JP2010113527A - Bug extraction prediction system - Google Patents
Bug extraction prediction system Download PDFInfo
- Publication number
- JP2010113527A JP2010113527A JP2008285670A JP2008285670A JP2010113527A JP 2010113527 A JP2010113527 A JP 2010113527A JP 2008285670 A JP2008285670 A JP 2008285670A JP 2008285670 A JP2008285670 A JP 2008285670A JP 2010113527 A JP2010113527 A JP 2010113527A
- Authority
- JP
- Japan
- Prior art keywords
- bugs
- test process
- parameter
- bug
- process period
- 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
Images
Landscapes
- Debugging And Monitoring (AREA)
- Stored Programmes (AREA)
Abstract
Description
本発明は、バグ摘出予測システムに係り、特に、ソフトウェアなどの開発製造におけるテスト工程期間において、残存バグ件数やテスト工程期間終了見通しなどを予測管理するシステムに関する。 The present invention relates to a bug extraction prediction system, and more particularly, to a system for predicting and managing the number of remaining bugs and the prospect of completion of a test process period during a test process period in development and manufacturing of software and the like.
従来のソフトウェアなどの開発製造におけるテスト工程期間において、残存バグ件数やテスト工程期間終了見通しなどを予測管理するとき、一般に、ゴンペルツモデルなど既知の信頼度成長モデルに基づいた予測が用いられる。
この予測の精度を高めるためには、これら信頼度成長モデルのパラメタ変数値を適切に与えることが重要である。しかし、適切な値を予めユーザが与えることは困難であるため、テスト工程の進捗に従って得る実績値を手がかりとして、信頼度成長曲線を補正しながら用いる方法が考案されている。（下記、特許文献１参照）
この特許文献１に示す従来技術による方法では、テスト工数の実績とバグ摘出件数の実績を元に生成した信頼度成長関数の、テスト工数についての導関数の値が、ユーザが「バグ発見効率」として与える一定の値を超える場合に、信頼度成長関数を一定の方法によって補正して、より精度の高い信頼度成長関数を得る。
When predicting and managing the number of remaining bugs and the prospect of completion of the test process period in the test process period in development and manufacturing of conventional software and the like, generally, a prediction based on a known reliability growth model such as a Gompertz model is used.
In order to increase the accuracy of this prediction, it is important to appropriately provide parameter variable values of these reliability growth models. However, since it is difficult for the user to give an appropriate value in advance, a method has been devised that uses the actual value obtained according to the progress of the test process as a clue while correcting the reliability growth curve. (See Patent Document 1 below)
In the method according to the prior art shown in Patent Document 1, the value of the derivative of the reliability growth function generated based on the test man-hour record and the bug extraction record record is calculated as “bug detection efficiency”. When the value exceeds a given value, the reliability growth function is corrected by a certain method to obtain a more accurate reliability growth function.
なお、本願発明に関連する先行技術文献としては以下のものがある。
前述した特許文献１に示す従来技術では、以下のような問題点があった。
従来の技術では、信頼度成長モデルのパラメタ変数値を、ユーザが直接与える必要がないという利点があるが、信頼度成長曲線の補正に用いる「バグ発見効率」の値は新たにユーザが決めて与える必要がある。そのため、ユーザが恣意的に与える値によって予測の精度が影響されるという課題が依然として残るという問題がある。
また、複雑な計算手順を踏むため、対象とするテスト工程期間が長期間となる場合、予測値の計算コストが高くなるという問題がある。たとえば、一度求めた信頼度成長関数の導関数を求め、そのテスト工程期間内での値を逐一計算して、導関数の値が一定の値を超えるかどうかによって信頼度成長曲線の補正が必要な区間を求め、補正が必要な区間について信頼度成長関数の値を再計算している。
したがって、メモリ容量が少ないコンピュータや、ＣＰＵのクロック数が低いコンピュータでの実行が難しくなる。このため、メモリ容量が少ないコンピュータや、ＣＰＵのクロック数が少ないコンピュータで予測値を得ようと思う場合は、予測計算を実行する、よりメモリ容量が多くＣＰＵのクロック数が高いコンピュータにネットワーク経由などの手段で計算させる必要がある。
このため、よりメモリ容量が多くＣＰＵのクロック数が高いコンピュータにネットワーク接続できないコンピュータでは予測値を得ることが難しくなる。
本発明は、前記従来技術の問題点を解決するためになされたものであり、本発明の目的は、テスト工程期間の途中の任意の時点で、ユーザに信頼度成長曲線の補正のための何らかの値を指定させないことで予測値の精度への影響をなくし、信頼度成長モデルのパラメタ変数を簡便な方式によって推定し、そのパラメタ変数を用いた場合の予測曲線を算出し、予測値を得ることが可能となる技術を提供することにある。
本発明の前記ならびにその他の目的と新規な特徴は、本明細書の記述及び添付図面によって明らかにする。
The prior art disclosed in Patent Document 1 described above has the following problems.
The conventional technology has the advantage that the parameter variable value of the reliability growth model does not need to be given directly by the user, but the value of the “bug discovery efficiency” used to correct the reliability growth curve is newly determined by the user. Need to give. Therefore, there is a problem that the problem that the accuracy of prediction is influenced by the value arbitrarily given by the user remains.
Further, since a complicated calculation procedure is performed, there is a problem that the calculation cost of the predicted value increases when the target test process period is long. For example, once the derivative of the reliability growth function obtained is obtained, the value during the test process is calculated step by step, and the reliability growth curve needs to be corrected depending on whether the derivative value exceeds a certain value. And the value of the reliability growth function is recalculated for the interval that needs to be corrected.
Therefore, it becomes difficult to execute on a computer having a small memory capacity or a computer having a low CPU clock frequency. For this reason, if you want to obtain a predicted value on a computer with a small memory capacity or a computer with a small number of CPU clocks, perform a predictive calculation, use a network with a computer with a larger memory capacity and a higher CPU clock number, etc. It is necessary to make it calculate by means of.
For this reason, it is difficult to obtain a predicted value on a computer that cannot connect to a computer with a larger memory capacity and a higher CPU clock speed.
The present invention has been made to solve the above-described problems of the prior art, and an object of the present invention is to provide a user with a certain method for correcting the reliability growth curve at any time during the test process period. By not specifying the value, the influence on the accuracy of the predicted value is eliminated, the parameter variable of the reliability growth model is estimated by a simple method, the prediction curve when using the parameter variable is calculated, and the predicted value is obtained It is to provide a technology that makes it possible.
The above and other objects and novel features of the present invention will become apparent from the description of this specification and the accompanying drawings.
本願において開示される発明のうち、代表的なものの概要を簡単に説明すれば、下記の通りである。
（１）テスト工程期間の途中のある時点でのバグの日ごとの累積摘出件数を入力する実績入力部と、前記実績入力部から入力された、テスト工程期間の途中のある時点でのバグの日ごとの累積摘出件数を記憶する実績値記憶部と、信頼度成長モデルのパラメタ変数を算出するパラメタ推定処理部と、テスト工程期間の最終時点でのバグ件数の予測値と、残存バグ件数とバグの収束までの日数を算出する予測値算出部と、前記予測値算出部で算出された、テスト工程期間の最終時点でのバグ件数の予測値と、残存バグ件数と、バグの収束までの日数を表示する予測表示部とを有するバグ摘出予測システムであって、前記パラメタ推定処理部は、前記実績値記憶部に記憶された、テスト工程期間の途中のある時点でのバグの日ごとの累積摘出件数に基づき、信頼度成長モデルとして用いるゴンペルツモデルにおける（ａ，ｂ，ｃ）のパラメタ変数を算出し、前記予測値算出部は、前記実績値記憶部に記憶された、テスト工程期間の途中のある時点でのバグの日ごとの累積摘出件数と、前記パラメタ推定処理部で算出された（ａ，ｂ，ｃ）のパラメタ変数を初期値として用いて、ゴンペルツモデルにより算出される値との差分の２乗の総和が最小となる（ａ＊，ｂ＊，ｃ＊）のパラメタ変数を求める手段と、前記求めた（ａ＊，ｂ＊，ｃ＊）のパラメタ変数に基づき、テスト工程期間の最終時点でのバグ件数の予測値、および、残存バグ件数を算出するとともに、前記求めた（ａ＊，ｂ＊，ｃ＊）のパラメタ変数を用いるゴンペルツモデルにより、バグの収束までの日数を算出する手段とを有することを特徴する。
Of the inventions disclosed in this application, the outline of typical ones will be briefly described as follows.
(1) A result input part for inputting the cumulative number of bugs extracted every day at a certain point in the middle of the test process period, and a bug input at a certain point during the test process period input from the result input part. Actual value storage unit that stores the cumulative number of extractions per day, parameter estimation processing unit that calculates the parameter variable of the reliability growth model, predicted number of bugs at the end of the test process period, remaining bug number, A predicted value calculation unit for calculating the number of days until the convergence of the bug, a predicted value of the number of bugs at the final point of the test process period calculated by the predicted value calculation unit, the number of remaining bugs, and the time until the bug converges A bug extraction prediction system having a prediction display unit for displaying the number of days, wherein the parameter estimation processing unit is stored in the actual value storage unit, and is stored for each day of the bug at a certain point in the middle of the test process period. Cumulative number On the basis of the parameter variable (a, b, c) in the Gompertz model used as the reliability growth model, the predicted value calculation unit is stored in the actual value storage unit at a certain point in the middle of the test process period The difference between the cumulative number of bugs extracted per day and the value calculated by the Gompertz model using the parameter variables (a, b, c) calculated by the parameter estimation processing unit as initial values Based on the means for obtaining the parameter variable (a * , b * , c * ) that minimizes the sum of the power and the parameter variable (a * , b * , c * ) obtained above, the final point of the test process period predicted value bug number in, and, to calculate the remaining bug number, the calculated (a *, b *, c *) by Gompertz model using parameters variables, calculate the number of days until convergence bug To further comprising a means for.
（２）テスト工程期間の途中のある時点でのバグの日ごとの累積摘出件数を入力する実績入力部と、前記実績入力部から入力された、テスト工程期間の途中のある時点でのバグの日ごとの累積摘出件数を記憶する実績値記憶部と、信頼度成長モデルのパラメタ変数を算出するパラメタ推定処理部と、テスト工程期間の最終時点でのバグ件数の予測値と、残存バグ件数とバグの収束までの日数を算出する予測値算出部と、前記予測値算出部で算出された、テスト工程期間の最終時点でのバグ件数の予測値と、残存バグ件数と、バグの収束までの日数を表示する予測表示部とを有するバグ摘出予測システムであって、前記パラメタ推定処理部は、前記実績値記憶部に記憶された、テスト工程期間の途中のある時点でのバグの日ごとの累積摘出件数に基づき、信頼度成長モデルとして用いるＮＨＰＰモデルにおける（ａ，ｂ）のパラメタ変数を算出し、前記予測値算出部は、前記実績値記憶部に記憶された、テスト工程期間の途中のある時点でのバグの日ごとの累積摘出件数と、前記パラメタ推定処理部で算出された（ａ，ｂ）のパラメタ変数を初期値として用いて、ＮＨＰＰモデルにより算出される値との差分の２乗の総和が最小となる（ａ＊，ｂ＊）のパラメタ変数を求める手段と、前記求めた（ａ＊，ｂ＊）のパラメタ変数に基づき、テスト工程期間の最終時点でのバグ件数の予測値、および、残存バグ件数を算出するとともに、前記求めた（ａ＊，ｂ＊）のパラメタ変数を用いるＮＨＰＰモデルにより、バグの収束までの日数を算出する手段とを有することを特徴する。 (2) An actual result input unit for inputting the cumulative number of bugs extracted at a certain point in the middle of the test process period, and a bug input at a certain point during the test process period input from the actual result input unit. Actual value storage unit that stores the cumulative number of extractions per day, parameter estimation processing unit that calculates the parameter variable of the reliability growth model, predicted number of bugs at the end of the test process period, remaining bug number, A predicted value calculation unit for calculating the number of days until the convergence of the bug, a predicted value of the number of bugs at the final point of the test process period calculated by the predicted value calculation unit, the number of remaining bugs, and the time until the bug converges A bug extraction prediction system having a prediction display unit for displaying the number of days, wherein the parameter estimation processing unit is stored in the actual value storage unit, and is stored for each day of the bug at a certain point in the middle of the test process period. Cumulative number Based on the parameter variables of (a, b) in the NHPP model used as the reliability growth model, the predicted value calculation unit is stored in the actual value storage unit at a certain point in the middle of the test process period. The sum of the squares of the difference between the cumulative number of bugs extracted per day and the value calculated by the NHPP model using the parameter variables (a, b) calculated by the parameter estimation processing unit as an initial value is smallest (a *, b *) and means for obtaining a parameter variables, the calculated (a *, b *) based on parameter variables of the prediction value of the bug number of at the end of the test process period, and, It has a means for calculating the number of remaining bugs and calculating the number of days until the bug converges by the NHPP model using the obtained parameter variables (a * , b * ).
本願において開示される発明のうち代表的なものによって得られる効果を簡単に説明すれば、下記の通りである。
本発明によれば、ユーザが恣意的に与える値による予測値の精度への影響をなくし、かつ、軽便な計算コストで予測値を得ることができるバグ摘出予測システムを構成することが可能となる。
The effects obtained by the representative ones of the inventions disclosed in the present application will be briefly described as follows.
According to the present invention, it is possible to configure a bug extraction prediction system that eliminates an influence on the accuracy of a predicted value by a value arbitrarily given by a user and can obtain a predicted value at a simple calculation cost. .
以下、図面を参照して本発明の実施例を詳細に説明する。
なお、実施例を説明するための全図において、同一機能を有するものは同一符号を付け、その繰り返しの説明は省略する。
図１は、本発明の実施例のバグ摘出予測システムの全体構成を示すブロック図である。
図１に示すように、本実施例のバグ摘出予測システムは、実績入力部１０とバグ摘出予測実行部２０と予測表示部３０とから構成される。
実績入力部１０は、テスト工程期間の途中のある時点でのバグの日ごとの累積摘出件数を入力する。
バグ摘出予測実行部２０は、実績値記憶部２１とパラメタ推定処理部２２と予測値算出部２３から構成される。実績値記憶部２１は、実績入力部１０で入力した、テスト工程期間の途中のある時点でのバグの日ごとの累積摘出件数を記憶する。
パラメタ推定処理部２２は、実績値記憶部２１で記憶した、テスト工程期間の途中のある時点でのバグの日ごとの累積摘出件数に基づき、ゴンペルツモデルを用いる場合、もしくは、ＮＨＰＰモデルを用いる場合のそれぞれについて、信頼度成長モデルのパラメタ変数を算出する。
パラメタ変数の推定方法については、ゴンペルツモデルの場合、ＮＨＰＰモデルの場合のそれぞれについて後述する。
予測値算出部２３は、実績値記憶部２１で記憶した、テスト工程期間の途中のある時点でのバグの日ごとの累積摘出件数と、パラメタ推定処理部２２で算出した、信頼度成長モデルのパラメタ変数に基づき、最小二乗法によって、テスト工程期間の途中のある時点でのバグの日毎の累積件数の推移に最もよく近似できるような信頼度成長モデルのパラメタ変数を求め、残存バグ件数とバグの収束までの日数を算出する。この残存バグ件数とバグの収束までの日数の算出方法については、後述する。
予測表示部３０は、バグ摘出予測実行部２０で算出された、テスト工程期間の最終時点でのバグ件数の予測値、残存バグ件数とバグの収束までの日数を表示する。
Hereinafter, embodiments of the present invention will be described in detail with reference to the drawings.
In all the drawings for explaining the embodiments, parts having the same functions are given the same reference numerals, and repeated explanation thereof is omitted.
FIG. 1 is a block diagram showing the overall configuration of a bug extraction prediction system according to an embodiment of the present invention.
As shown in FIG. 1, the bug extraction prediction system of the present embodiment includes a result input unit 10, a bug extraction prediction execution unit 20, and a prediction display unit 30.
The result input unit 10 inputs the cumulative number of bugs extracted every day at a certain point during the test process period.
The bug extraction prediction execution unit 20 includes a performance value storage unit 21, a parameter estimation processing unit 22, and a predicted value calculation unit 23. The actual value storage unit 21 stores the cumulative number of bugs extracted per day at a certain point in the test process period, which is input by the actual result input unit 10.
The parameter estimation processing unit 22 uses the Gompertz model or the NHPP model based on the cumulative number of bugs extracted per day at a certain point in the middle of the test process period stored in the actual value storage unit 21. For each of the above, a parameter variable of the reliability growth model is calculated.
The parameter variable estimation method will be described later for each of the Gompertz model and the NHPP model.
The predicted value calculation unit 23 stores the cumulative number of bugs extracted per day at a certain point in the middle of the test process period stored in the actual value storage unit 21 and the reliability growth model calculated by the parameter estimation processing unit 22. Based on the parameter variable, the least squares method is used to find the parameter variable of the reliability growth model that best approximates the transition of the cumulative number of bugs per day at some point during the test process period. Calculate the number of days until convergence. A method for calculating the number of remaining bugs and the number of days until the bug converges will be described later.
The prediction display unit 30 displays the predicted number of bugs calculated by the bug extraction prediction execution unit 20 at the final point of the test process period, the number of remaining bugs, and the number of days until the bug converges.
［ゴンペルツモデルを用いる場合のパラメタ変数の算出方法］
ここでは、ゴンペルツモデルを用いる場合について、パラメタ推定処理部２２においてパラメタ変数を推定する方法について説明する。
テストの全日程がＴ日で、そのうちのｔ日が完了しているとする。それまでに発見されたバグの件数がｍであるとする。
ゴンペルツ予測の計算式は、ｘを日数、Ｍを日数ｘ時点でのバグ件数として、下記（１）式で求められる。
［数１］
Ｍ＝ａ×ｅｘｐ（−ｂ×ｃｘ） ・・・・・・・・・・・・・・ （１）
ここで、ａ＞０、ｂ＞０、０＜ｃ＜１である。
推定すべきパラメタ変数は、このａ，ｂ，ｃの３つである。
ｘが十分大きいとＭはａに近づくことから、ａは最終的なバグの件数と考えられる。
仮に、これまでと同じペースでバグが摘出されるとすると、テスト終了日（Ｔ日目）時点でのバグの件数は、（ｍ×Ｔ）／ｔとなる。
したがって、ａは下記（２）で求めることができる。
[Calculation method of parameter variables when using Gompertz model]
Here, a method for estimating a parameter variable in the parameter estimation processing unit 22 when using the Gompertz model will be described.
Assume that the entire test schedule is T days, of which t days have been completed. Assume that the number of bugs discovered so far is m.
The calculation formula for Gompertz prediction is given by the following formula (1), where x is the number of days and M is the number of bugs at the time x.
[Equation 1]
M = a × exp (−b × c x ) (1)
Here, a> 0, b> 0, and 0 <c <1.
There are three parameter variables a, b, and c to be estimated.
Since M approaches a when x is sufficiently large, a is considered the final number of bugs.
If bugs are extracted at the same pace as before, the number of bugs as of the test end date (T day) is (m × T) / t.
Therefore, a can be obtained by the following (2).
［数２］
ａ＝（ｍ×Ｔ）／ｔ ・・・・・・・・・・・・・・・・・・・ （２）
残りの２つの未知数（ｂ，ｃ）を求めるため、２点を取って当てはめてみる。
取る点は、下記の２点とする。
［数３］
ｘが真ん中のもの（ｓ，ｎ） ｎ＝ａ×ｅｘｐ（−ｂ×ｃｓ）
・・・・・・・・・・・・・・・・・ （３）
ｘが最大のもの（ｔ，ｍ） ｍ＝ａ×ｅｘｐ（−ｂ×ｃｔ）
・・・・・・・・・・・・・・・・・ （４）
ここで、ｓはｔ／２を超えない最大の整数で、ｎはｓ日目の時点でのバグの件数である。
（２）式、３式を、ｂ、ｃについて解くと、下記（５）式と、（６）式が得られる。
[Equation 2]
a = (m × T) / t (2)
In order to obtain the remaining two unknowns (b, c), two points are taken and applied.
The following two points will be taken.
[Equation 3]
x is in the middle (s, n) n = a × exp (−b × c s )
.... (3)
x is the largest (t, m) m = a × exp (−b × c t )
.... (4)
Here, s is a maximum integer not exceeding t / 2, and n is the number of bugs at the time of the s day.
Solving Equations (2) and (3) for b and c, the following Equations (5) and (6) are obtained.
ｂ＝（ｃ−ｓ×（ｌｎ（ａ）−ｌｎ（ｎ）））
・・・・・・・・・・・・・・・・ （６）
b = (c− s × (ln (a) −ln (n)))
(6)
［ＮＨＰＰモデルを用いる場合のパラメタ変数の算出方法］
ここでは、ＮＨＰＰモデルを用いる場合について、パラメタ推定処理部２２においてパラメタ変数を推定する方法について述べる。
テストの全日程がＴ日で、そのうちのｔ日が完了しているとする。それまでに発見されたバグの件数がｍであるとする。
ＮＨＰＰ予測の計算式は、ｘを日数、Ｍを日数ｘ時点でのバグ件数として、下記（７）式で求められる。
［数５］
Ｍ＝ａ×（１−（１＋ｂ×ｘ）×ｅｘｐ（−ｂ×ｘ））
・・・・・・・・・・・・・・・・・ （７）
ここで、ａ＞０、ｂ＞０、０＜ｃ＜１である。
推定すべきパラメタ変数は、このａ，ｂの２つである。
ｘが十分大きいとＭはａに近づくことから、ａは最終的なバグの件数と考えられる。
仮に、これまでと同じペースでバグが摘出されるとすると、テスト終了日（Ｔ日目）時点でのバグの件数は、（ｍ×Ｔ）／ｔとなる。
したがって、ａは下記（８）で求めることができる。
［数６］
ａ＝（ｍ×Ｔ）／ｔ ・・・・・・・・・・・・・・・・・ （８）
残りの１つの未知数を求めるため、１点を取って当てはめてみる。
取る点は、下記の点とする。
[Calculation method of parameter variables when NHPP model is used]
Here, a method for estimating the parameter variable in the parameter estimation processing unit 22 in the case of using the NHPP model will be described.
Assume that the entire test schedule is T days, of which t days have been completed. Assume that the number of bugs discovered so far is m.
The calculation formula for NHPP prediction is obtained by the following equation (7), where x is the number of days and M is the number of bugs at the time x.
[Equation 5]
M = a * (1- (1 + b * x) * exp (-b * x))
.... (7)
Here, a> 0, b> 0, and 0 <c <1.
There are two parameter variables to be estimated: a and b.
Since M approaches a when x is sufficiently large, a is considered the final number of bugs.
If bugs are extracted at the same pace as before, the number of bugs as of the test end date (T day) is (m × T) / t.
Therefore, a can be obtained by the following (8).
[Equation 6]
a = (m × T) / t (8)
To find the remaining one unknown, take one point and apply it.
The points to be taken are as follows.
［数７］
取る点はｘが最大のもの（ｔ，ｍ）
ｍ＝ａ×（１−（１＋ｂ×ｔ）×ｅｘｐ（−ｂ×ｔ））
・・・・・・・・・・・・・・・・・ （９）
ここで、ｅｘｐ（−ｂ×ｔ）はｔが十分大きいと０に近づくので、下記（１０）式で近似する。
［数８］
ｅｘｐ（−ｂ×ｔ）≒１／（１＋ｂ×ｔ＋（ｂ×ｔ）２／２）
・・・・・・・・・・・・・・・・・ （１０）
（１０）式を、（９）式に代入し、分母を払って整理すると、下記（１１）式に示す
ｂの２次方程式が得られる。
［数９］
（ａ−ｍ）（ｔ２）ｂ２−（２×ｔ×ｍ）ｂ−２×ｍ＝０
・・・・・・・・・・・・・・・・・ （１１）
（１１）式を、これをｂについて解くと、ｂ＞０なので、下記（１２）式が得られる。
［数１０］
ｂ＝（ｍ＋√（２×ａ×ｍ−ｍ２）／（ｔ×（ａ−ｍ））
・・・・・・・・・・・・・・・・・ （１２）
[Equation 7]
The point to take is the one with the largest x (t, m)
m = a * (1- (1 + b * t) * exp (-b * t))
.... (9)
Here, exp (−b × t) approaches 0 when t is sufficiently large, and is approximated by the following equation (10).
[Equation 8]
exp (-b × t) ≒ 1 / (1 + b × t + (b × t) 2/2)
・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ (10)
By substituting the equation (10) into the equation (9) and arranging with the denominator, the quadratic equation b shown in the following equation (11) is obtained.
[Equation 9]
(A-m) (t 2 ) b 2 - (2 × t × m) b-2 × m = 0
・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ (11)
When the equation (11) is solved for b, since b> 0, the following equation (12) is obtained.
[Equation 10]
b = (m + √ (2 × a × m−m 2 ) / (t × (am))
・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ (12)
［ゴンペルツモデルを用いる場合の残存バグ件数とバグの収束までの日数の算出方法］
予測値算出部２３は、パラメタ推定処理部２２で算出した、信頼度成長モデルのパラメタ変数（ａ、ｂ、ｃ）を初期値として、ｘが、１以上ｔ以下の間を動くときの、テスト工程期間のｘ日目に対する（１）式の値と、実績値記憶部２１で記憶した、テスト工程期間のｘ日目に対するバグの累積摘出件数の差分の２乗の値の総和を最小とするような信頼度成長モデルのパラメタ変数（ａ＊、ｂ＊、ｃ＊）の値を、準ニュートン法と呼ばれる方法によって探索する。
テスト工程期間の最終時点でのバグ件数の予測値はａ＊、残存バグ件数は、この探索によって求められたａ＊の値から、テスト工程期間のｔ日目に対するバグの累積摘出件数を引いたものになる。
バグの収束までの日数は、パラメタ変数の値を（ａ＊、ｂ＊、ｃ＊）として、（１）式を計算して求められるＭの値が、ａ＊の値の０．９９倍を超えるような値となる、最小の整数をＸとするとき、（Ｘ−ｔ）の値になる。
[How to calculate the number of remaining bugs and the number of days until the bug converges when using the Gompertz model]
The predicted value calculation unit 23 is a test when x moves between 1 and t, using the parameter variables (a, b, c) of the reliability growth model calculated by the parameter estimation processing unit 22 as initial values. The sum of the squares of the difference between the value of the expression (1) for the x day of the process period and the difference between the cumulative number of bugs extracted for the x day of the test process period stored in the actual value storage unit 21 is minimized. The values of parameter variables (a * , b * , c * ) of such a reliability growth model are searched by a method called a quasi-Newton method.
Predicted value bug number at the final point of the test process period a *, residual bug number from the value of a * found by the search, minus the cumulative extraction number of bugs for t-th day of the test process period Become a thing.
The number of days until the bug converges is that the value of the parameter variable is (a * , b * , c * ), and the value of M obtained by calculating equation (1) is 0.99 times the value of a *. When the smallest integer that exceeds the value is X, the value is (X−t).
［ＮＨＰＰモデルを用いる場合の残存バグ件数とバグの収束までの日数の算出方法］
予測値算出部２３は、パラメタ推定処理部２２で算出した、信頼度成長モデルのパラメタ変数（ａ、ｂ）を初期値として、ｘが１以上ｔ以下の間を動くときの、テスト工程期間のｘ日目に対する７（式）の値と、実績値記憶部２１で記憶した、テスト工程期間のｘ日目に対するバグの累積摘出件数の差分の２乗の値の総和を最小とするような信頼度成長モデルのパラメタ変数（ａ＊、ｂ＊）の値を、準ニュートン法と呼ばれる方法によって探索する。
テスト工程期間の最終時点でのバグ件数の予測値はａ＊、残存バグ件数は、この探索によって求められたａ＊の値から、テスト工程期間のｔ日目に対するバグの累積摘出件数を引いたものになる。
バグの収束までの日数は、パラメタ変数の値を（ａ＊、ｂ＊）として、７（式）の値が、この探索によって求められたａ＊の値の０．９９倍を超えるような値となる、最小の整数をＸとするとき、（Ｘ−ｔ）の値になる。
[How to calculate the number of remaining bugs and the number of days until the bug converges when using the NHPP model]
The predicted value calculation unit 23 uses the parameter variable (a, b) of the reliability growth model calculated by the parameter estimation processing unit 22 as an initial value, and the test process period when x moves between 1 and t. Reliability that minimizes the sum of the squares of the difference between the value of 7 (formula) for the xth day and the cumulative number of bugs extracted for the xth day of the test process period stored in the actual value storage unit 21 The value of the parameter variable (a * , b * ) of the degree growth model is searched by a method called a quasi-Newton method.
Predicted value bug number at the final point of the test process period a *, residual bug number from the value of a * found by the search, minus the cumulative extraction number of bugs for t-th day of the test process period Become a thing.
The number of days until the bug converges is such that the value of 7 (formula) exceeds 0.99 times the value of a * obtained by this search, with the values of parameter variables as (a * , b * ). When the minimum integer is X, the value is (X−t).
以上説明したように、本実施例に係るバグ摘出予測システムは、テスト工程期間の途中のある時点でのバグの日ごとの累積摘出件数を元にして、信頼度成長曲線の補正のためにユーザが何らかの値を指定する必要をなくすことでユーザが恣意的に与える値による精度への影響をなくし、簡便に信頼度成長モデルのパラメタ変数を推定することができる。
これにより、本実施例では、ユーザに信頼度成長曲線の補正のための何らかの値を指定させることなく、メモリ容量が少ないコンピュータや、ＣＰＵのクロック数が低いコンピュータで直接にバグ摘出予測値を軽便な計算コストで計算することができる。
したがって、本実施例によれば、ソフトウェアなどの開発製造におけるテスト工程期間において、残存バグ件数やテスト工程期間終了見通しなどを、簡単に予測することが可能となる。
以上、本発明者によってなされた発明を、前記実施例に基づき具体的に説明したが、本発明は、前記実施例に限定されるものではなく、その要旨を逸脱しない範囲において種々変更可能であることは勿論である。
As described above, the bug extraction prediction system according to the present embodiment is based on the cumulative number of bugs extracted every day at a certain point in the middle of the test process period, so that the user can correct the reliability growth curve. By eliminating the need to specify some value, it is possible to eliminate the influence on the accuracy by the value arbitrarily given by the user, and to easily estimate the parameter variable of the reliability growth model.
As a result, in this embodiment, the user can specify the bug extraction predicted value directly on a computer with a small memory capacity or a computer with a low CPU clock frequency without requiring the user to specify a value for correcting the reliability growth curve. Can be calculated at a reasonable calculation cost.
Therefore, according to the present embodiment, it is possible to easily predict the number of remaining bugs, the prospect of the end of the test process period, and the like during the test process period in the development and manufacture of software and the like.
As mentioned above, the invention made by the present inventor has been specifically described based on the above embodiments. However, the present invention is not limited to the above embodiments, and various modifications can be made without departing from the scope of the invention. Of course.
１０ 実績入力部
２０ バグ摘出予測実行部
２１ 実績値記憶部
２２ パラメタ推定処理部
２３ 予測値算出部
３０ 予測表示部
DESCRIPTION OF SYMBOLS 10 Actual input part 20 Bug extraction prediction execution part 21 Actual value storage part 22 Parameter estimation process part 23 Predicted value calculation part 30 Predictive display part
Claims (2)
前記実績入力部から入力された、テスト工程期間の途中のある時点でのバグの日ごとの累積摘出件数を記憶する実績値記憶部と、
信頼度成長モデルのパラメタ変数を算出するパラメタ推定処理部と、
テスト工程期間の最終時点でのバグ件数の予測値と、残存バグ件数とバグの収束までの日数を算出する予測値算出部と、
前記予測値算出部で算出された、テスト工程期間の最終時点でのバグ件数の予測値と、残存バグ件数と、バグの収束までの日数を表示する予測表示部とを有するバグ摘出予測システムであって、
前記パラメタ推定処理部は、前記実績値記憶部に記憶された、テスト工程期間の途中のある時点でのバグの日ごとの累積摘出件数に基づき、信頼度成長モデルとして用いるゴンペルツモデルにおける（ａ，ｂ，ｃ）のパラメタ変数を算出し、
前記予測値算出部は、前記実績値記憶部に記憶された、テスト工程期間の途中のある時点でのバグの日ごとの累積摘出件数と、前記パラメタ推定処理部で算出された（ａ，ｂ，ｃ）のパラメタ変数を初期値として用いて、ゴンペルツモデルにより算出される値との差分の２乗の総和が最小となる（ａ＊，ｂ＊，ｃ＊）のパラメタ変数を求める手段と、
前記求めた（ａ＊，ｂ＊，ｃ＊）のパラメタ変数に基づき、テスト工程期間の最終時点でのバグ件数の予測値、および、残存バグ件数を算出するとともに、前記求めた（ａ＊，ｂ＊，ｃ＊）のパラメタ変数を用いるゴンペルツモデルにより、バグの収束までの日数を算出する手段とを有することを特徴するバグ摘出予測システム。 An actual result input section for inputting the cumulative number of bugs extracted per day at a certain point during the test process period,
An actual value storage unit that stores the cumulative number of bugs extracted per day at a certain point in the middle of the test process period, input from the actual result input unit;
A parameter estimation processing unit for calculating a parameter variable of the reliability growth model;
An estimated value of the number of bugs at the end of the test process period, an estimated value calculation unit for calculating the number of remaining bugs and the number of days until the bug converges,
A bug extraction prediction system having a prediction value calculated by the prediction value calculation unit, a prediction value of the number of bugs at the end of the test process period, a remaining bug number, and a prediction display unit that displays the number of days until the bug converges There,
The parameter estimation processing unit (a, in the Gompertz model used as a reliability growth model based on the cumulative number of bugs extracted per day at a certain point in the course of the test process stored in the actual value storage unit. b, c) parameter variables are calculated,
The predicted value calculation unit calculates the cumulative number of bugs extracted per day at a certain point in the course of the test process stored in the actual value storage unit and the parameter estimation processing unit (a, b). , C) using the parameter variables as initial values, means for obtaining the parameter variables (a * , b * , c * ) that minimize the sum of the squares of the differences from the values calculated by the Gompertz model;
Based on the obtained parameter variables (a * , b * , c * ), the predicted number of bugs at the end of the test process period and the number of remaining bugs are calculated, and the obtained (a * , and a means for calculating the number of days until the convergence of the bug by a Gompertz model using the parameter variables b * and c * ).
前記実績入力部から入力された、テスト工程期間の途中のある時点でのバグの日ごとの累積摘出件数を記憶する実績値記憶部と、
信頼度成長モデルのパラメタ変数を算出するパラメタ推定処理部と、
テスト工程期間の最終時点でのバグ件数の予測値と、残存バグ件数とバグの収束までの日数を算出する予測値算出部と、
前記予測値算出部で算出された、テスト工程期間の最終時点でのバグ件数の予測値と、残存バグ件数と、バグの収束までの日数を表示する予測表示部とを有するバグ摘出予測システムであって、
前記パラメタ推定処理部は、前記実績値記憶部に記憶された、テスト工程期間の途中のある時点でのバグの日ごとの累積摘出件数に基づき、信頼度成長モデルとして用いるＮＨＰＰモデルにおける（ａ，ｂ）のパラメタ変数を算出し、
前記予測値算出部は、前記実績値記憶部に記憶された、テスト工程期間の途中のある時点でのバグの日ごとの累積摘出件数と、前記パラメタ推定処理部で算出された（ａ，ｂ）のパラメタ変数を初期値として用いて、ＮＨＰＰモデルにより算出される値との差分の２乗の総和が最小となる（ａ＊，ｂ＊）のパラメタ変数を求める手段と、
前記求めた（ａ＊，ｂ＊）のパラメタ変数に基づき、テスト工程期間の最終時点でのバグ件数の予測値、および、残存バグ件数を算出するとともに、前記求めた（ａ＊，ｂ＊）のパラメタ変数を用いるＮＨＰＰモデルにより、バグの収束までの日数を算出する手段とを有することを特徴するバグ摘出予測システム。 An actual result input section for inputting the cumulative number of bugs extracted per day at a certain point during the test process period,
An actual value storage unit that stores the cumulative number of bugs extracted per day at a certain point in the middle of the test process period, input from the actual result input unit;
A parameter estimation processing unit for calculating a parameter variable of the reliability growth model;
An estimated value of the number of bugs at the end of the test process period, an estimated value calculation unit for calculating the number of remaining bugs and the number of days until the bug converges,
A bug extraction prediction system having a prediction value calculated by the prediction value calculation unit, a prediction value of the number of bugs at the end of the test process period, a remaining bug number, and a prediction display unit that displays the number of days until the bug converges There,
The parameter estimation processing unit (a, in the NHPP model used as the reliability growth model based on the cumulative number of bugs extracted per day at a certain point in the middle of the test process period stored in the actual value storage unit. b) calculate the parameter variable
The predicted value calculation unit calculates the cumulative number of bugs extracted per day at a certain point in the course of the test process stored in the actual value storage unit and the parameter estimation processing unit (a, b). A parameter variable of (a * , b * ) that minimizes the sum of the squares of the difference from the value calculated by the NHPP model, using the parameter variable of
Based on the obtained parameter variables of (a * , b * ), the predicted number of bugs at the end of the test process period and the number of remaining bugs are calculated, and the obtained (a * , b * ) And a means for calculating the number of days until the convergence of the bug using an NHPP model using a parameter variable of
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2008285670A JP2010113527A (en) | 2008-11-06 | 2008-11-06 | Bug extraction prediction system |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2008285670A JP2010113527A (en) | 2008-11-06 | 2008-11-06 | Bug extraction prediction system |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2010113527A true JP2010113527A (en) | 2010-05-20 |
Family
ID=42302041
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2008285670A Pending JP2010113527A (en) | 2008-11-06 | 2008-11-06 | Bug extraction prediction system |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2010113527A (en) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190163617A1 (en) * | 2017-11-29 | 2019-05-30 | Toyota Jidosha Kabushiki Kaisha | Software quality determination apparatus, software quality determination method, and software quality determination program |
| JP2020064455A (en) * | 2018-10-17 | 2020-04-23 | Kddi株式会社 | Calculation amount evaluation device, calculation amount evaluation method, and calculation amount evaluation program |
| US11068379B2 (en) | 2017-11-29 | 2021-07-20 | Toyota Jidosha Kabushiki Kaisha | Software quality determination apparatus, software quality determination method, and software quality determination program |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000122860A (en) * | 1998-10-12 | 2000-04-28 | Nippon Telegr & Teleph Corp <Ntt> | Method and device for estimating software reliability |
| JP2002342118A (en) * | 2001-05-21 | 2002-11-29 | Canon Inc | System for evaluating software test process and method for evaluating test process |
| JP2003108972A (en) * | 2001-07-27 | 2003-04-11 | National Institute Of Advanced Industrial & Technology | Optimum fitting parameter determination method and device therefor, and optimum fitting parameter determination program |
-
2008
- 2008-11-06 JP JP2008285670A patent/JP2010113527A/en active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000122860A (en) * | 1998-10-12 | 2000-04-28 | Nippon Telegr & Teleph Corp <Ntt> | Method and device for estimating software reliability |
| JP2002342118A (en) * | 2001-05-21 | 2002-11-29 | Canon Inc | System for evaluating software test process and method for evaluating test process |
| JP2003108972A (en) * | 2001-07-27 | 2003-04-11 | National Institute Of Advanced Industrial & Technology | Optimum fitting parameter determination method and device therefor, and optimum fitting parameter determination program |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190163617A1 (en) * | 2017-11-29 | 2019-05-30 | Toyota Jidosha Kabushiki Kaisha | Software quality determination apparatus, software quality determination method, and software quality determination program |
| US10783067B2 (en) * | 2017-11-29 | 2020-09-22 | Toyota Jidosha Kabushiki Kaisha | Software quality determination apparatus, software quality determination method, and software quality determination program |
| US11068379B2 (en) | 2017-11-29 | 2021-07-20 | Toyota Jidosha Kabushiki Kaisha | Software quality determination apparatus, software quality determination method, and software quality determination program |
| JP2020064455A (en) * | 2018-10-17 | 2020-04-23 | Kddi株式会社 | Calculation amount evaluation device, calculation amount evaluation method, and calculation amount evaluation program |
| JP7003025B2 (en) | 2018-10-17 | 2022-01-20 | Kddi株式会社 | Computational complexity evaluation device, complexity evaluation method and complexity evaluation program |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109243619B (en) | Generation method and device of prediction model and computer readable storage medium | |
| JP5227254B2 (en) | Real-time calculation method and simulator of state quantity of process model | |
| JP6052278B2 (en) | Motion determination device, motion determination system, and motion determination method | |
| JP2013061768A (en) | Optimal model estimation device, method, and program | |
| JP2013050814A (en) | Analysis method of rigid body motion and elastic deformation | |
| JP2010113527A (en) | Bug extraction prediction system | |
| KR101492197B1 (en) | Method and device for sequential approximate optimization design | |
| JP5692739B2 (en) | Method, program and system for solving ordinary differential equations | |
| RU2013119641A (en) | MODELING OF THE GEOLOGICAL PROCESS | |
| WO2022120563A1 (en) | Temperature prediction method and apparatus, and storage medium | |
| JP2010108360A (en) | Simulation method, information processor, and program | |
| JP2013074365A (en) | Method, program and system for processing kalman filter | |
| WO2019012740A1 (en) | Operation rule extraction device, operation rule extraction system, and operation rule extraction method | |
| JP5440655B2 (en) | Information processing system and program | |
| US7693694B2 (en) | Shape simulation method, program and apparatus | |
| JP5738778B2 (en) | Optimal model estimation apparatus, method, and program | |
| TW201131413A (en) | Estimating polynomial generating device, estimating device, estimating polynomial generating method and estimating method | |
| Gläser et al. | Temporal decoupling with error-bounded predictive quantum control | |
| CN113987803A (en) | Frequency control method, device, equipment and storage medium based on model correction | |
| JP5831067B2 (en) | Power consumption analysis method, power consumption analysis apparatus, and power consumption analysis program | |
| JP6507512B2 (en) | Estimation program, estimation method and estimation apparatus | |
| JP5582006B2 (en) | Development support program, development support method, and development support apparatus | |
| Djedidi et al. | Constructing an accurate and a high-performance power profiler for embedded systems and smartphones | |
| JP2014235675A (en) | Data processing apparatus and data processing method | |
| Parappurath et al. | Calibration error bound estimation in performance modeling |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20110801 |
|
| A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A712 Effective date: 20110801 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20120802 |
|
| RD03 | Notification of appointment of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7423 Effective date: 20121206 |
|
| RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20121214 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20130219 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20130625 |