以及各质量影响因素信息的数值计算得到待评估软件的故障概率,输出待评估软件的故障概率。
例如,如下表2所示,为本发明实施例提供的一种训练好的软件故障率预测模型的参数示例表:
表2训练好的软件故障率预测模型的参数示例表
针对上述S103,在待评估软件的故障率小于预设故障概率阈值时,确定待评估软件通过质量评估。例如待评估软件A在其需求完成测试后,将待评估软件A的各质量影响因素信息录入软件故障概率预测模型进行计算,若计算后的线上故障概率为0.8,不低于预设故障概率阈值0.75,则本次质量评估不通过;若计算得到的线上故障概率为0.3,小于预设故障概率阈值0.75,则本次质量评估通过。
如图6所示,为本发明实施例提供的一种软件质量信息处理方法的整体实施流程图,首先进行初始模型搭建,抽取历史上线软件的各质量影响因素信息预处理后分为两部分,一部分参与模型训练,一部分对训练结果进行测试,得到可应用的软件故障概率预测模型;然后当待评估软件测试完成,从各渠道抽取待评估软件的过程数据(各质量影响因素信息),进行特征抽取、碎权更新等预处理后得到可输入的输入特征值组,将该数据输入软件故障概率预测模型进行计算,得到待评估软件的上线故障概率P,系统判断概率P是否超过预设故障概率阈值,超过预设故障概率阈值则本次质量评估不通过,否则本次质量评估通过,可以上线。另外还可以监控该软件线上运行情况,进行离线数据分析,完善模型,提高准确性。
本发明实施例中还提供了一种软件质量信息处理装置,如下面的实施例所述。由于该装置解决问题的原理与软件质量信息处理方法相似,因此该装置的实施可以参见软件质量信息处理方法的实施,重复之处不再赘述。
如图7所示,为本发明实施例提供的一种软件质量信息处理装置的示意图,包括:
信息获取模块701,用于获取待评估软件的各质量影响因素信息;其中,质量影响因素信息包括:测试案例质量信息、测试覆盖度信息、测试延迟时长信息、测试发现的缺陷数量信息、软件操作步骤数量信息、软件配置更改步骤数量信息;
第一处理模块702,用于将待评估软件的各质量影响因素信息输入预先训练的软件故障率预测模型,得到待评估软件的故障概率;其中,软件故障概率预测模型为通过历史上线软件的故障次数、以及历史上线软件的各质量影响因素信息训练得到;
第二处理模块703,用于在待评估软件的故障率小于预设故障概率阈值时,确定待评估软件通过质量评估。
在一种可能的实施方式中,还包括:第三处理模块,用于获取历史上线软件的故障次数、历史上线软件的各质量影响因素信息;根据历史上线软件的故障次数、历史上线软件的各质量影响因素信息,生成训练样本、以及测试样本;将历史上线软件的故障次数作为贝叶斯网络模型输出,历史上线软件的各质量影响因素信息作为贝叶斯网络模型的输入,利用训练样本对贝叶斯网络模型进行训练;利用测试样本对训练后的贝叶斯网络模型进行测试,测试通过后将训练后的贝叶斯网络模型作为软件故障率预测模型。
在一种可能的实施方式中,第三处理模块,具体用于预先配置各质量影响因素信息分别对应的第一等级阈值、以及第二等级阈值;根据各质量影响因素信息分别对应的第一等级阈值、以及第二等级阈值、以及历史上线软件的各质量影响因素信息,针对历史上线软件的每一质量影响因素信息,生成一个特征值组;其中,每一特征值组中包含第一等级特征值,第二等级特征值、第三等级特征值,在质量影响因素信息的数值小于第一等级阈值时,将质量影响因素信息的数值确定为第一等级特征值,将第二等级特征值、第三等级特征值设定为0,在质量影响因素信息的数值不小于第一等级阈值,且小于第二等级阈值时,将质量影响因素信息的数值确定为第二等级特征值,将第一等级特征值、第三等级特征值设定为0,在质量影响因素信息的数值不小于第二等级阈值时,将质量影响因素信息的数值作为第三等级特征值,将第一等级特征值、第二等级特征值设定为0;根据历史上线软件的各质量影响因素信息分别对应的特征值组,得到历史上线软件的输入特征组,根据历史上线软件的故障次数,确定历史上线软件的输出特征值;将一个历史上线软件的输入特征值组、以及输出特征值作为一个训练样本或测试样本,根据多个历史上线软件的输入特征值组、以及输出特征值得到多个训练样本、以及多个测试样本。
在一种可能的实施方式中,第三处理模块,具体用于将历史上线软件的故障次数作为贝叶斯网络模型输出,历史上线软件的各质量影响因素信息作为贝叶斯网络模型的输入,每个质量影响因素信息对应贝叶斯网络模型的一个节点,将各节点质量影响因素信息对应的特征值组中第一等级特征值、第二等级特征值、第三等级特征值分别对应的初始概率值设置为预设概率值;利用训练样本采用K2算法对贝叶斯网络模型进行训练,训练过程中使用最大似然估计算法对各节点的第一等级特征值、第二等级特征值、第三等级特征值分别对应的概率值进行有效性学习,得到每一特征值组中第一等级特征值、第二等级特征值、第三等级特征值分别对应的概率值。
在一种可能的实施方式中,第二处理模块,具体用于将待评估软件的各质量影响因素信息输入预先训练的软件故障率预测模型,以供软件故障率预测模型根据各质量影响因素信息确定各质量影响因素信息的数值在对应节点对应的概率值,根据各质量影响因素信息的数值在对应节点对应的概率值、以及各质量影响因素信息的数值计算得到待评估软件的故障概率,输出待评估软件的故障概率。
本发明实施例还提供一种计算机设备,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程序,所述处理器执行所述计算机程序时实现上述软件质量信息处理方法。
本发明实施例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存储有计算机程序,所述计算机程序被处理器执行时实现上述软件质量信息处理方法。
本发明实施例还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,所述计算机程序被处理器执行时实现上述软件质量信息处理方法。
本发明实施例中,获取待评估软件的各质量影响因素信息;其中质量影响因素信息包括:测试案例质量信息、测试覆盖度信息、测试延迟时长信息、测试发现的缺陷数量信息、软件操作步骤数量信息、软件配置更改步骤数量信息;将待评估软件的各质量影响因素信息输入预先训练的软件故障率预测模型,得到待评估软件的故障概率;其中,软件故障概率预测模型为通过历史上线软件的故障次数、以及历史上线软件的各质量影响因素信息训练得到;在待评估软件的故障率小于预设故障概率阈值时,确定待评估软件通过质量评估。这样,通过软件故障率预测模型可以更加客观、准确、高效的预测软件的故障概率,提高软件质量评估的客观性和准确性,提高软件质量信息处理效率。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明实施例的方法、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。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (13)
1.一种软件质量信息处理方法,其特征在于,包括:
获取待评估软件的各质量影响因素信息;其中质量影响因素信息包括:测试案例质量信息、测试覆盖度信息、测试延迟时长信息、测试发现的缺陷数量信息、软件操作步骤数量信息、软件配置更改步骤数量信息;
将待评估软件的各质量影响因素信息输入预先训练的软件故障率预测模型,得到待评估软件的故障概率;其中,软件故障概率预测模型为通过历史上线软件的故障次数、以及历史上线软件的各质量影响因素信息训练得到;
在待评估软件的故障率小于预设故障概率阈值时,确定待评估软件通过质量评估。
2.如权利要求1所述的软件质量信息处理方法,其特征在于,还包括:
获取历史上线软件的故障次数、历史上线软件的各质量影响因素信息;
根据历史上线软件的故障次数、历史上线软件的各质量影响因素信息,生成训练样本、以及测试样本;
将历史上线软件的故障次数作为贝叶斯网络模型输出,历史上线软件的各质量影响因素信息作为贝叶斯网络模型的输入,利用训练样本对贝叶斯网络模型进行训练;
利用测试样本对训练后的贝叶斯网络模型进行测试,测试通过后将训练后的贝叶斯网络模型作为软件故障率预测模型。
3.如权利要求2所述的软件质量信息处理方法,其特征在于,根据历史上线软件的故障次数、历史上线软件的各质量影响因素信息,生成训练样本、以及测试样本,包括:
预先配置各质量影响因素信息分别对应的第一等级阈值、以及第二等级阈值;
根据各质量影响因素信息分别对应的第一等级阈值、以及第二等级阈值、以及历史上线软件的各质量影响因素信息,针对历史上线软件的每一质量影响因素信息,生成一个特征值组;其中,每一特征值组中包含第一等级特征值,第二等级特征值、第三等级特征值,在质量影响因素信息的数值小于第一等级阈值时,将质量影响因素信息的数值确定为第一等级特征值,将第二等级特征值、第三等级特征值设定为0,在质量影响因素信息的数值不小于第一等级阈值,且小于第二等级阈值时,将质量影响因素信息的数值确定为第二等级特征值,将第一等级特征值、第三等级特征值设定为0,在质量影响因素信息的数值不小于第二等级阈值时,将质量影响因素信息的数值作为第三等级特征值,将第一等级特征值、第二等级特征值设定为0;
根据历史上线软件的各质量影响因素信息分别对应的特征值组,得到历史上线软件的输入特征组,根据历史上线软件的故障次数,确定历史上线软件的输出特征值;
将一个历史上线软件的输入特征值组、以及输出特征值作为一个训练样本或测试样本,根据多个历史上线软件的输入特征值组、以及输出特征值得到多个训练样本、以及多个测试样本。
4.如权利要求3所述的软件质量信息处理方法,其特征在于,将历史上线软件的故障次数作为贝叶斯网络模型输出,历史上线软件的各质量影响因素信息作为贝叶斯网络模型的输入,利用训练样本对贝叶斯网络模型进行训练,包括:
将历史上线软件的故障次数作为贝叶斯网络模型输出,历史上线软件的各质量影响因素信息作为贝叶斯网络模型的输入,每个质量影响因素信息对应贝叶斯网络模型的一个节点,将各节点质量影响因素信息对应的特征值组中第一等级特征值、第二等级特征值、第三等级特征值分别对应的初始概率值设置为预设概率值;
利用训练样本采用K2算法对贝叶斯网络模型进行训练,训练过程中使用最大似然估计算法对各节点的第一等级特征值、第二等级特征值、第三等级特征值分别对应的概率值进行有效性学习,得到每一特征值组中第一等级特征值、第二等级特征值、第三等级特征值分别对应的概率值。
5.如权利要求4所述的软件质量信息处理方法,其特征在于,将待评估软件的各质量影响因素信息输入预先训练的软件故障率预测模型,得到待评估软件的故障概率,包括:
将待评估软件的各质量影响因素信息输入预先训练的软件故障率预测模型,以供软件故障率预测模型根据各质量影响因素信息确定各质量影响因素信息的数值在对应节点对应的概率值,根据各质量影响因素信息的数值在对应节点对应的概率值、以及各质量影响因素信息的数值计算得到待评估软件的故障概率,输出待评估软件的故障概率。
6.一种软件质量信息处理装置,其特征在于,包括:
信息获取模块,用于获取待评估软件的各质量影响因素信息;其中,质量影响因素信息包括:测试案例质量信息、测试覆盖度信息、测试延迟时长信息、测试发现的缺陷数量信息、软件操作步骤数量信息、软件配置更改步骤数量信息;
第一处理模块,用于将待评估软件的各质量影响因素信息输入预先训练的软件故障率预测模型,得到待评估软件的故障概率;其中,软件故障概率预测模型为通过历史上线软件的故障次数、以及历史上线软件的各质量影响因素信息训练得到;
第二处理模块,用于在待评估软件的故障率小于预设故障概率阈值时,确定待评估软件通过质量评估。
7.如权利要求6所述的软件质量信息处理装置,其特征在于,还包括:
第三处理模块,用于获取历史上线软件的故障次数、历史上线软件的各质量影响因素信息;
根据历史上线软件的故障次数、历史上线软件的各质量影响因素信息,生成训练样本、以及测试样本;
将历史上线软件的故障次数作为贝叶斯网络模型输出,历史上线软件的各质量影响因素信息作为贝叶斯网络模型的输入,利用训练样本对贝叶斯网络模型进行训练;
利用测试样本对训练后的贝叶斯网络模型进行测试,测试通过后将训练后的贝叶斯网络模型作为软件故障率预测模型。
8.如权利要求7所述的软件质量信息处理装置,其特征在于,第三处理模块,具体用于预先配置各质量影响因素信息分别对应的第一等级阈值、以及第二等级阈值;
根据各质量影响因素信息分别对应的第一等级阈值、以及第二等级阈值、以及历史上线软件的各质量影响因素信息,针对历史上线软件的每一质量影响因素信息,生成一个特征值组;其中,每一特征值组中包含第一等级特征值,第二等级特征值、第三等级特征值,在质量影响因素信息的数值小于第一等级阈值时,将质量影响因素信息的数值确定为第一等级特征值,将第二等级特征值、第三等级特征值设定为0,在质量影响因素信息的数值不小于第一等级阈值,且小于第二等级阈值时,将质量影响因素信息的数值确定为第二等级特征值,将第一等级特征值、第三等级特征值设定为0,在质量影响因素信息的数值不小于第二等级阈值时,将质量影响因素信息的数值作为第三等级特征值,将第一等级特征值、第二等级特征值设定为0;
根据历史上线软件的各质量影响因素信息分别对应的特征值组,得到历史上线软件的输入特征组,根据历史上线软件的故障次数,确定历史上线软件的输出特征值;
将一个历史上线软件的输入特征值组、以及输出特征值作为一个训练样本或测试样本,根据多个历史上线软件的输入特征值组、以及输出特征值得到多个训练样本、以及多个测试样本。
9.如权利要求8所述的软件质量信息处理装置,其特征在于,第三处理模块,具体用于将历史上线软件的故障次数作为贝叶斯网络模型输出,历史上线软件的各质量影响因素信息作为贝叶斯网络模型的输入,每个质量影响因素信息对应贝叶斯网络模型的一个节点,将各节点质量影响因素信息对应的特征值组中第一等级特征值、第二等级特征值、第三等级特征值分别对应的初始概率值设置为预设概率值;
利用训练样本采用K2算法对贝叶斯网络模型进行训练,训练过程中使用最大似然估计算法对各节点的第一等级特征值、第二等级特征值、第三等级特征值分别对应的概率值进行有效性学习,得到每一特征值组中第一等级特征值、第二等级特征值、第三等级特征值分别对应的概率值。
10.如权利要求9所述的软件质量信息处理装置,其特征在于,第二处理模块,具体用于将待评估软件的各质量影响因素信息输入预先训练的软件故障率预测模型,以供软件故障率预测模型根据各质量影响因素信息确定各质量影响因素信息的数值在对应节点对应的概率值,根据各质量影响因素信息的数值在对应节点对应的概率值、以及各质量影响因素信息的数值计算得到待评估软件的故障概率,输出待评估软件的故障概率。
11.一种计算机设备,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程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5任一所述方法。
12.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1至5任一所述方法。
13.一种计算机程序产品,其特征在于,所述计算机程序产品包括计算机程序,所述计算机程序被处理器执行时实现权利要求1至5任一所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310315708.5A CN116383048A (zh) | 2023-03-28 | 2023-03-28 | 软件质量信息处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310315708.5A CN116383048A (zh) | 2023-03-28 | 2023-03-28 | 软件质量信息处理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116383048A true CN116383048A (zh) | 2023-07-04 |
Family
ID=86965054
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310315708.5A Pending CN116383048A (zh) | 2023-03-28 | 2023-03-28 | 软件质量信息处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116383048A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117076281A (zh) * | 2023-10-13 | 2023-11-17 | 晨达(广州)网络科技有限公司 | 一种基于深度学习的软件质量评估方法 |
-
2023
- 2023-03-28 CN CN202310315708.5A patent/CN116383048A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117076281A (zh) * | 2023-10-13 | 2023-11-17 | 晨达(广州)网络科技有限公司 | 一种基于深度学习的软件质量评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106294120B (zh) | 测试代码的方法、设备和计算机程序产品 | |
CN107832219B (zh) | 基于静态分析和神经网络的软件故障预测技术的构建方法 | |
CN107992410B (zh) | 软件质量监测方法、装置、计算机设备和存储介质 | |
CN107015875B (zh) | 一种电子整机贮存寿命评估方法及装置 | |
CN111221706B (zh) | 一种cpu使用率预测方法、系统、介质及设备 | |
CN111177655B (zh) | 一种数据处理方法、装置及电子设备 | |
Crawford et al. | A hyperheuristic approach for dynamic enumeration strategy selection in constraint satisfaction | |
US8010468B2 (en) | Method for wafer analysis with artificial neural network and system thereof | |
CN116383048A (zh) | 软件质量信息处理方法及装置 | |
CN115166618A (zh) | 一种非平稳输出的电流互感器误差评估方法 | |
Najafi et al. | Bisecting commits and modeling commit risk during testing | |
CN108306997B (zh) | 域名解析监控方法及装置 | |
Faraz et al. | The Optimal Design of the VSI T^ 2 Control Chart | |
KR101936240B1 (ko) | 예방 정비 시뮬레이션 시스템 및 방법 | |
CN111967774B (zh) | 软件质量风险预测方法及装置 | |
CN112906914B (zh) | 轨道交通it设备故障分析方法、装置和电子设备 | |
CN114938339A (zh) | 一种数据处理方法和相关装置 | |
CN109995547B (zh) | 一种故障诊断方法及设备 | |
CN111126694A (zh) | 一种时间序列数据预测方法、系统、介质及设备 | |
CN112434839B (zh) | 一种配电变压器重过载风险的预测方法及电子设备 | |
Hanh et al. | Applying the meta-heuristic algorithms for mutation-based test data generation for Simulink models | |
CN116112344B (zh) | 一种机房故障网络设备检测方法、设备及介质 | |
WO2023044907A1 (en) | Method and device for monitoring equipment health and computer readable storage medium | |
Ai et al. | Software reliability virtual testing for reliability assessment | |
CN117171623A (zh) | 细粒度的调用链异常检测方法、模型的训练方法及装置 |
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 |