CN116909917A - 金融软件开发缺陷预测方法、装置、设备、介质和产品 - Google Patents
金融软件开发缺陷预测方法、装置、设备、介质和产品 Download PDFInfo
- Publication number
- CN116909917A CN116909917A CN202310942775.XA CN202310942775A CN116909917A CN 116909917 A CN116909917 A CN 116909917A CN 202310942775 A CN202310942775 A CN 202310942775A CN 116909917 A CN116909917 A CN 116909917A
- Authority
- CN
- China
- Prior art keywords
- development
- dimension
- defect
- data
- node
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 650
- 238000000034 method Methods 0.000 title claims abstract description 86
- 238000011161 development Methods 0.000 claims abstract description 927
- 238000004590 computer program Methods 0.000 claims description 25
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 238000009825 accumulation Methods 0.000 description 4
- 238000003908 quality control method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000003449 preventive effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 238000013481 data capture Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007849 functional defect Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 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
- 238000003672 processing method Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种金融软件开发缺陷预测方法、装置、设备、介质和产品,涉及金融科技领域。方法包括:收集各金融软件对应于多个开发维度各维度值的历史缺陷数据和历史开发规模数据;获取各金融软件的开发节点、当前缺陷数据和当前开发规模数据;根据指定开发维度的各维度值对应的历史缺陷数据和历史开发规模数据,获取缺陷密度参考值;根据各金融软件的开发节点、当前缺陷数据和当前开发规模数据,获取维度开发节点、维度缺陷数据和维度开发规模数据;根据维度开发节点、维度缺陷数据、维度开发规模数据、缺陷密度参考值,得到对应于各维度值的缺陷数量预测值。采用本方法能够针对用户指定的开发维度,对当前周期可能出现的缺陷数量进行预测。
Description
技术领域
本申请涉及金融科技领域,特别是涉及一种金融软件开发缺陷预测方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着信息技术的发展,金融机构为了满足用户日益增长的业务需求提供了大量金融软件进行用户服务。而为了进一步提升用户体验和加快业务发展,金融机构往往需要对金融软件进行频繁的升级开发。
在此过程中,为了保证金融软件每次升级开发任务的及时完成,通常需要对软件的开发过程进行质量控制。但是,传统方法中对于金融软件的质量控制通常都是针对每个具体的金融软件,对当前周期中的缺陷密度进行计算,并与历史数据对比以估计开发质量,其无法对当前周期可能出现的缺陷数据进行预测,从而也难以对可能出现的缺陷问题提前制定预防措施。
而且,对于同时在进行大量金融软件升级更新的金融机构而言,传统方法中只着眼于每个单独的金融软件的质量分析也难以为金融机构对当前周期的整体开发情况进行多方面的评估和分析。
发明内容
基于此,有必要针对上述技术问题,提供一种金融软件开发缺陷预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种金融软件开发缺陷预测方法。所述方法包括:
收集各金融软件对应于多个开发维度各维度值的历史缺陷数据和历史开发规模数据;
在当前周期中,获取各金融软件的开发节点、当前缺陷数据和当前开发规模数据;
根据用户指定的开发维度,基于所述开发维度各维度值对应的历史缺陷数据和历史开发规模数据,获取对应于所述开发维度各维度值的每个开发节点的缺陷密度参考值;
根据当前周期中各金融软件的开发节点、当前缺陷数据和当前开发规模数据,获取对应于所述开发维度各维度值的维度开发节点、维度缺陷数据和维度开发规模数据;
根据所述维度开发节点、维度缺陷数据和维度开发规模数据,以及所述对应于每个开发节点的缺陷密度参考值,得到当前周期中对应于所述开发维度各维度值的缺陷数量预测值。
在其中一个实施例中,对于每个开发维度的每个维度值,所述历史缺陷数据包括所述维度值在每个开发节点的历史节点缺陷数据,所述历史开发规模数据包括所述维度值在每个开发节点的历史节点开发规模数据;所述根据用户指定的开发维度,基于所述开发维度各维度值对应的历史缺陷数据和历史开发规模数据,获取对应于所述开发维度各维度值的每个开发节点的缺陷密度参考值,包括:对于每个开发节点,根据所述历史缺陷数据和所述历史开发规模数据中对应的历史节点缺陷数据和历史节点开发规模数据,获取对应于所述开发节点的缺陷密度参考值。
在其中一个实施例中,所述历史节点缺陷数据包括对应于各金融软件的各历史版本对应的版本节点缺陷数据,所述历史节点开发规模数据包括对应于各金融软件的各历史版本对应的版本节点开发规模数据;所述根据所述历史缺陷数据和所述历史开发规模数据中对应的历史节点缺陷数据和历史节点开发规模数据,获取对应于所述开发节点的缺陷密度参考值,包括:根据所述开发节点对应的版本节点缺陷数据和版本节点开发规模数据,获取对应于各历史版本的版本节点缺陷密度参考值;根据所述各历史版本的版本节点缺陷密度参考值,得到对应于所述开发节点的缺陷密度参考值。
在其中一个实施例中,所述收集各金融软件对应于多个开发维度各维度值的历史缺陷数据和历史开发规模数据,包括:收集各金融软件在历史开发阶段的缺陷数据和开发规模数据;对于每个所述维度值,从所述各金融软件在历史开发阶段的缺陷数据和开发规模数据中提取对应于所述维度值的缺陷数据和开发规模数据;根据属于同一开发维度的各维度值的缺陷数据和开发规模数据,得到对应于所述开发维度各维度值的历史缺陷数据和历史开发规模数据。
在其中一个实施例中,所述用户指定的开发维度包括软件维度,所述开发维度的各维度值包括各金融软件;所述根据用户指定的开发维度,基于所述开发维度各维度值对应的历史缺陷数据和历史开发规模数据,获取对应于所述开发维度各维度值的每个开发节点的缺陷密度参考值,包括:对于每个金融软件,根据所述金融软件的历史缺陷数据和历史开发规模数据,获取对应于所述金融软件的每个开发节点的缺陷密度参考值;所述根据当前周期中各金融软件的开发节点、当前缺陷数据和当前开发规模数据,获取对应于所述开发维度各维度值的维度开发节点、维度缺陷数据和维度开发规模数据,包括:对于每个金融软件,以所述金融软件在当前周期的开发节点、当前缺陷数据和当前开发规模数据作为所述金融软件对应的维度开发节点、维度缺陷数据和维度开发规模数据;所述根据所述维度开发节点、维度缺陷数据和维度开发规模数据,以及所述对应于每个开发节点的缺陷密度参考值,得到当前周期中对应于所述开发维度各维度值的缺陷数量预测值,包括:对于每个金融软件,根据所述金融软件对应的维度开发节点、维度缺陷数据和维度开发规模数据和对应于所述维度开发节点的缺陷密度参考值,得到所述金融软件在当前周期的缺陷数量预测值。
在其中一个实施例中,所述用户指定的开发维度包括部门维度,所述开发维度的各维度值包括各开发部门;所述根据用户指定的开发维度,基于所述开发维度各维度值对应的历史缺陷数据和历史开发规模数据,获取对应于所述开发维度各维度值的每个开发节点的缺陷密度参考值,包括:对于每个开发部门,根据各金融软件对应于所述开发部门的历史缺陷数据和历史开发规模数据,获取对应于所述开发部门的每个开发节点的缺陷密度参考值;所述根据当前周期中各金融软件的开发节点、当前缺陷数据和当前开发规模数据,获取对应于所述开发维度各维度值的维度开发节点、维度缺陷数据和维度开发规模数据,包括:根据所述开发部门在当前周期中涉及的金融软件的开发节点,确定所述开发部门对应的维度开发节点;根据所述涉及的金融软件的当前版本缺陷数据和当前开发规模数据,确定与所述开发部门对应的维度缺陷数据和维度开发规模数据;所述根据所述维度开发节点、维度缺陷数据和维度开发规模数据,以及所述对应于每个开发节点的缺陷密度参考值,得到当前周期中对应于所述开发维度各维度值的缺陷数量预测值,包括:根据所述开发部门对应的各维度开发节点、维度缺陷数据、维度开发规模数据和对应于各维度开发节点的缺陷密度参考值,得到所述开发部门在当前周期的缺陷数量预测值。
在其中一个实施例中,所述用户指定的开发维度包括缺陷类型维度,所述开发维度的各维度值包括各缺陷类型;所述根据用户指定的开发维度,基于所述开发维度各维度值对应的历史缺陷数据和历史开发规模数据,获取对应于所述开发维度各维度值的每个开发节点的缺陷密度参考值,包括:对于每项缺陷类型,根据各金融软件对应于所述缺陷类型的历史缺陷数据和历史开发规模数据,获取对应于所述缺陷类型的每个开发节点的缺陷密度参考值;所述根据当前周期中各金融软件的开发节点、当前缺陷数据和当前开发规模数据,获取对应于所述开发维度各维度值的维度开发节点、维度缺陷数据和维度开发规模数据,包括:根据当前周期的各金融软件的开发节点,确定所述缺陷类型对应的维度开发节点;在所述各金融软件的当前缺陷数据中确定与所述缺陷类型对应的维度缺陷数据;根据各金融软件的当前开发规模数据确定与所述缺陷类型对应的维度开发规模数据;所述根据所述维度开发节点、维度缺陷数据和维度开发规模数据,以及所述对应于每个开发节点的缺陷密度参考值,得到当前周期中对应于所述开发维度各维度值的缺陷数量预测值,包括:根据所述缺陷类型对应的各维度开发节点、维度缺陷数据、维度开发规模数据和对应于各维度开发节点的缺陷密度参考值,得到所述缺陷类型在当前周期的缺陷数量预测值。
第二方面,本申请还提供了一种金融软件开发缺陷预测装置。所述装置包括:
历史收集模块,用于收集各金融软件对应于多个开发维度各维度值的历史缺陷数据和历史开发规模数据;
当前收集模块,用于在当前周期中,获取各金融软件的开发节点、当前缺陷数据和当前开发规模数据;
缺陷密度获取模块,用于根据用户指定的开发维度,基于所述开发维度各维度值对应的历史缺陷数据和历史开发规模数据,获取对应于所述开发维度各维度值的每个开发节点的缺陷密度参考值;
维度数据获取模块,用于根据当前周期中各金融软件的开发节点、当前缺陷数据和当前开发规模数据,获取对应于所述开发维度各维度值的维度开发节点、维度缺陷数据和维度开发规模数据;
维度缺陷预测模块,用于根据所述维度开发节点、维度缺陷数据和维度开发规模数据,以及所述对应于每个开发节点的缺陷密度参考值,得到当前周期中对应于所述开发维度各维度值的缺陷数量预测值。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
收集各金融软件对应于多个开发维度各维度值的历史缺陷数据和历史开发规模数据;
在当前周期中,获取各金融软件的开发节点、当前缺陷数据和当前开发规模数据;
根据用户指定的开发维度,基于所述开发维度各维度值对应的历史缺陷数据和历史开发规模数据,获取对应于所述开发维度各维度值的每个开发节点的缺陷密度参考值;
根据当前周期中各金融软件的开发节点、当前缺陷数据和当前开发规模数据,获取对应于所述开发维度各维度值的维度开发节点、维度缺陷数据和维度开发规模数据;
根据所述维度开发节点、维度缺陷数据和维度开发规模数据,以及所述对应于每个开发节点的缺陷密度参考值,得到当前周期中对应于所述开发维度各维度值的缺陷数量预测值。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
收集各金融软件对应于多个开发维度各维度值的历史缺陷数据和历史开发规模数据;
在当前周期中,获取各金融软件的开发节点、当前缺陷数据和当前开发规模数据;
根据用户指定的开发维度,基于所述开发维度各维度值对应的历史缺陷数据和历史开发规模数据,获取对应于所述开发维度各维度值的每个开发节点的缺陷密度参考值;
根据当前周期中各金融软件的开发节点、当前缺陷数据和当前开发规模数据,获取对应于所述开发维度各维度值的维度开发节点、维度缺陷数据和维度开发规模数据;
根据所述维度开发节点、维度缺陷数据和维度开发规模数据,以及所述对应于每个开发节点的缺陷密度参考值,得到当前周期中对应于所述开发维度各维度值的缺陷数量预测值。
第五方面,本申请还提供了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,该计算机程序被处理器执行时实现以下步骤:
收集各金融软件对应于多个开发维度各维度值的历史缺陷数据和历史开发规模数据;
在当前周期中,获取各金融软件的开发节点、当前缺陷数据和当前开发规模数据;
根据用户指定的开发维度,基于所述开发维度各维度值对应的历史缺陷数据和历史开发规模数据,获取对应于所述开发维度各维度值的每个开发节点的缺陷密度参考值;
根据当前周期中各金融软件的开发节点、当前缺陷数据和当前开发规模数据,获取对应于所述开发维度各维度值的维度开发节点、维度缺陷数据和维度开发规模数据;
根据所述维度开发节点、维度缺陷数据和维度开发规模数据,以及所述对应于每个开发节点的缺陷密度参考值,得到当前周期中对应于所述开发维度各维度值的缺陷数量预测值。
上述金融软件开发缺陷预测方法、装置、计算机设备、存储介质和计算机程序产品,通过对各金融软件对应于不同开发维度的各维度值的历史数据进行采集,并根据用户指定的开发维度获取对应于该维度中每个维度值的不同开发节点的缺陷密度参考值;再根据当前周期中的软件开发情况,从软件的当前开发数据中确定与用户指定的开发维度中各维度值对应的开发数据,并结合由历史数据得到的缺陷密度参考值得到当前周期中对应于用户制定的开发维度中各维度值对应的缺陷数量预测值。该过程以开发维度作为金融软件质量控制的观测角度,能够根据用户制定的开发维度,由对应的历史数据获取该开发维度中每个维度值在软件开发过程中的多个开发节点的缺陷密度参考值,并且由当前的软件开发数据中获取该开发维度中每个维度值对应的当前数据,从而根据该缺陷密度参考值和当前数据,可以针对用户指定的开发维度的各维度值,快速、准确、客观地对当前周期可能出现的缺陷数量进行预测,有利于金融机构根据预测结果提前制定应对措施,提高金融软件的开发效率。
附图说明
图1为一个实施例中金融软件开发缺陷预测方法的应用环境图;
图2为一个实施例中金融软件开发缺陷预测方法的流程示意图;
图3为一个实施例中收集历史缺陷数据和历史开发规模数据步骤的流程示意图;
图4为一个实施例中金融软件开发缺陷预测系统的结构示意图;
图5为一个实施例中历史数据采集模块的结构示意图;
图6为一个实施例中当前周期数据采集模块的结构示意图;
图7为一个实施例中对应于一开发维度中某维度值的缺陷趋势图;
图8为一个实施例中金融软件开发缺陷预测装置的结构框图;
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的金融软件开发缺陷预测方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。服务器104可以对金融软件的历史缺陷数据和历史开发规模数据进行采集,并在当前周期中实时获取各金融软件的当前开发数据。终端102可以接收用户指定的开发维度,并将其发送至服务器104,使其根据开发维度进行相关的开发缺陷预测。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104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。
在一个实施例中,如图2所示,提供了一种金融软件开发缺陷预测方法,以该方法应用于图1中的服务器104为例进行说明,包括以下步骤:
步骤S201,收集各金融软件对应于多个开发维度各维度值的历史缺陷数据和历史开发规模数据。
具体地,根据金融机构的软件开发过程,可以进行不同开发维度的划分,例如开发维度可以包括部门维度、软件维度、缺陷类型维度等,金融软件的每项缺陷数据都可以在不同的开发维度上具有各自对应的维度值。例如一项缺陷数据可以对应于开发部门B、金融软件S、缺陷类型1等。根据各金融软件的历史数据,可以按照开发过程中发生的每项缺陷数据,确定其在每个开发维度上对应的维度值,并进一步确定该项缺陷对应的软件开发规模,从而可形成对应于多个开发维度各维度值的历史缺陷数据和历史开发规模数据。
步骤S202,在当前周期中,获取各金融软件的开发节点、当前缺陷数据和当前开发规模数据。
具体地,在金融软件的开发过程中,可以将每次开发过程划分为多个周期,每个周期对应于一个开发节点。示例性地,金融软件的开发节点可以按时间进行划分,以周为单位,将软件上线周作为起点T,往前一周为T-1,往前两周为T-2,往后一周为T+1,往后两周为T+2等。从而在当前周中,可以收集各金融软件当前所在的开发节点,并根据各金融软件在此次开发过程中的每个开发节点出现过的缺陷以及每个开发节点中的开发规模,统计得到各金融软件的当前缺陷数据和当前开发规模数据。
步骤S203,根据用户指定的开发维度,基于开发维度各维度值对应的历史缺陷数据和历史开发规模数据,获取对应于开发维度各维度值的每个开发节点的缺陷密度参考值。
具体地,用户可以指定具体的一个或多个具体的开发维度进行缺陷的预测。根据用户指定的开发维度,可以根据步骤S201中获取的历史缺陷数据和历史开发规模数据中每项数据在该开发维度上对应的维度值,获取对应于每个维度值的一项或多项缺陷数据和开发规模数据。例如,对于部门维度,可以分别获取对应于开发部门A、开发部门B对应的一项或多项缺陷数据和开发规模数据。
进一步地,根据每项缺陷数据的发生时间,可以得到其对应的软件开发节点,进而可以针对每个软件开发节点计算对应的缺陷累计数据和开发规模累计数据,再由缺陷累计数据和开发规模累计数据计算出该开发节点的缺陷密度参考值。
步骤S204,根据当前周期中各金融软件的开发节点、当前缺陷数据和当前开发规模数据,获取对应于开发维度各维度值的维度开发节点、维度缺陷数据和维度开发规模数据。
具体地,根据用户指定的开发维度,可以将当前周期中各金融软件的开发情况按照其涉及的开发维度的维度值进行分类统计,得到对应于开发维度各维度值的维度开发节点、维度缺陷数据和维度开发规模数据。
例如,在本次开发过程中,金融软件P由开发部门A负责,金融软件Q由开发部门B负责,金融软件S由开发部门A、B共同负责,则对应于开发部门A的维度开发节点包括金融软件P、S各自所处的开发节点,对应于开发部门A的维度缺陷数据包括开发部门A在金融软件P的本次开发过程中的缺陷累计数据和在金融软件S的本次开发过程中的缺陷累计数据,对应于开发部门A的维度开发规模数据则包括开发部门A在金融软件P的本次开发过程中的规模累计数据和在金融软件S的本次开发过程中的规模累计数据。
步骤S205,根据维度开发节点、维度缺陷数据和维度开发规模数据,以及对应于每个开发节点的缺陷密度参考值,得到当前周期中对应于开发维度各维度值的缺陷数量预测值。
具体地,按照上述步骤获得的用户指定的开发维度中各维度值对应的维度开发节点、维度缺陷数据和维度开发规模数据后,对于其中涉及的每个维度开发节点,根据对应于该开发节点的缺陷密度参考值与维度开发规模数据,获得当前周期对应于该维度开发节点的缺陷数量参考值。结合该维度开发节点对应的维度缺陷数据以及缺陷数量参考值,即可得到当前周期中该维度开发节点的节点缺陷数量预测值。综合该维度值在当前周期涉及的各维度开发节点的节点缺陷数量预测值,可得到该维度值整体上在当前周期的缺陷数量预测值。
上述金融软件开发缺陷预测方法中,通过对各金融软件对应于不同开发维度的各维度值的历史数据进行采集,并根据用户指定的开发维度获取对应于该维度中每个维度值的不同开发节点的缺陷密度参考值;再根据当前周期中的软件开发情况,从软件的当前开发数据中确定与用户指定的开发维度中各维度值对应的开发数据,并结合由历史数据得到的缺陷密度参考值得到当前周期中对应于用户制定的开发维度中各维度值对应的缺陷数量预测值。该过程以开发维度作为金融软件质量控制的观测角度,能够根据用户制定的开发维度,由对应的历史数据获取该开发维度中每个维度值在软件开发过程中的多个开发节点的缺陷密度参考值,并且由当前的软件开发数据中获取该开发维度中每个维度值对应的当前数据,从而根据该缺陷密度参考值和当前数据,可以针对用户指定的开发维度的各维度值,快速、准确、客观地对当前周期可能出现的缺陷数量进行预测,有利于金融机构根据预测结果提前制定应对措施,提高金融软件的开发效率。
在一个实施例中,对于每个开发维度的每个维度值,历史缺陷数据包括维度值在每个开发节点的历史节点缺陷数据,历史开发规模数据包括维度值在每个开发节点的历史节点开发规模数据;上述步骤S203中,根据用户指定的开发维度,基于开发维度各维度值对应的历史缺陷数据和历史开发规模数据,获取对应于开发维度各维度值的每个开发节点的缺陷密度参考值,包括:对于每个开发节点,根据历史缺陷数据和历史开发规模数据中对应的历史节点缺陷数据和历史节点开发规模数据,获取对应于开发节点的缺陷密度参考值。
在本实施例中,对历史缺陷数据和历史开发规模数据进行采集时,可以同时对每项缺陷数据以及对应的开发规模数据进行开发节点的标记,从而可以形成对应于金融软件的每个开发节点的历史节点缺陷数据和历史节点开发规模数据。
进而,在步骤S203中,可以直接根据对应于每个开发节点的历史节点缺陷数据和历史节点开发规模数据,计算每个开发节点对应的缺陷累计数据和开发规模累计数据,并进一步计算出该开发节点的缺陷密度参考值。
本实施例在进行历史缺陷数据和历史开发规模数据采集时按照开发节点对数据进行区分,可方便后续针对每个开发节点计算对应的缺陷密度参考值,提高缺陷预测的整体效率。
在一个实施例中,历史节点缺陷数据包括对应于各金融软件的各历史版本对应的版本节点缺陷数据,历史节点开发规模数据包括对应于各金融软件的各历史版本对应的版本节点开发规模数据;上述实施例中,根据历史缺陷数据和历史开发规模数据中对应的历史节点缺陷数据和历史节点开发规模数据,获取对应于开发节点的缺陷密度参考值,包括:根据开发节点对应的版本节点缺陷数据和版本节点开发规模数据,获取对应于各历史版本的版本节点缺陷密度参考值;根据各历史版本的版本节点缺陷密度参考值,得到对应于开发节点的缺陷密度参考值。
具体地,对于各金融软件,在采集其历史开发过程中的缺陷数据和对应的开发规模数据后,还可以对每项缺陷数据和开发规模数据对应于该金融软件的具体历史版本进行标记,从而结合历史版本和开发节点的标记,可以对每项缺陷数据和开发规模数据进行清晰定位,例如具体的某项缺陷数据和开发规模数据可以是对应于金融软件S的版本1第T-1个开发节点中发生的缺陷以及其对应的开发规模。进而,可以获取对应于各金融软件的每个历史版本中的每个开发节点的版本节点缺陷数据和版本节点开发规模数据。
进一步地,在确定维度开发节点后,对于其涉及的每个开发节点,可以分别由对应于该开发节点的不同版本的版本节点缺陷数据和版本节点开发规模数据计算出对应于每个历史版本的版本节点缺陷密度参考值。然后可以根据预先设定对应于不同历史版本的权重值,由多个历史版本的版本节点缺陷密度参考值加权求和得到该维度开发节点对应的缺陷密度参考值。
本实施例在进行历史缺陷数据和历史开发规模数据采集时按照历史版本对数据进行区分,可以针对每个历史版本分别计算其对应于每个开发节点的缺陷密度,并根据各历史版本的缺陷密度获得每个开发节点的综合的缺陷密度参考值,其对软件开发过程中涉及多个开发版本的情况进行了考虑,可以得到更客观、准确的缺陷密度参考值,有利于后续对缺陷数量进行更准确的预测。
在一个实施例中,如图3所示,上述步骤S201,收集各金融软件对应于多个开发维度各维度值的历史缺陷数据和历史开发规模数据,包括:
步骤S301,收集各金融软件在历史开发阶段的缺陷数据和开发规模数据。
步骤S302,对于每个维度值,从各金融软件在历史开发阶段的缺陷数据和开发规模数据中提取对应于维度值的缺陷数据和开发规模数据。
步骤S303,根据属于同一开发维度的各维度值的缺陷数据和开发规模数据,得到对应于开发维度各维度值的历史缺陷数据和历史开发规模数据。
具体地,在步骤S301中对各金融软件在历史开发阶段的缺陷数据和开发规模数据进行收集后,在步骤S302中可以根据预设的一个或多个开发维度,对数据进行预先处理,按照开发维度的不同维度值提取出不同的数据,然后在步骤S303中根据每个维度值各自所属的开发维度,汇聚对应的数据,得到对应于每个开发维度的各维度值的历史缺陷数据和历史开发规模数据。
本实施例针对多个开发维度,按照同一开发维度涉及的各维度值对历史缺陷数据和历史开发规模数据进行组织,从而后续针对每个开发维度的各维度值进行缺陷数量预测时可更高效地取用相关数据,提高了预测的效率。
在一个实施例中,用户指定的开发维度包括软件维度,开发维度的各维度值包括各金融软件。
上述步骤S203中,根据用户指定的开发维度,基于开发维度各维度值对应的历史缺陷数据和历史开发规模数据,获取对应于开发维度各维度值的每个开发节点的缺陷密度参考值,包括:对于每个金融软件,根据金融软件的历史缺陷数据和历史开发规模数据,获取对应于金融软件的每个开发节点的缺陷密度参考值。
上述步骤S204中,根据当前周期中各金融软件的开发节点、当前缺陷数据和当前开发规模数据,获取对应于开发维度各维度值的维度开发节点、维度缺陷数据和维度开发规模数据,包括:对于每个金融软件,以金融软件在当前周期的开发节点、当前缺陷数据和当前开发规模数据作为金融软件对应的维度开发节点、维度缺陷数据和维度开发规模数据。
上述步骤S205中,根据维度开发节点、维度缺陷数据和维度开发规模数据,以及对应于每个开发节点的缺陷密度参考值,得到当前周期中对应于开发维度各维度值的缺陷数量预测值,包括:对于每个金融软件,根据金融软件对应的维度开发节点、维度缺陷数据和维度开发规模数据和对应于维度开发节点的缺陷密度参考值,得到金融软件在当前周期的缺陷数量预测值。
当用户指定的开发维度包括软件维度时,可以按照本实施例中的方法对软件维度中各维度值进行缺陷预测。
具体地,对应于软件维度,其各维度值可以包括各金融软件,即每个金融软件本身可以作为一个维度值。
其中,对于作为维度值的每个金融软件,该维度值对应的历史缺陷数据和历史开发规模数据即为该金融软件自身在历史开发过程中的历史缺陷数据和历史开发规模数据,根据该金融软件的历史缺陷数据和历史开发规模数据,可获得该金融软件在每个开发节点上的缺陷密度参考值。
进一步地,对应于每个金融软件,其在当前周期中涉及的开发节点、当前缺陷数据和当前开发规模数据均只有其自身所处的开发节点、自身在本次开发过程中产生的缺陷数据和自身在本次开发过程中的开发规模,因此可以将该金融软件在当前周期的开发节点、当前缺陷数据和当前开发规模数据作为其对应的维度开发节点、维度缺陷数据和维度开发规模数据。
进而,从上述每个开发节点的缺陷密度参考值中选择对应于该维度开发节点的缺陷密度参考值后,可以结合维度开发规模数据计算得到当前周期对应于该维度开发节点的缺陷数量参考值。结合该维度开发节点对应的维度缺陷数据以及缺陷数量参考值,即可得到该金融软件在当前周期的缺陷数量预测值。
按照上述方法,可获得当前周期中对应于软件维度上各金融软件的缺陷数量预测值。
本实施例针对软件维度,获取其中每个金融软件的缺陷预测值,其可以方便用户针对每个金融软件预测当前周期可能出现的缺陷数量,并制定相关的预防措施。
在一个实施例中,用户指定的开发维度包括部门维度,开发维度的各维度值包括各开发部门。
上述步骤S203中,根据用户指定的开发维度,基于开发维度各维度值对应的历史缺陷数据和历史开发规模数据,获取对应于开发维度各维度值的每个开发节点的缺陷密度参考值,包括:对于每个开发部门,根据各金融软件对应于开发部门的历史缺陷数据和历史开发规模数据,获取对应于开发部门的每个开发节点的缺陷密度参考值。
上述步骤S204中,根据当前周期中各金融软件的开发节点、当前缺陷数据和当前开发规模数据,获取对应于开发维度各维度值的维度开发节点、维度缺陷数据和维度开发规模数据,包括:根据开发部门在当前周期中涉及的金融软件的开发节点,确定开发部门对应的维度开发节点;根据涉及的金融软件的当前缺陷数据和当前开发规模数据,确定与开发部门对应的维度缺陷数据和维度开发规模数据。
上述步骤S205中,根据维度开发节点、维度缺陷数据和维度开发规模数据,以及对应于每个开发节点的缺陷密度参考值,得到当前周期中对应于开发维度各维度值的缺陷数量预测值,包括:根据开发部门对应的各维度开发节点、维度缺陷数据、维度开发规模数据和对应于各维度开发节点的缺陷密度参考值,得到开发部门在当前周期的缺陷数量预测值。
当用户指定的开发维度包括部门维度时,可以按照本实施例中的方法对部门维度中各维度值进行缺陷预测。
具体地,对应于部门维度,其各维度值可以包括金融机构中参与软件开发的各开发部门,每个各开发部门可以作为一个维度值。
其中,对于作为维度值的每个开发部门,该维度值对应的历史缺陷数据和历史开发规模数据为各金融软件在历史开发过程中与该部门相关的缺陷数据和开发规模数据。例如对于开发部门A,可以根据各金融软件的各项缺陷数据各自对应的开发部门,提取出开发部门A在一个或多个金融软件的历史开发过程中产生的若干缺陷数据,并确定每项缺陷数据对应的软件开发规模。根据每个开发部门对应的历史缺陷数据和历史开发规模数据,可获得该部门在其参与开发的金融软件上,每个开发节点对应的缺陷密度参考值。
进一步地,对于每个开发部门,可以确定其当前涉及开发的金融软件,并进一步采集每个金融软件在当前周期中的开发节点以确定该开发部门对应的维度开发节点。然后根据涉及的金融软件在当前开发过程中产生的当前缺陷数据和当前开发规模数据,进一步确定与该开发部门相关联的维度缺陷数据和维度开发规模数据。例如,对于开发部门A,其当前参与开发的金融软件为金融软件P(开发节点T-1)、金融软件Q(开发节点T-1)、金融软件R(开发节点T-2),则开发部门A对应的维度开发节点为开发节点T-1、T-2。进一步地,根据金融软件P、Q、R的当前缺陷数据中与开发部门A相关的缺陷数据,可分别得到开发部门A对应于每个金融软件的维度缺陷数据,根据每个维度缺陷数据对应的开发部门A的参与开发规模,可得到开发部门A对应的维度开发规模数据。
进而,从上述每个开发节点对应的缺陷密度参考值中选择对应于各维度开发节点的缺陷密度参考值后,可以结合在每个维度开发节点对应的金融软件的维度开发规模数据计算得到当前周期对应于该维度开发节点的缺陷数量参考值。结合该维度开发节点对应的金融软件的维度缺陷数据以及缺陷数量参考值,即可得到该开发部门在其涉及的每个维度开发节点上的节点缺陷数量预测值。综合该开发部门在当前周期涉及的各维度开发节点的节点缺陷数量预测值,可得到该开发部门整体上在当前周期的缺陷数量预测值。
按照上述方法,可获得当前周期中对应于部门维度上各开发部门的缺陷数量预测值。
本实施例针对部门维度,获取其中每个开发部门的缺陷预测值,其可以方便用户对每个开发部门在当前周期可能出现的缺陷数量进行预估,并制定相关的预防措施。
在一个实施例中,用户指定的开发维度包括缺陷类型维度,开发维度的各维度值包括各缺陷类型。
上述步骤S203中,根据用户指定的开发维度,基于开发维度各维度值对应的历史缺陷数据和历史开发规模数据,获取对应于开发维度各维度值的每个开发节点的缺陷密度参考值,包括:对于每项缺陷类型,根据各金融软件对应于缺陷类型的历史缺陷数据和历史开发规模数据,获取对应于缺陷类型的每个开发节点的缺陷密度参考值。
上述步骤S204中,根据当前周期中各金融软件的开发节点、当前缺陷数据和当前开发规模数据,获取对应于开发维度各维度值的维度开发节点、维度缺陷数据和维度开发规模数据,包括:根据当前周期的各金融软件的开发节点,确定缺陷类型对应的维度开发节点;在各金融软件的当前缺陷数据中确定与缺陷类型对应的维度缺陷数据;根据各金融软件的当前开发规模数据确定与缺陷类型对应的维度开发规模数据。
上述步骤S205中,根据维度开发节点、维度缺陷数据和维度开发规模数据,以及对应于每个开发节点的缺陷密度参考值,得到当前周期中对应于开发维度各维度值的缺陷数量预测值,包括:根据缺陷类型对应的各维度开发节点、维度缺陷数据、维度开发规模数据和对应于各维度开发节点的缺陷密度参考值,得到缺陷类型在当前周期的缺陷数量预测值。
当用户指定的开发维度包括缺陷类型维度时,可以按照本实施例中的方法对缺陷类型维度中各维度值进行缺陷预测。
具体地,对应于缺陷类型维度,其各维度值可以包括金融软件开发过程中会出现的缺陷问题所对应的各种缺陷类型,例如功能缺陷、环境差异适配缺陷、数据产出缺陷等。每项缺陷类型可以作为一个维度值。
其中,对于作为维度值的每项缺陷类型,该维度值对应的历史缺陷数据和历史开发规模数据可以是根据不同的缺陷类型对各金融软件在历史开发过程中的各项缺陷数据进行分类后得到的对应于该项缺陷类型的缺陷数据和开发规模数据。根据该项缺陷类型对应的历史缺陷数据和历史开发规模数据,可获得在金融软件的每个开发节点上对应于该缺陷类型的缺陷密度参考值。
进一步地,对应于具体某项缺陷类型,若当前开发中的所有金融软件都可能出现该类型的缺陷问题,则可认为该项缺陷类型涉及的金融软件为所有开发中的金融软件,从而各金融软件在当前周期中的所处的开发节点即为该缺陷类型对应的维度开发节点。而当该项缺陷类型对应的缺陷问题只有在部分金融软件中可能出现,则可以将该部分金融软件在当前周期中的所处的开发节点作为该缺陷类型对应的维度开发节点。然后根据该项缺陷类型对应的各金融软件,可以从其当前缺陷数据中确定符合该缺陷类型的维度缺陷数据,并进一步确定对应的维度开发规模数据。
进而,从上述每个开发节点的缺陷密度参考值中,可确定对应于每个维度开发节点的缺陷密度参考值,结合在每个维度开发节点对应的金融软件的维度开发规模数据可计算得到当前周期对应于该维度开发节点的缺陷数量参考值。
进一步地,对于每个维度开发节点,结合该维度开发节点对应的金融软件的维度缺陷数据以及缺陷数量参考值,即可得到该缺陷类型在其涉及的每个维度开发节点上的节点缺陷数量预测值。综合该缺陷类型在当前周期涉及的各维度开发节点的节点缺陷数量预测值,可得到该缺陷类型整体上在当前周期的缺陷数量预测值。
按照上述方法,可获得当前周期中对应于缺陷类型维度上各缺陷类型的缺陷数量预测值。
本实施例针对缺陷类型维度,获取其中每个缺陷类型的缺陷预测值,其可以方便用户对当前周期中每个缺陷类型可能出现的缺陷数量进行预估,从而能够制定更有针对性的预防解决措施。
为了进一步阐述本申请的金融软件开发缺陷预测方法,以下通过详细的实施例对其进行说明。
示例性地,本实施例中的方法可以使用如图4所示的金融软件开发缺陷预测系统实现。其中,该系统包括历史数据采集模块、当前周期数据采集模块、历史缺陷数据和历史开发规模数据集建立模块、历史缺陷密度计算模块、当前周期质量数据预测模块。
其中,如图5所示,历史数据采集模块包括历史研发规模数据抓取单元和历史缺陷问题数据抓取单元。其可以对各金融软件在历史开发过程中产生的缺陷数据和对应的开发规模进行采集,并且对其进行初步处理和清洗。其中,针对每项缺陷数据及其对应的开发规模,根据不同的开发维度为每项缺陷数据及其对应的开发规模添加对应的维度值字段。在本实施例中,预设的开发维度包括部门维度、软件维度、缺陷类型维度。另外,还根据该项缺陷数据所具体对应的金融软件的历史版本和开发节点,添加对应的版本字段和节点字段。对数据进行初步处理和清洗后,历史数据采集模块将数据传输至数据库中台。
如图6所示,当前周期数据采集模块包括当期规模数据抓取单元、当期待处理问题抓取单元、当期已确认缺陷问题抓取单元。其可以对当前周期中各金融软件的开发节点、当前缺陷数据和当前开发规模数据进行收集并对其进行初步的数据清洗,确定其中每项缺陷数据所对应的开发规模、对应于各开发维度的维度值等。初步清洗后,当前周期数据采集模块将数据传输至数据库中台。
进一步地,历史缺陷数据和历史开发规模数据集建立模块根据每个开发维度,建立与该开发维度中每个维度值对应的历史缺陷数据和历史开发规模数据集。
其中,对于软件维度,针对金融机构当前周期中开发的多个不同软件,可以针对每个金融软件,根据其历史缺陷数据和历史开发规模数据中对应于每个开发节点的历史节点缺陷数据和历史节点开发规模数据,建立如下表1所示的数据集:
表1
其中,每个软件在每个开发节点中对应的缺陷问题数为该开发节点对应的历史节点缺陷数据的数量,对应的规模为该开发节点对应的历史开发规模数据之和。而对于有多个历史版本的软件,还可以根据不同的版本,分别建立对应的数据集。
同理,对于部门维度,针对金融机构参与软件开发的多个开发部门,可以针对每个开发部门,根据参与开发的各金融软件的历史缺陷数据和历史开发规模数据中每个开发节点对应于该开发部门的历史节点缺陷数据和历史节点开发规模数据,建立如下表2所示的数据集:
表2
其中,每个部门在每个开发节点中对应的缺陷问题数为该部门参与开发的各金融软件在该开发节点对应的历史节点缺陷数据中与该部门有关的缺陷数据的数量之和,而其对应的规模则为各缺陷数据对应于该部门的开发规模的数量之和。其中,若一个开发部门参加了一个或多个软件的多个历史版本的开发,则还可以根据该部门在不同版本的软件开发过程中对应的历史节点缺陷数据和历史开发规模数据,分别建立对应的数据集。
同样地,对于缺陷类型维度,针对每种缺陷类型,可以根据各金融软件的历史缺陷数据和历史开发规模数据中对应于不同缺陷类型的历史节点缺陷数据和历史节点开发规模数据,建立如下表3所示的数据集:
表3
其中,每个缺陷类型在每个开发节点中对应的缺陷问题数为各金融软件在该开发节点对应的历史节点缺陷数据中属于该缺陷类型的缺陷数据的数量之和,而其对应的规模则为各缺陷数据对应于的开发规模的数量之和。其中,若一个缺陷类型在了一个或多个金融软件的多个历史版本中都有出现,则还可以根据缺陷类型在不同版本的软件开发过程中对应的历史节点缺陷数据和历史开发规模数据,分别建立对应的数据集。
在建立了与各开发维度中每个维度值对应的历史缺陷数据和历史开发规模数据集后,历史缺陷密度计算模块根据用户指定的开发维度,对可开发维度中每个维度值在每个开发节点的缺陷密度参考值进行计算。例如对于软件维度中软件1的开发节点T,可以先将软件1在开发节点T之前的各开发节点对应的缺陷问题数和规模分别累加,得到开发节点T对应的缺陷累计数据i和开发规模累计数据w。然后使用千人日均缺陷密度公式:d=i*1000/w,获得开发节点T对应的缺陷密度参考值d。如下表4所示,根据历史缺陷数据和历史开发规模数据集,可以获得对应于软件1的每个开发节点的缺陷密度参考值:
表4
其中,当软件1具有多个不同的历史版本时,可以按照上述方法分别计算每个历史版本在开发节点T的缺陷密度参考值,然后为每个历史版本赋予各自的权重值,将每个历史版本在开发节点T的缺陷密度参考值加权求和,得到如下表5所示的总版本的缺陷密度参考值:
表5
另一方面,历史缺陷密度计算模块还可以对软件1的多个历史版本在各开发节点中的缺陷累计数据和开发规模累计数据进行加权汇总,得到软件1在各开发节点中的历史缺陷数量参考值。
进一步地,当前周期质量数据预测模块可以使用上述过程中获得的数据对当前周期中对应于开发维度各维度值的缺陷数量预测值进行预测。
以软件维度中的软件1的预测为例,当前周期质量数据预测模块可以根据当前周期数据采集模块获得的当前周期中各金融软件的开发节点、当前缺陷数据和当前开发规模数据,确定软件1的维度开发节点为开发节点T,并提取软件1对应的当前缺陷数据和当前开发规模数据作为其对应的维度缺陷数据和维度开发规模数据。然后按照上述实施例中的方式,得到软件1在本次开发过程中的缺陷累计数据和规模累计数据。
进一步地,根据历史缺陷密度计算模块获取的对应于软件1在开发节点T的缺陷密度参考值d6,和规模累计数据Wc,可计算得到其缺陷数量参考值Ic=d6*Wc/1000。将缺陷数量参考值与本次开发过程中的缺陷累计数据相加后,即可获得软件1在当前周期(对应于开发节点T)的缺陷数量预测值。
可以理解的是,当用户指定的开发维度为部门维度、缺陷类型维度或者是其他开发维度时,也可以结合上述实施例中的具体处理方法,按照本实施例的处理流程获取每个开发维度中各维度值对应的当前周期的缺陷数量预测值。
而为了更好地对金融软件的开发过程进行质量控制,还可以根据开发维度的维度值,在金融软件的本次开发过程中的每个开发节点分别进行缺陷数量预测值的计算,获取每个开发节点的缺陷数量预测值,生成缺陷数量预测值趋势曲线。进一步地,结合历史缺陷密度计算模块获得的该维度值在各开发节点中的历史缺陷数量参考值形成的历史缺陷数量趋势曲线,形成如图7所示的缺陷趋势图,可更好地对本次开发过程中该维度值对应的开发质量进行评估和分析。
本实施例中针对金融机构的各金融软件的开发过程,从多个不同的开发维度进行了当前周期的缺陷数量预测值的获取并建立趋势图,其可有利于金融机构的软件开发团队发现系统质量问题发生的规律和原因,给开发团队指出方向,帮助其在研发和测试过程中更加有效地关注和处理潜在的质量问题。这样不仅可以帮助团队提高软件质量,还可以节省相关成本和时间。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的金融软件开发缺陷预测方法的金融软件开发缺陷预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个金融软件开发缺陷预测装置实施例中的具体限定可以参见上文中对于金融软件开发缺陷预测方法的限定,在此不再赘述。
在一个实施例中,如图8所示,提供了一种金融软件开发缺陷预测装置800,包括:
历史收集模块801,用于收集各金融软件对应于多个开发维度各维度值的历史缺陷数据和历史开发规模数据;
当前收集模块802,用于在当前周期中,获取各金融软件的开发节点、当前缺陷数据和当前开发规模数据;
缺陷密度获取模块803,用于根据用户指定的开发维度,基于所述开发维度各维度值对应的历史缺陷数据和历史开发规模数据,获取对应于所述开发维度各维度值的每个开发节点的缺陷密度参考值;
维度数据获取模块804,用于根据当前周期中各金融软件的开发节点、当前缺陷数据和当前开发规模数据,获取对应于所述开发维度各维度值的维度开发节点、维度缺陷数据和维度开发规模数据;
维度缺陷预测模块805,用于根据所述维度开发节点、维度缺陷数据和维度开发规模数据,以及所述对应于每个开发节点的缺陷密度参考值,得到当前周期中对应于所述开发维度各维度值的缺陷数量预测值。
在一个实施例中,对于每个开发维度的每个维度值,所述历史缺陷数据包括所述维度值在每个开发节点的历史节点缺陷数据,所述历史开发规模数据包括所述维度值在每个开发节点的历史节点开发规模数据;上述缺陷密度获取模块803,还用于对于每个开发节点,根据所述历史缺陷数据和所述历史开发规模数据中对应的历史节点缺陷数据和历史节点开发规模数据,获取对应于所述开发节点的缺陷密度参考值。
在一个实施例中,所述历史节点缺陷数据包括对应于各金融软件的各历史版本对应的版本节点缺陷数据,所述历史节点开发规模数据包括对应于各金融软件的各历史版本对应的版本节点开发规模数据;上述缺陷密度获取模块803,还用于根据所述开发节点对应的版本节点缺陷数据和版本节点开发规模数据,获取对应于各历史版本的版本节点缺陷密度参考值;根据所述各历史版本的版本节点缺陷密度参考值,得到对应于所述开发节点的缺陷密度参考值。
在一个实施例中,上述历史收集模块801,还用于收集各金融软件在历史开发阶段的缺陷数据和开发规模数据;对于每个所述维度值,从所述各金融软件在历史开发阶段的缺陷数据和开发规模数据中提取对应于所述维度值的缺陷数据和开发规模数据;根据属于同一开发维度的各维度值的缺陷数据和开发规模数据,得到对应于所述开发维度各维度值的历史缺陷数据和历史开发规模数据。
在一个实施例中,所述用户指定的开发维度包括软件维度,所述开发维度的各维度值包括各金融软件;上述缺陷密度获取模块803,还用于对于每个金融软件,根据所述金融软件的历史缺陷数据和历史开发规模数据,获取对应于所述金融软件的每个开发节点的缺陷密度参考值;上述维度数据获取模块804,还用于对于每个金融软件,以所述金融软件在当前周期的开发节点、当前缺陷数据和当前开发规模数据作为所述金融软件对应的维度开发节点、维度缺陷数据和维度开发规模数据;维度缺陷预测模块805,还用于对于每个金融软件,根据所述金融软件对应的维度开发节点、维度缺陷数据和维度开发规模数据和对应于所述维度开发节点的缺陷密度参考值,得到所述金融软件在当前周期的缺陷数量预测值。
在一个实施例中,所述用户指定的开发维度包括部门维度,所述开发维度的各维度值包括各开发部门;上述缺陷密度获取模块803,还用于对于每个开发部门,根据各金融软件对应于所述开发部门的历史缺陷数据和历史开发规模数据,获取对应于所述开发部门的每个开发节点的缺陷密度参考值;上述维度数据获取模块804,还用于根据所述开发部门在当前周期中涉及的金融软件的开发节点,确定所述开发部门对应的维度开发节点;根据所述涉及的金融软件的当前版本缺陷数据和当前开发规模数据,确定与所述开发部门对应的维度缺陷数据和维度开发规模数据;维度缺陷预测模块805,还用于根据所述开发部门对应的各维度开发节点、维度缺陷数据、维度开发规模数据和对应于各维度开发节点的缺陷密度参考值,得到所述开发部门在当前周期的缺陷数量预测值。
在一个实施例中,所述用户指定的开发维度包括缺陷类型维度,所述开发维度的各维度值包括各缺陷类型;上述缺陷密度获取模块803,还用于对于每项缺陷类型,根据各金融软件对应于所述缺陷类型的历史缺陷数据和历史开发规模数据,获取对应于所述缺陷类型的每个开发节点的缺陷密度参考值;上述维度数据获取模块804,还用于根据当前周期的各金融软件的开发节点,确定所述缺陷类型对应的维度开发节点;在所述各金融软件的当前缺陷数据中确定与所述缺陷类型对应的维度缺陷数据;根据各金融软件的当前开发规模数据确定与所述缺陷类型对应的维度开发规模数据;维度缺陷预测模块805,还用于根据所述缺陷类型对应的各维度开发节点、维度缺陷数据、维度开发规模数据和对应于各维度开发节点的缺陷密度参考值,得到所述缺陷类型在当前周期的缺陷数量预测值。
上述金融软件开发缺陷预测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9所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。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非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储各金融软件的历史缺陷数据、历史开发规模数据、开发节点、当前缺陷数据、当前开发规模数据等数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种金融软件开发缺陷预测方法。
本领域技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其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各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
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,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,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、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (11)
1.一种金融软件开发缺陷预测方法,其特征在于,所述方法包括:
收集各金融软件对应于多个开发维度各维度值的历史缺陷数据和历史开发规模数据;
在当前周期中,获取各金融软件的开发节点、当前缺陷数据和当前开发规模数据;
根据用户指定的开发维度,基于所述开发维度各维度值对应的历史缺陷数据和历史开发规模数据,获取对应于所述开发维度各维度值的每个开发节点的缺陷密度参考值;
根据当前周期中各金融软件的开发节点、当前缺陷数据和当前开发规模数据,获取对应于所述开发维度各维度值的维度开发节点、维度缺陷数据和维度开发规模数据;
根据所述维度开发节点、维度缺陷数据和维度开发规模数据,以及所述对应于每个开发节点的缺陷密度参考值,得到当前周期中对应于所述开发维度各维度值的缺陷数量预测值。
2.根据权利要求1所述的方法,其特征在于,对于每个开发维度的每个维度值,所述历史缺陷数据包括所述维度值在每个开发节点的历史节点缺陷数据,所述历史开发规模数据包括所述维度值在每个开发节点的历史节点开发规模数据;
所述根据用户指定的开发维度,基于所述开发维度各维度值对应的历史缺陷数据和历史开发规模数据,获取对应于所述开发维度各维度值的每个开发节点的缺陷密度参考值,包括:
对于每个开发节点,根据所述历史缺陷数据和所述历史开发规模数据中对应的历史节点缺陷数据和历史节点开发规模数据,获取对应于所述开发节点的缺陷密度参考值。
3.根据权利要求2所述的方法,其特征在于,所述历史节点缺陷数据包括对应于各金融软件的各历史版本对应的版本节点缺陷数据,所述历史节点开发规模数据包括对应于各金融软件的各历史版本对应的版本节点开发规模数据;
所述根据所述历史缺陷数据和所述历史开发规模数据中对应的历史节点缺陷数据和历史节点开发规模数据,获取对应于所述开发节点的缺陷密度参考值,包括:
根据所述开发节点对应的版本节点缺陷数据和版本节点开发规模数据,获取对应于各历史版本的版本节点缺陷密度参考值;
根据所述各历史版本的版本节点缺陷密度参考值,得到对应于所述开发节点的缺陷密度参考值。
4.根据权利要求1所述的方法,其特征在于,所述收集各金融软件对应于多个开发维度各维度值的历史缺陷数据和历史开发规模数据,包括:
收集各金融软件在历史开发阶段的缺陷数据和开发规模数据;
对于每个所述维度值,从所述各金融软件在历史开发阶段的缺陷数据和开发规模数据中提取对应于所述维度值的缺陷数据和开发规模数据;
根据属于同一开发维度的各维度值的缺陷数据和开发规模数据,得到对应于所述开发维度各维度值的历史缺陷数据和历史开发规模数据。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述用户指定的开发维度包括软件维度,所述开发维度的各维度值包括各金融软件;
所述根据用户指定的开发维度,基于所述开发维度各维度值对应的历史缺陷数据和历史开发规模数据,获取对应于所述开发维度各维度值的每个开发节点的缺陷密度参考值,包括:
对于每个金融软件,根据所述金融软件的历史缺陷数据和历史开发规模数据,获取对应于所述金融软件的每个开发节点的缺陷密度参考值;
所述根据当前周期中各金融软件的开发节点、当前缺陷数据和当前开发规模数据,获取对应于所述开发维度各维度值的维度开发节点、维度缺陷数据和维度开发规模数据,包括:
对于每个金融软件,以所述金融软件在当前周期的开发节点、当前缺陷数据和当前开发规模数据作为所述金融软件对应的维度开发节点、维度缺陷数据和维度开发规模数据;
所述根据所述维度开发节点、维度缺陷数据和维度开发规模数据,以及所述对应于每个开发节点的缺陷密度参考值,得到当前周期中对应于所述开发维度各维度值的缺陷数量预测值,包括:
对于每个金融软件,根据所述金融软件对应的维度开发节点、维度缺陷数据和维度开发规模数据和对应于所述维度开发节点的缺陷密度参考值,得到所述金融软件在当前周期的缺陷数量预测值。
6.根据权利要求1-4任一项所述的方法,其特征在于,所述用户指定的开发维度包括部门维度,所述开发维度的各维度值包括各开发部门;
所述根据用户指定的开发维度,基于所述开发维度各维度值对应的历史缺陷数据和历史开发规模数据,获取对应于所述开发维度各维度值的每个开发节点的缺陷密度参考值,包括:
对于每个开发部门,根据各金融软件对应于所述开发部门的历史缺陷数据和历史开发规模数据,获取对应于所述开发部门的每个开发节点的缺陷密度参考值;
所述根据当前周期中各金融软件的开发节点、当前缺陷数据和当前开发规模数据,获取对应于所述开发维度各维度值的维度开发节点、维度缺陷数据和维度开发规模数据,包括:
根据所述开发部门在当前周期中涉及的金融软件的开发节点,确定所述开发部门对应的维度开发节点;根据所述涉及的金融软件的当前版本缺陷数据和当前开发规模数据,确定与所述开发部门对应的维度缺陷数据和维度开发规模数据;
所述根据所述维度开发节点、维度缺陷数据和维度开发规模数据,以及所述对应于每个开发节点的缺陷密度参考值,得到当前周期中对应于所述开发维度各维度值的缺陷数量预测值,包括:
根据所述开发部门对应的各维度开发节点、维度缺陷数据、维度开发规模数据和对应于各维度开发节点的缺陷密度参考值,得到所述开发部门在当前周期的缺陷数量预测值。
7.根据权利要求1-4任一项所述的方法,其特征在于,所述用户指定的开发维度包括缺陷类型维度,所述开发维度的各维度值包括各缺陷类型;
所述根据用户指定的开发维度,基于所述开发维度各维度值对应的历史缺陷数据和历史开发规模数据,获取对应于所述开发维度各维度值的每个开发节点的缺陷密度参考值,包括:
对于每项缺陷类型,根据各金融软件对应于所述缺陷类型的历史缺陷数据和历史开发规模数据,获取对应于所述缺陷类型的每个开发节点的缺陷密度参考值;
所述根据当前周期中各金融软件的开发节点、当前缺陷数据和当前开发规模数据,获取对应于所述开发维度各维度值的维度开发节点、维度缺陷数据和维度开发规模数据,包括:
根据当前周期的各金融软件的开发节点,确定所述缺陷类型对应的维度开发节点;在所述各金融软件的当前缺陷数据中确定与所述缺陷类型对应的维度缺陷数据;根据各金融软件的当前开发规模数据确定与所述缺陷类型对应的维度开发规模数据;
所述根据所述维度开发节点、维度缺陷数据和维度开发规模数据,以及所述对应于每个开发节点的缺陷密度参考值,得到当前周期中对应于所述开发维度各维度值的缺陷数量预测值,包括:
根据所述缺陷类型对应的各维度开发节点、维度缺陷数据、维度开发规模数据和对应于各维度开发节点的缺陷密度参考值,得到所述缺陷类型在当前周期的缺陷数量预测值。
8.一种金融软件开发缺陷预测装置,其特征在于,所述装置包括:
历史收集模块,用于收集各金融软件对应于多个开发维度各维度值的历史缺陷数据和历史开发规模数据;
当前收集模块,用于在当前周期中,获取各金融软件的开发节点、当前缺陷数据和当前开发规模数据;
缺陷密度获取模块,用于根据用户指定的开发维度,基于所述开发维度各维度值对应的历史缺陷数据和历史开发规模数据,获取对应于所述开发维度各维度值的每个开发节点的缺陷密度参考值;
维度数据获取模块,用于根据当前周期中各金融软件的开发节点、当前缺陷数据和当前开发规模数据,获取对应于所述开发维度各维度值的维度开发节点、维度缺陷数据和维度开发规模数据;
维度缺陷预测模块,用于根据所述维度开发节点、维度缺陷数据和维度开发规模数据,以及所述对应于每个开发节点的缺陷密度参考值,得到当前周期中对应于所述开发维度各维度值的缺陷数量预测值。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,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7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
11.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310942775.XA CN116909917A (zh) | 2023-07-28 | 2023-07-28 | 金融软件开发缺陷预测方法、装置、设备、介质和产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310942775.XA CN116909917A (zh) | 2023-07-28 | 2023-07-28 | 金融软件开发缺陷预测方法、装置、设备、介质和产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116909917A true CN116909917A (zh) | 2023-10-20 |
Family
ID=88356403
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310942775.XA Pending CN116909917A (zh) | 2023-07-28 | 2023-07-28 | 金融软件开发缺陷预测方法、装置、设备、介质和产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116909917A (zh) |
-
2023
- 2023-07-28 CN CN202310942775.XA patent/CN116909917A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022267735A1 (zh) | 业务数据处理方法、装置、计算机设备和存储介质 | |
Grindrod et al. | Communicability across evolving networks | |
US9892187B2 (en) | Data analysis method, data analysis device, and storage medium storing processing program for same | |
TW201946013A (zh) | 基於lstm模型的信用風險預測方法及裝置 | |
CN107909178B (zh) | 电子装置、失联修复率预测方法和计算机可读存储介质 | |
CN110009502B (zh) | 理财数据分析方法、装置、计算机设备和存储介质 | |
Coccia | Functionality development of product innovation: An empirical analysis of the technological trajectories of smartphone | |
WO2023103527A1 (zh) | 一种访问频次的预测方法及装置 | |
CN108428138B (zh) | 一种基于客户分群的客户生存率分析装置及分析方法 | |
Wang et al. | Approximate Bayesian computation for exponential random graph models for large social networks | |
CN110717653B (zh) | 风险识别方法及装置和电子设备 | |
CN116108697B (zh) | 基于多元性能退化的加速试验数据处理方法、装置和设备 | |
JP2022534160A (ja) | 情報を出力するための方法及び装置、電子機器、記憶媒体並びにコンピュータプログラム | |
CN112085926A (zh) | 一种河道水污染预警方法及系统 | |
CN116823468A (zh) | 一种基于sac的高频量化交易控制方法、系统及存储介质 | |
CN116909917A (zh) | 金融软件开发缺陷预测方法、装置、设备、介质和产品 | |
CN114581086A (zh) | 基于动态时序网络的钓鱼账户检测方法及系统 | |
Moiseeva et al. | Mathematical model of parallel retrial queueing of multiple requests | |
CN117421459B (zh) | 应用于数字城市的数据挖掘方法及系统 | |
US20240013223A1 (en) | Computerized-method for synthetic fraud generation based on tabular data of financial transactions | |
Anusha Bamini et al. | Real-time big data analytics | |
CN116596398A (zh) | 预测模型的选择方法、装置、设备、存储介质和程序产品 | |
CN117171705A (zh) | 数据处理方法及装置 | |
CN116051152A (zh) | 业务产品生成方法、装置、计算机程序产品和存储介质 | |
CN117876021A (zh) | 基于人工智能的数据预测方法、装置、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 |