TWI626550B - 用於預測系統障礙熱區之處理系統與方法 - Google Patents
用於預測系統障礙熱區之處理系統與方法 Download PDFInfo
- Publication number
- TWI626550B TWI626550B TW106145277A TW106145277A TWI626550B TW I626550 B TWI626550 B TW I626550B TW 106145277 A TW106145277 A TW 106145277A TW 106145277 A TW106145277 A TW 106145277A TW I626550 B TWI626550 B TW I626550B
- Authority
- TW
- Taiwan
- Prior art keywords
- function
- obstacle
- barrier
- coverage
- hot zone
- Prior art date
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一種應用於系統障礙熱區之預測方法及其處理系統,該系統包括:障礙特徵分析模組、系統功能模組、系統功能需求模組、障礙熱區分析模組以及障礙預測分析模組;系統功能需求模組計算出需求之分布狀況;障礙熱區分析模組計算障礙分布狀況;障礙預測分析模組根據需求分布狀況與障礙分布狀況及健康係數設定以計算預期線上障礙落點。
Description
本發明係關於一種用於預測系統障礙熱區之技術,特別是應用於系統障礙熱區分析模組及障礙預測分析模組之預測方法及其系統。
線上營運系統的穩定是企業營運中重要的目標,在有限的人力及時間成本下,品保線上營運系統是困難的。
例如既有先前技術係利用跨平台的程式語言撰寫出整合式網站系統,以達成障礙處理進度追蹤等作業效率及資訊準確度提升之目的,並增加軟、硬體靈活度,則可提供一驗收結果登錄模組、一驗收結果統計模組、一以設定動態產生之單層選單及資料查詢模組以及一測試障礙及處理狀態即時分析模組。
又,例如既有先前技術係利用處理單元根據輸入輸出參數及內部運作參數之數值範圍及參數型態,藉由機率模型建立待測軟體所包含之函式間之參數變化組合
的參數變化機率,以由產生包含測試參數的測試個案,以達成待測軟體所需之參數預測。
上述既有先前技術仍有以下缺點:未考慮功能需求與線上障礙關聯分析預測;以及未考慮功能需求與線上障礙發生之間的關聯性。
既有先前技術利用六標準差設計(Design for Six Sigma:DFSS)信心水準評分的方法,在至少一個記分卡中收集各數據集並計算一個Z分數,根據記分卡的Z分數相應產生總Z分數;將總Z分數與所選的Zst值進行比較,計算Z的信賴範圍,基於計算出的Z信賴區間和總Z值的信心水準,即可進行輸出品質的評估,但仍有以下缺點:雖然使用六標準差設計計算品質的概率,但是未考慮其發生瑕疵間的關聯性;以及在未考慮其發生瑕疵間的關聯性下即無法對於瑕疵發生進行事前的預測。
由此可見,上述習用方式仍有諸多缺失,實非一良善之設計,而亟待加以改良。本案發明人鑑於上述習用方式所衍生的各項缺點,乃亟思加以改良創新,並經多年苦心孤詣潛心研究後,終於成功研發完成本件利用一種應用於系統障礙熱區之預測系統與方法。本發明可對於線上系統障礙熱區分析及預測,可供營運團隊預測線上系統障礙發生之落點,達到強化營運系統品質,降低時間人力及企業營運成本之效果。
為了解決前述問題,本發明係提供一種用於
預測線上系統障礙熱區之處理系統,其係包括:系統功能需求模組,係用於分析系統功能之需求,以將該需求寫入需求資料庫;障礙特徵分析模組,係用於收集彙整該系統功能之障礙,以將該障礙寫入障礙資料庫;障礙熱區分析模組,係透過存取該需求資料庫分析該系統功能於該線上系統的所有模組中的分佈狀況,以計算需求功能覆蓋率、且係透過存取該障礙資料庫分析障礙功能於該線上系統的所有模組中的分佈狀況,以計算障礙功能涵蓋率;以及障礙預測分析模組,係透過建立隱藏馬可夫模型取得系統障礙的序列以計算健康係數權重,並且透過下列公式計算系統功能健康指標:,其中,HC為該系統功能健康指標,RC為該需求功能覆蓋率,DC為該障礙功能涵蓋率,W為該健康係數權重,及i為第i個系統功能物件導向。
本發明另提供一種用於預測線上系統障礙熱區之方法,係包括:分析系統功能之需求,以將該需求寫入需求資料庫;收集彙整該系統功能之障礙,以將該障礙寫入障礙資料庫;透過存取該需求資料庫分析該系統功能於該線上系統的所有模組中的分佈狀況,以計算需求功能覆蓋率;透過存取該障礙資料庫分析障礙功能於該系統的所有模組中的分佈狀況,以計算障礙功能涵蓋率;以及透過建立隱藏馬可夫模型取得系統障礙的序列以計算健康係數權重,並且透過下列公式計算系統功能健康指標:
,其中,HC為該系統功能健康指標,RC為該需求功能覆蓋率,DC為該障礙功能涵蓋率,W為該健康係數權重,i為第i個系統功能物件導向。
如前述之用於預測線上系統障礙熱區之處理系統或方法,其中,該需求功能覆蓋率係透過下列公式計算:,其中,rc為該線上系統中各模組的該需求功能覆蓋率,N為系統功能模組中的總數。
如前述之用於預測線上系統障礙熱區之處理系統或方法,其中,該障礙功能覆蓋率係透過下列公式計算:,dc為該線上系統中各模組的該障礙功能覆蓋率,且N為系統功能模組中的總數。
如前述之用於預測線上系統障礙熱區之處理系統或方法,其中,該健康係數權重係透過下列公式計算:,其中,|Y i t |為時間t中發生障礙的序列中第i個系統功能數量,且|Y i (t+1)|為時間t+1中預期發生障礙的序列中第i個系統功能數量。
如前述之用於預測線上系統障礙熱區之處理系統或方法,其中,該隱藏馬可夫模型係使用Baum-Welch演算法計算t+1時發生障礙並賦予該健康係數權重。
藉由前述之處理系統及方法,提供營運團隊針對上線系統功能服務精進,可透過本發明系統障礙熱區及預測分析的方法及其系統,使用障礙熱區分析模組可計
算出需求功能覆蓋率以及障礙功能涵蓋率之值,進而使用障礙預測分析模組下的健康係數設定元件對其系統障礙做預測下一時間點的障礙發生並計算各系統功能之權重,最後將對其需求功能覆蓋率和障礙功能涵蓋率以及權重調整計算出系統功能健康指標,達到線上系統障礙熱區分析及預測,強化營運系統品質,降低時間人力及企業營運成本之效果。
1‧‧‧障礙特徵分析模組
11‧‧‧特徵設定元件
12‧‧‧特徵歸類元件
13‧‧‧特徵轉換元件
2‧‧‧系統功能模組
21‧‧‧系統功能物件導向元件
3‧‧‧需求資料庫
4‧‧‧系統功能需求模組
41‧‧‧需求分析元件
42‧‧‧需求歸類元件
43‧‧‧需求轉換元件
5‧‧‧障礙資料庫
6‧‧‧障礙熱區分析模組
61‧‧‧需求功能覆蓋運算元件
62‧‧‧障礙功能涵蓋運算元件
7‧‧‧障礙預測分析模組
71‧‧‧健康係數設定元件
72‧‧‧健康指標運算元件
S101~S110‧‧‧系統功能需求提案流程圖
S201~S211‧‧‧系統線上障礙提案流程圖
S301~S310‧‧‧系統障礙熱區之預測流程圖
第1圖為本發明之一種用於預測系統障礙熱區之處理系統與方法的系統架構圖;第2圖為建立障礙熱區分析及障礙預測分析模組之示意架構圖;第3圖為系統功能需求提案流程圖;第4圖為系統線上障礙提案流程圖;以及第5圖為系統障礙熱區之預測流程圖。
參閱第1圖,其為本發明之一種用於預測系統障礙熱區之處理系統與方法的系統架構圖,透過本發明的方法及系統可對預期發生之系統上線障礙做預測,本系統係包括:用於收集彙整線上障礙發生之障礙特徵分析模組1,其包含特徵設定元件11、特徵歸類元件12以及特徵轉換元件13,系統功能模組2,其包含系統功能物件導向元件21並用於儲存系統功能需求之需求資料庫3,用於收
集彙整系統功能需求之系統功能需求模組4,其包括需求分析元件41、需求歸類元件42以及需求轉換元件43,用於儲存系統線上障礙、需求功能覆蓋運算結果、障礙功能涵蓋運算結果及健康指標運算結果之障礙資料庫5,用於計算系統功能需求覆蓋及障礙功能涵蓋之障礙熱區分析模組6,其包括需求功能覆蓋運算元件61及障礙功能涵蓋運算元件62,計算系統功能健康指標之障礙預測分析模組7,其包括健康係數設定元件71及健康指標運算元件72。
請參閱第2圖,其為建立障礙熱區分析及障礙預測分析模組之示意架構圖,當健康指標運算元件72被啟動後將會觸發需求功能覆蓋運算元件61、障礙功能涵蓋運算元件62及健康係數設定元件71,取得由需求功能覆蓋運算元件61回傳之需求功能覆蓋率(Requirement Coverage:RC)、障礙功能涵蓋運算元件回傳之障礙功能涵蓋率(Defect Coverage:DC)以及健康係數設定元件之權重(Weights:W)將其計算系統功能健康指標(Health Coverage:HC),如公式(1):
當需求功能覆蓋運算元件61被啟動後將會存取需求資料庫3中功能需求資料,將其資料與需求轉換元件43進行計算需求功能覆蓋率(Requirement Coverage:RC),如公式(2):
其中,i為第i個系統功能物件導向,N為系統功能模組2中的總數,此需求功能覆蓋率將計算此系統功能於所有系統功能模組中分佈之狀況。當障礙功能涵蓋運算元件62被啟動後將會存取障礙資料庫5中線上障礙資料,將其資料與特徵轉換元件13進行計算障礙功能涵蓋率(Defect Coverage:DC),如公式(3):
障礙功能涵蓋率將計算此系統障礙於所有系統功能模組中分佈之狀況,當健康係數設定元件71被啟動後將會存取障礙資料庫5中系統障礙資料,取得系統障礙發生之序列透過建立隱藏馬可夫模型(Hidden Markov Model:HMM)做為權重(Weights:W)調整,將障礙發生之序列設為Y,於時間t所得之系統障礙為y(t)可得下一個時間點表示為y(t+1)以此類推,其中x(t)為y(t)的隱藏變數(Hidden Variable),因此,可以導出如下:公式(4):Y=y(0),y(1),y(0),...,y(N-1),系統功能模組障礙發生之序列為Y;公式(5):X=x(0),x(1),x(0),...,x(N-1),隱藏障礙發生之序列為X;公式(6)隱藏馬可夫模型的機率可以表達為:P(Y)=Σ X P(Y|X)P(X),系統功能模組總數為N。
將針對某輸出序列,尋找最可能的狀態轉移以及輸出概率,在這裡採用Baum-Welch演算法,透過Baum-Welch演算法計算可依障礙發生之序列推估出系統
功能障礙移轉之機率,並可得到t+1時預期發生之線上障礙,再經權重公式計算得健康係數權重公式(7):
其中|Y i t |為時間t下發生障礙之序列中第i個系統功能數量,|Y i (t+1)|為時間t+1下預期發生障礙之序列中第i個系統功能數量,當系統功能障礙數量越多時其|Y i t |/|Y i (t+1)|值就越大,反之,在時間t之前越少發生功能障礙次數,但被預期t+1時將會發生功能障礙,此時|Y i t |/|Y i (t+1)|值就越小,可提供系統功能健康指標(HC)計算結果告警預期之功能障礙發生。
請參閱第3圖,其為系統功能需求提案流程圖,當功能提案後將先其判斷是否符合提案規範要素S101,若否,功能需求結案,反之,將執行需求分析元件S102將其需求分析功能可行性與影響範圍後執行需求歸類元件S103將需求分類存取需求資料庫S104完成需求初步分析歸類,再者提取需求與現行系統功能模組之物件導向元件做對映判斷S106,若否,表示需新增系統功能物件導向元件S108,反之,修改系統功能物件導向元件S109,再執行單元測試S110後存取需求資料庫S111,需求提案結束。
請參閱第4圖,其為系統線上障礙提案流程圖,當障礙提案後將先其判斷是否符合提案規範要素S201,若否,線上障礙結案,反之,將判斷是否符合障礙特徵設定之要素S203,若否,線上障礙結案,反之,執行特徵歸
類元件,將其障礙根據障礙特徵設定元件S202之設定實施歸類存取障礙資料庫S205之中,完成障礙初步歸類,再者提取障礙,與現行系統功能模組之物件導向元件做對映判斷S208,若否,表示此障礙不是發生於此系統功能模組之中,反之,移除障礙S209,再執行障礙複測試S210後存取障礙資料庫S211,障礙提案結束。
請參閱第5圖,其為系統障礙熱區之預測流程圖,在此假設(但不以此為限)系統功能模組中有四個物件導向元件,其分別為A、B、C、D,則A發生一個需求一個障礙、B發生三個需求一個障礙、C發生一個需求三個障礙、D發生一個需求一個障礙如表格(1)所示:
當觸發健康指標運算元件S301後將同時執行健康係數設定元件S302、障礙功能涵蓋運算元件S303、需求覆蓋運算元件S304。
健康係數設定元件S302會從障礙資料庫中提取障礙發生之序列,透過隱藏馬可夫模型使用Baum-Welch Algorithm計算出t+1發生之障礙並賦予各系統功能權重(W),假設時間t時系統功能障礙發生之序列為A,B,C,D,C,C,因此可定義Y t ={A,B,C,D,C,C},又透過
Baum-Welch Algorithm得出時間t+1時系統功能障礙發生為C,因此可定義Y t+1={A,B,C,D,C,C,C},並使用權重計算公式(7)計算,並得到表格(2)如下:Y t ={A,B,C,D,C,C}
Y t+1={A,B,C,D,C,C,C}
障礙功能涵蓋運算元件S303會從障礙資料庫S305中存取功能物件導向對映之障礙發生數,透過計算障礙功能涵蓋率(Defect Coverage:DC),如下表示,即可得到線上障礙於系統功能模組之物件導向分布狀況以及表格(3):
需求覆蓋運算元件S304會自需求資料庫S306中存取功能需求,透過需求功能覆蓋率(Requirement Coverage:RC),如下表示,即可得到功能需求於系統功能模組之物件導向分布狀況以及表格(4):
當健康係數設定元件S302、障礙功能涵蓋運算元件S303、需求覆蓋運算元件S304回傳計算參數後執行健康指標運算元件S310,將其參數計算系統功能健康指標(Health Coverage:HC)以及表格(5)如下:
從系統功能健康指標(Health Coverage:HC),可觀察到,功能C的指數偏低,表示其系統功能將預期發生障礙,此時即可加強對此系統功能之單元測試或是加強此系統功能之自動化測試,以降低時間人力及企業營運成本。
本發明所提供之用於預測系統障礙熱區之系統與方法,與其他既有技術相互比較時,更具有下列之優點:本發明之方法與系統係透過測試案例屬性設定即可分類測試案例,提升測試案例分類的彈性。
本發明之方法與系統需求係透過需求轉換元件,將需求功能與系統功能建立關聯,再透過障礙熱區分析模組中需求功能覆蓋運算元件計算出需求功能覆蓋率,供營運團隊掌握需求功能分佈之狀況。
本發明之方法與系統障礙係透過特徵轉換元件,將功能障礙與系統功能建立關聯,再透過障礙熱區分析模組中障礙功能涵蓋運算元件計算出障礙功能涵蓋率,供營運團隊掌握功能障礙分佈之狀況。
本發明之方法可透過計算障礙預測分析模組下的健康係數設定元件,對其系統障礙做預測下一時間點的障礙發生並計算各系統功能之權重(Weights:W),供營運團隊更精準調整各項系統功能之權重。
本發明之方法可透過計算障礙預測分析模組下的系統功能健康指標元件,對其系統功能健康評估,結合需求功能覆蓋率和障礙功能涵蓋率及系統功能之權重調整,供營運團隊達到線上系統障礙熱區分析及預測,強化營運系統品質,降低時間人力及企業營運成本之效果。
Claims (10)
- 一種用於預測線上系統障礙熱區之處理系統,係包括:系統功能需求模組,係用於分析系統功能之需求,以將該需求寫入需求資料庫;障礙特徵分析模組,係用於收集彙整該線上系統功能之障礙,以將該障礙寫入障礙資料庫;障礙熱區分析模組,係透過存取該需求資料庫分析該系統功能於該線上系統的所有模組中的分佈狀況,以計算需求功能覆蓋率、且係透過存取該障礙資料庫分析障礙功能於該線上系統的所有模組中的分佈狀況,以計算障礙功能涵蓋率;以及障礙預測分析模組,係透過建立隱藏馬可夫模型取得系統障礙的序列以計算健康係數權重,並且透過下列公式計算系統功能健康指標:
- 如申請專利範圍第1項所述之用於預測線上系統障礙熱區之處理系統,其中,該需求功能覆蓋率係透過下列公式計算:
- 如申請專利範圍第1項所述之用於預測線上系統障礙熱區之處理系統,其中,該障礙功能覆蓋率係透過下列公式計算:
- 如申請專利範圍第1項所述之用於預測線上系統障礙熱區之處理系統,其中,該健康係數權重係透過下列公式計算:
- 如申請專利範圍第4項所述之用於預測線上系統障礙熱區之處理系統,其中,該隱藏馬可夫模型係使用Baum-Welch演算法計算t+1時發生障礙並賦予該健康係數權重。
- 一種用於預測線上系統障礙熱區之方法,係包括:分析系統功能之需求,以將該需求寫入需求資料庫;收集彙整該系統功能之障礙,以將該障礙寫入障礙資料庫; 透過存取該需求資料庫分析該系統功能於該線上系統的所有模組中的分佈狀況,以計算需求功能覆蓋率;透過存取該障礙資料庫分析障礙功能於該線上系統的所有模組中的分佈狀況,以計算障礙功能涵蓋率;以及透過建立隱藏馬可夫模型取得系統障礙的序列以計算健康係數權重,並且透過下列公式計算系統功能健康指標:
- 如申請專利範圍第6項所述之用於預測線上系統障礙熱區之方法,其中,該需求功能覆蓋率係透過下列公式計算:
- 如申請專利範圍第6項所述之用於預測線上系統障礙熱區之方法,其中,該障礙功能覆蓋率係透過下列公式計算:
- 如申請專利範圍第6項所述之用於預測線上系統障礙熱區之方法,其中,該健康係數權重係透過下列公式計算:
- 如申請專利範圍第9項所述之用於預測線上系統障礙熱區之方法,其中,該隱藏馬可夫模型係使用Baum-Welch演算法計算t+1時發生障礙並賦予該健康係數權重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW106145277A TWI626550B (zh) | 2017-12-22 | 2017-12-22 | 用於預測系統障礙熱區之處理系統與方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW106145277A TWI626550B (zh) | 2017-12-22 | 2017-12-22 | 用於預測系統障礙熱區之處理系統與方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI626550B true TWI626550B (zh) | 2018-06-11 |
TW201928722A TW201928722A (zh) | 2019-07-16 |
Family
ID=63256029
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW106145277A TWI626550B (zh) | 2017-12-22 | 2017-12-22 | 用於預測系統障礙熱區之處理系統與方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI626550B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI691180B (zh) * | 2019-09-06 | 2020-04-11 | 中華電信股份有限公司 | 智慧型障礙落點預測之系統與方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200945236A (en) * | 2008-04-30 | 2009-11-01 | Univ Nat Taiwan Science Tech | A method of predicting a financial market |
US7707526B2 (en) * | 2007-05-25 | 2010-04-27 | Synopsys, Inc. | Predicting IC manufacturing yield based on hotspots |
-
2017
- 2017-12-22 TW TW106145277A patent/TWI626550B/zh active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7707526B2 (en) * | 2007-05-25 | 2010-04-27 | Synopsys, Inc. | Predicting IC manufacturing yield based on hotspots |
TW200945236A (en) * | 2008-04-30 | 2009-11-01 | Univ Nat Taiwan Science Tech | A method of predicting a financial market |
Also Published As
Publication number | Publication date |
---|---|
TW201928722A (zh) | 2019-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI784941B (zh) | 一種多重抽樣模型訓練方法及裝置 | |
Zhao et al. | Deep learning with XGBoost for real estate appraisal | |
CN110942072B (zh) | 基于质量评估的质量分、检测模型训练、检测方法及装置 | |
KR102205096B1 (ko) | 거래 위험 검출 방법 및 장치 | |
CN111199474B (zh) | 一种基于双方网络图数据的风险预测方法、装置和电子设备 | |
JP2011048822A5 (zh) | ||
KR102038237B1 (ko) | 신용점수 모델 훈련 방법,신용 점수 계산 방법,장치 및 서버 | |
CN109471982B (zh) | 一种基于用户和服务聚类QoS感知的Web服务推荐方法 | |
CN105512465B (zh) | 基于改进vikor法的云平台安全性量化评估方法 | |
US11481707B2 (en) | Risk prediction system and operation method thereof | |
CN108733756B (zh) | 数据预加载方法、装置、电子设备及可读存储介质 | |
WO2021004318A1 (zh) | 资源数据的处理方法、装置、计算机设备和存储介质 | |
CN113822488B (zh) | 融资租赁的风险预测方法、装置、计算机设备及存储介质 | |
CN103530312B (zh) | 使用多方面足迹的用户标识的方法和系统 | |
WO2017071369A1 (zh) | 一种预测用户离网的方法和设备 | |
CN111090833A (zh) | 一种数据处理方法、系统及相关设备 | |
CN115225336B (zh) | 一种面向网络环境的漏洞可利用性的计算方法及装置 | |
WO2018036402A1 (zh) | 模型中关键变量的探测方法及装置 | |
CN113566831B (zh) | 基于人机交互的无人机集群导航方法、装置和设备 | |
WO2023029065A1 (zh) | 数据集质量评估方法、装置、计算机设备及存储介质 | |
TWI626550B (zh) | 用於預測系統障礙熱區之處理系統與方法 | |
CN115034379A (zh) | 一种因果关系确定方法及相关设备 | |
Lin et al. | Using Computing Intelligence Techniques to Estimate Software Effort | |
Huo et al. | Traffic anomaly detection method based on improved GRU and EFMS-Kmeans clustering | |
Wang et al. | Temperature forecast based on SVM optimized by PSO algorithm |