JP2021071831A - ソフトウェア評価のための機械学習装置、ソフトウェア評価支援装置およびソフトウェア評価のための機械学習方法 - Google Patents

Abstract

【課題】効率的かつ高品質なソフトウェア設計を可能にする機械学習装置の提供を目的とする。【解決手段】機械学習装置は、評価部および学習部を含む。評価部は、複数の設計ルールとソフトウェア設計情報とに基づいて、複数の設計ルールに対するソフトウェア設計情報の差異の程度を示すソフトウェア設計達成度を判定する。複数の設計ルールは、既存のソフトウェアを構成する複数の要素に関するものであり、メタモデルに定義されている。ソフトウェア設計情報は、既存のソフトウェアを設計変更して作成されたソフトウェアを構成する複数の要素に関する情報を含む。学習部は、複数の設計ルールとソフトウェア設計達成度とが互いに関連付けられたデータセットに基づいて、既存のソフトウェアを設計変更して作成される新たなソフトウェアについてのソフトウェア設計達成度の予知を学習する。【選択図】図１

Description

本発明は、ソフトウェア評価のための機械学習装置、ソフトウェア評価支援装置およびソフトウェア評価のための機械学習方法に関する。

ソフトウェア開発の現場では、新たなソフトウェアが開発される場合、既存のソフトウェア資産を再利用して、その新たなソフトウェアが作成されるケースが多い。ソフトウェア設計では、要求仕様書、外部仕様書などソフトウェア開発の各工程において設計書が作成される。

特許文献１には、ソフトウェア設計の評価を行うための技術が記載されている。特許文献２および特許文献３には、ＵＭＬ（Unified Modeling Language）モデルの品質を検証するための技術が記載されている。特許文献４記載された技術は、ＡＩ（Artificial Intelligence）による機械学習に関する。特許文献４に記載された技術においては、教師あり学習で状態変数と判定データおよび教師データの学習方法が活用される。

ソフトウェアの評価方法として、ソフトウェアの設計後に、メタモデルに記載された設計ルールとソフトウェア設計書との差分（警告）を抽出する方法が知られている。この方法では、警告に従ってソフトウェア設計をやり直すという手戻りが大きく、また、やり直した結果が再び差分を発生させることもある。効率的に高品質で再利用性の高いソフトウェア開発を行うため、ソフトウェアの設計の段階で差分（警告）が少なくなるよう開発を進めることが好ましい。

特開２０１８−１４７１９０号公報 特開２０１０−８６０６６号公報 特開２０１５−４１２８５号公報 特開２０１７−１８８０３０号公報

ソフトウェア開発の複雑化や高度化に伴って、ソフトウェアの設計ルールも複雑化している。そのため、複数の変更がなされた場合、メタモデルにおいてその変更に対応する箇所およびそれに関係する他のメタモデルにおける変更箇所の数は膨大である。有識者や経験者のスキルだけでは、設計変更がなされたソフトウェアが元の設計ルールを踏襲しているか否か、つまり一定の評価基準を満たすか否かの全てのチェックを時間内に網羅することは難しい。言い換えると、一定の評価基準に従って達成度を予知する方法では、実際の状況に適用できず、あるいは、適用できたとしても正確さを欠く。そのため、ソフトウェアの設計に関する達成度の予知を状況に応じて正確に行うことができる技術が求められている。

本発明は、上記の課題を解決するためになされたものであり、効率的かつ高品質なソフトウェア設計を可能にする機械学習装置の提供を目的とする。

本発明に係る機械学習装置は、評価部および学習部を含む。評価部は、複数の設計ルールとソフトウェア設計情報とに基づいて、複数の設計ルールに対するソフトウェア設計情報の差異の程度を示すソフトウェア設計達成度を判定する。複数の設計ルールは、既存のソフトウェアを構成する複数の要素に関するものであり、メタモデルに定義されている。ソフトウェア設計情報は、既存のソフトウェアを設計変更して作成されたソフトウェアを構成する複数の要素に関する情報を含む。学習部は、複数の設計ルールとソフトウェア設計達成度とが互いに関連付けられたデータセットに基づいて、既存のソフトウェアを設計変更して作成される新たなソフトウェアについてのソフトウェア設計達成度の予知を学習する。

本発明によれば、効率的かつ高品質なソフトウェア設計を可能にする機械学習装置が提供できる。

本発明の目的、特徴、局面、および利点は、以下の詳細な説明と添付図面とによって、より明白になる。

実施の形態１における機械学習装置およびソフトウェア評価支援装置の構成の一例を示すブロック図である。 機械学習装置が含む処理回路の構成の一例を示す図である。 機械学習装置が含む処理回路の構成の別の一例を示す図である。 実施の形態１における機械学習方法の一例を示すフローチャートである。 実施の形態２における機械学習装置およびソフトウェア評価支援装置の構成の一例を示すブロック図である。

＜実施の形態１＞
図１は、実施の形態１におけるソフトウェア評価のための機械学習装置およびソフトウェア評価支援装置の構成の一例を示すブロック図である。

ソフトウェア評価支援装置は、重要度登録端末１０１、設計メタモデル登録端末２０１、ソフトウェア設計書登録端末３０１、および機械学習装置４００を含む。

設計メタモデル登録端末２０１は、既存のソフトウェアのメタモデルに定義された複数の設計ルールを格納している。既存のソフトウェアとは、設計通りに動作することが確認されたソフトウェアであって、例えば、開発段階でその仕様を満たす動作が確認されたソフトウェアまたは市場に流通しているソフトウェアを含む。メタモデルには、ソフトウェアの設計において個別に設計される複数の要素が定義されている。複数の要素は、例えば、クラスあるいはオブジェクトなどを含むが、それらに限定されるものではない。複数の要素は、オリジナルの要素であってもよい。複数の設計ルールは、複数の要素間の依存関係についての条件を含んでおり、言い換えると、それら設計ルールは、ソフトウェアの設計方針に対応する。複数の設計ルールは、例えば、複数の要素の関係（リンク）、関連名、ロール名などを含むが、それらに限定されるものではない。複数の設計ルールは、オリジナルの設計ルールであってもよい。実施の形態１における複数の要素は、複数のレイヤにグループ分けされており、複数の設計ルールは、複数のレイヤ間の依存関係についての条件を含んでいる。設計メタモデル登録端末２０１は、レイヤ構造テーブル２０２、要素分類テーブル２０３、レイヤ間依存関係テーブル２０４、要素分類間依存関係テーブル２０５、レイヤ内要素個数テーブル２０６およびレイヤ内配置個数テーブル２０７を含む。設計ルールは、レイヤ構造テーブル２０２、要素分類テーブル２０３、レイヤ間依存関係テーブル２０４、要素分類間依存関係テーブル２０５、レイヤ内要素個数テーブル２０６またはレイヤ内配置個数テーブル２０７として登録されている。

重要度登録端末１０１は、複数の設計ルールにそれぞれ対応して定義される複数の重要度を重要度情報１０２として格納している。重要度とは、各設計ルールが満たされていることについての重要性を示す指標である。

ソフトウェア設計書登録端末３０１は、既存のソフトウェアを設計変更して作成されたソフトウェア設計書３０２を格納している。ソフトウェア設計書３０２は、そのソフトウェアを構成する複数の要素に関する情報として、ソフトウェア設計情報を含む。ソフトウェア設計情報は、例えばＵＭＬ（Unified Modeling Language）で記載されている。また、ソフトウェア設計書登録端末３０１は、後述する警告情報３０３および設計品質評価結果３０４の情報を格納している。

機械学習装置４００は、第１評価基準取得部４０１、第２評価基準取得部４０２、評価部４０３および学習部４０４を含む。

第１評価基準取得部４０１は、設計メタモデル登録端末２０１から、第１評価基準情報として既存のソフトウェアの設計ルールを取得する。第１評価基準情報に不足がある場合には、その不足している情報がユーザによって手動登録される。第１評価基準取得部４０１は、その手動登録された情報を取得し、第１評価基準情報を補充してもよい。

第２評価基準取得部４０２は、重要度登録端末１０１から、第２評価基準情報として、設計ルールの重要度情報１０２を取得する。第２評価基準情報に不足がある場合には、その不足している情報がユーザによって手動登録。第２評価基準取得部４０２は、その手動登録された情報を取得し、第２評価基準情報を補充してもよい。

評価部４０３は、ソフトウェア設計書登録端末３０１から、ソフトウェア設計書３０２に含まれるソフトウェア設計情報を取得する。評価部４０３は、第１評価基準情報、第２評価基準情報およびソフトウェア設計情報に基づいて、設計変更されたソフトウェアを評価する。すなわち、評価部４０３は、既存のソフトウェアの複数の設計ルールと、それら設計ルールの重要度情報１０２と、設計変更されたソフトウェア設計情報と、に基づいて、その設計変更されたソフトウェアを評価する。評価部４０３は、例えば、既存のソフトウェアの設計ルールとソフトウェア設計情報との差分を判定し、重要度情報１０２に基づいて、その差分の質または量を評価する。

評価結果は、警告情報３０３、設計品質評価結果３０４の情報およびソフトウェア設計達成度の情報を含む。警告情報３０３および設計品質評価結果３０４の情報は、ソフトウェア設計書登録端末３０１に登録される。ソフトウェア設計達成度は、メタモデルに定義された複数の設計ルールに対するソフトウェア設計情報の差異の程度を示す。例えば、ソフトウェア設計達成度は、設計ルールとソフトウェア設計情報との差分の程度、または、設計ルールに対するソフトウェア設計情報の逸脱の程度に関連する。ソフトウェア設計達成度は、その差分の質または量について重要度に基づいて評価された値であってもよい。ソフトウェア設計達成度は、連続量であっても離散量であってもよい。また、ソフトウェア設計達成度の情報は、評価結果が正常な状態であることを表す情報を含んでもよい。例えば、ソフトウェア設計達成度には、評価結果が正常な状態であることを判定するため、最大値または最小値のいずれか一方に制限値が設けられていてもよい。さらに、評価結果についての合否が判定されてもよい。

学習部４０４は、評価部４０３からソフトウェア設計達成度の情報を取得し、第１評価基準取得部４０１および第２評価基準取得部４０２から設計ルールおよび重要度情報１０２をそれぞれ取得する。学習部４０４は、複数の設計ルールと複数の重要度とソフトウェア設計達成度とが互いに関連付けられたデータセットを作成する。学習部４０４は、そのデータセットに基づいて、既存のソフトウェアを設計変更して作成される新たなソフトウェアについてのソフトウェア設計達成度の予知を学習する。

なお評価部４０３は、設計変更されたソフトウェアを評価する際に、必ずしも重要度情報１０２を要しない。その場合、学習部４０４は、複数の設計ルールとソフトウェア設計達成度とが互いに関連付けられたデータセットに基づいて、新たなソフトウェアについてのソフトウェア設計達成度の予知を学習する。

図２は、機械学習装置４００が含む処理回路９０の構成の一例を示す図である。第１評価基準取得部４０１、第２評価基準取得部４０２、評価部４０３および学習部４０４の各機能は、処理回路９０により実現される。すなわち、処理回路９０は、第１評価基準取得部４０１、第２評価基準取得部４０２、評価部４０３および学習部４０４を有する。

処理回路９０が専用のハードウェアである場合、処理回路９０は、例えば、単一回路、複合回路、プログラム化されたプロセッサ、並列プログラム化されたプロセッサ、ＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field-Programmable Gate Array）、またはこれらを組み合わせた回路等である。第１評価基準取得部４０１、第２評価基準取得部４０２、評価部４０３および学習部４０４の各機能は、複数の処理回路により個別に実現されてもよいし、１つの処理回路によりまとめて実現されてもよい。

図３は、機械学習装置４００が含む処理回路の構成の別の一例を示す図である。処理回路は、プロセッサ９１とメモリ９２とを有する。プロセッサ９１がメモリ９２に格納されるプログラムを実行することにより、第１評価基準取得部４０１、第２評価基準取得部４０２、評価部４０３および学習部４０４の各機能が実現される。例えば、プログラムとして記述されたソフトウェアまたはファームウェアが、プロセッサ９１によって実行されることにより各機能が実現される。このように、機械学習装置４００は、プログラムを格納するメモリ９２と、そのプログラムを実行するプロセッサ９１とを有する。

プログラムには、機械学習装置４００が、既存のソフトウェアを構成する複数の要素に関して、メタモデルに定義された複数の設計ルールと、既存のソフトウェアを設計変更して作成されたソフトウェアを構成する複数の要素に関する情報を含むソフトウェア設計情報と、に基づいて、複数の設計ルールに対するソフトウェア設計情報の差異の程度を示すソフトウェア設計達成度を判定し、複数の設計ルールとソフトウェア設計達成度とが互いに関連付けられたデータセットに基づいて、既存のソフトウェアを設計変更して作成される新たなソフトウェアについてのソフトウェア設計達成度の予知を学習する機能が記述されている。また、プログラムは、第１評価基準取得部４０１、第２評価基準取得部４０２、評価部４０３および学習部４０４の手順または方法をコンピュータに実行させるものである。

プロセッサ９１は、例えば、ＣＰＵ（Central Processing Unit）、演算装置、マイクロプロセッサ、マイクロコンピュータ、ＤＳＰ（Digital Signal Processor）等である。メモリ９２は、例えば、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）、フラッシュメモリ、ＥＰＲＯＭ（Erasable Programmable Read Only Memory）、ＥＥＰＲＯＭ（Electrically Erasable Programmable Read Only Memory）等の、不揮発性または揮発性の半導体メモリである。または、メモリ９２は、磁気ディスク、フレキシブルディスク、光ディスク、コンパクトディスク、ミニディスク、ＤＶＤ等、今後使用されるあらゆる記憶媒体であってもよい。

上述した第１評価基準取得部４０１、第２評価基準取得部４０２、評価部４０３および学習部４０４の各機能は、一部が専用のハードウェアによって実現され、他の一部がソフトウェアまたはファームウェアにより実現されてもよい。このように、処理回路は、ハードウェア、ソフトウェア、ファームウェア、またはこれらの組み合わせによって、上述の各機能を実現する。

また、重要度登録端末１０１、設計メタモデル登録端末２０１およびソフトウェア設計書登録端末３０１は、図２または図３に示される処理回路を個別に有する独立した端末であってもよいし、重要度登録端末１０１、設計メタモデル登録端末２０１、ソフトウェア設計書登録端末３０１および機械学習装置４００のうち、いずれか２つ以上の装置または端末が一体であってもよい。例えば、機械学習装置４００は、重要度登録端末１０１、設計メタモデル登録端末２０１またはソフトウェア設計書登録端末３０１に内蔵されていてもよい。

また、重要度登録端末１０１、設計メタモデル登録端末２０１、ソフトウェア設計書登録端末３０１および機械学習装置４００のうち、いずれか２つ以上がネットワークを介して接続されていてもよい。例えば、機械学習装置４００は、クラウドサーバに設けられていてもよい。また、機械学習装置４００の機能あるいは構成要素の一部が別々の装置に分散して配置されてもよい。

次に、ソフトウェア評価のための機械学習方法を説明する。図４は、実施の形態１における機械学習方法の一例を示すフローチャートである。

ステップＳ５０１にて、評価部４０３は、既存のソフトウェアの設計ルール、それら設計ルールの重要度情報１０２、および設計変更されたソフトウェア設計情報を取得し、それらに基づいて、ソフトウェア設計達成度を判定する。

ステップＳ５０２にて、学習部４０４は、既存のソフトウェアの設計ルール、それら設計ルールの重要度情報１０２、およびソフトウェア設計達成度を取得する。

ステップＳ５０３にて、学習部４０４は、設計ルール、重要度情報１０２およびソフトウェア設計達成度が互いに関連付けられたデータセットに基づいて、既存のソフトウェアを設計変更して作成される新たなソフトウェアについてのソフトウェア設計達成度の予知を学習する。

ステップＳ５０１からＳ５０３の処理は、例えば、機械学習装置４００が、対象ソフトウェアのソフトウェア設計達成度についての予知を十分に学習するまで繰り返し実行される。例えば、評価部４０３は、追加のソフトウェア設計書３０２が入力されるたびに、すなわち新たなソフトウェア設計情報が入力されるたびに、ソフトウェア設計達成度を判定する。学習部４０４は、そのソフトウェア設計達成度と、設計ルールおよび重要度情報１０２とを互いに関連付けたデータセットを蓄積して、新たなソフトウェアについてのソフトウェア設計達成度の予知を再学習する。機械学習装置４００は、対象のソフトウェアのメタモデルに関する複数の要素について、設計変更可能なすべてのパターンを、データセットとして蓄積することが好ましい。

以上をまとめると、実施の形態１におけるソフトウェア評価のための機械学習装置４００は、評価部４０３および学習部４０４を含む。評価部４０３は、複数の設計ルールとソフトウェア設計情報とに基づいて、複数の設計ルールに対するソフトウェア設計情報の差異の程度を示すソフトウェア設計達成度を判定する。複数の設計ルールは、既存のソフトウェアを構成する複数の要素に関するものであり、メタモデルに定義されている。ソフトウェア設計情報は、既存のソフトウェアを設計変更して作成されたソフトウェアを構成する複数の要素に関する情報を含む。学習部４０４は、複数の設計ルールとソフトウェア設計達成度とが互いに関連付けられたデータセットに基づいて、既存のソフトウェアを設計変更して作成される新たなソフトウェアについてのソフトウェア設計達成度の予知を学習する。

機械学習装置４００は、例えば、ソフトウェア変更に関係するメタモデルに定義される設計ルールと、その設計ルールの重要度とに基づいて、ソフトウェア設計の達成度を定量化する。そして、機械学習装置４００は、その設計ルールと重要度とソフトウェア設計達成度とを学習する。すなわち、機械学習装置４００は、メタモデルに記載された設計ルールとソフトウェア設計情報とを比較した過去の評価結果から、ソフトウェアの設計段階で、設計ルールに則った設計を行うための留意点、つまり予測可能な警告を導きだす。これにより、機械学習装置４００は、正確なソフトウェア設計達成度を予知することができる。そのため、機械学習装置４００は、既存のソフトウェアを流用した開発や、その不具合修正の際に、当初の方針に反したアーキテクチャ設計が行われることを防止する。機械学習装置４００は、ソフトウェア設計が元の設計ルールから逸脱していることを従来よりも早期に発見し得るため、ユーザによるソフトウェア設計のやり直しおよび手戻りの作業時間を削減する。つまり、機械学習装置４００は、評価基準未達による低品質で再利用性の低いソフトウェア設計を未然に防ぐ。その結果、効率的かつ高品質なソフトウェア設計が実現される。なお、機械学習装置４００による学習結果は、複数のソフトウェア評価支援装置で共用されるように構成してもよい。

＜実施の形態２＞
実施の形態２におけるソフトウェア評価のための機械学習装置、機械学習方法およびソフトウェア評価支援装置を説明する。実施の形態２は実施の形態１の下位概念であり、実施の形態２における機械学習装置およびソフトウェア評価支援装置は、実施の形態１における機械学習装置４００の各構成を含む。なお、実施の形態１と同様の構成および動作については説明を省略する。

図５は、実施の形態２におけるソフトウェア評価のための機械学習装置４１０およびソフトウェア評価支援装置の構成の一例を示すブロック図である。

ソフトウェア評価支援装置は、重要度登録端末１０１、設計メタモデル登録端末２０１、ソフトウェア設計書登録端末３０１、機械学習装置４１０および表示装置８０１を含む。重要度登録端末１０１、設計メタモデル登録端末２０１およびソフトウェア設計書登録端末３０１の各構成は、実施の形態１と同様である。

機械学習装置４１０は、実施の形態１に示される構成に加え、ソフトウェア設計達成度に基づく情報を出力する出力部４０５をさらに含む。この出力部４０５の機能は、図２または図３に示される処理回路によって実現される。表示装置８０１は、出力部４０５から出力されるソフトウェア設計達成度に基づく情報を表示する。このような構成により、ユーザはソフトウェア設計達成度を認識することができる。機械学習装置４１０によって、効率的かつ高品質なソフトウェア設計が実現される。

なお、本発明は、その発明の範囲内において、各実施の形態を自由に組み合わせたり、各実施の形態を適宜、変形、省略したりすることが可能である。

本発明は詳細に説明されたが、上記した説明は、すべての態様において、例示であって、本発明がそれに限定されるものではない。例示されていない無数の変形例が、本発明の範囲から外れることなく想定され得るものと解される。

１０１ 重要度登録端末、１０２ 重要度情報、２０１ 設計メタモデル登録端末、２０２ レイヤ構造テーブル、２０３ 要素分類テーブル、２０４ レイヤ間依存関係テーブル、２０５ 要素分類間依存関係テーブル、２０６ レイヤ内要素個数テーブル、２０７ レイヤ内配置個数テーブル、３０１ ソフトウェア設計書登録端末、３０２ ソフトウェア設計書、３０３ 警告情報、３０４ 設計品質評価結果、４００ 機械学習装置、４０１ 第１評価基準取得部、４０２ 第２評価基準取得部、４０３ 評価部、４０４ 学習部、４０５ 出力部、４１０ 機械学習装置、８０１ 表示装置。

Claims (9)

1. 既存のソフトウェアを構成する複数の要素に関して、メタモデルに定義された複数の設計ルールと、前記既存のソフトウェアを設計変更して作成されたソフトウェアを構成する前記複数の要素に関する情報を含むソフトウェア設計情報と、に基づいて、前記複数の設計ルールに対する前記ソフトウェア設計情報の差異の程度を示すソフトウェア設計達成度を判定する評価部と、
   前記複数の設計ルールと前記ソフトウェア設計達成度とが互いに関連付けられたデータセットに基づいて、前記既存のソフトウェアを設計変更して作成される新たなソフトウェアについての前記ソフトウェア設計達成度の予知を学習する学習部と、を備えるソフトウェア評価のための機械学習装置。
2. 前記複数の設計ルールは、前記複数の要素間の依存関係についての条件を含む、請求項１に記載のソフトウェア評価のための機械学習装置。
3. 前記複数の要素は、複数のレイヤにグループ分けされており、
   前記複数の設計ルールは、前記複数の要素間の前記依存関係についての前記条件として、前記複数のレイヤ間の依存関係についての条件を含む、請求項２に記載のソフトウェア評価のための機械学習装置。
4. 前記評価部は、
   前記複数の設計ルールおよび前記ソフトウェア設計情報に加えて、前記複数の設計ルールにそれぞれ対応して定義される複数の重要度に基づいて、前記ソフトウェア設計達成度を判定し、
   前記データセットには、
   前記複数の設計ルールと前記複数の重要度と前記ソフトウェア設計達成度とが互いに関連付けられている、請求項１から請求項３のいずれか一項に記載のソフトウェア評価のための機械学習装置。
5. 前記評価部は、
   前記ソフトウェア設計情報が入力されるたびに、前記ソフトウェア設計達成度を判定し、
   前記学習部は、
   前記ソフトウェア設計達成度を含む前記データセットを蓄積して、前記新たなソフトウェアについての前記ソフトウェア設計達成度の前記予知を再学習する、請求項１から請求項４のいずれか一項に記載のソフトウェア評価のための機械学習装置。
6. 請求項１から請求項５のいずれか一項に記載のソフトウェア評価のための機械学習装置と、
   前記ソフトウェア設計達成度に基づく情報を出力する出力部と、
   前記ソフトウェア設計達成度に基づく前記情報を表示する表示部と、を備えるソフトウェア評価支援装置。
7. 前記機械学習装置は、クラウドサーバに設けられている、請求項６に記載のソフトウェア評価支援装置。
8. 前記機械学習装置は、前記複数の設計ルールが格納されている端末に内蔵されている、請求項６に記載のソフトウェア評価支援装置。
9. 既存のソフトウェアを構成する複数の要素に関して、メタモデルに定義された複数の設計ルールと、前記既存のソフトウェアを設計変更して作成されたソフトウェアを構成する前記複数の要素に関する情報を含むソフトウェア設計情報と、に基づいて、前記複数の設計ルールに対する前記ソフトウェア設計情報の差異の程度を示すソフトウェア設計達成度を判定し、
   前記複数の設計ルールと前記ソフトウェア設計達成度とが互いに関連付けられたデータセットに基づいて、前記既存のソフトウェアを設計変更して作成される新たなソフトウェアについての前記ソフトウェア設計達成度の予知を学習する、ソフトウェア評価のための機械学習方法。

Images