Прогнозирование плотности дефектов
Плотность дефектов, которые, согласно прогнозу, остались не выявленными в ПрП на прошлом этапе разработки (остаток минус фактически устраненные дефекты). Плотность выявленных дефектов. Зависит от плотности внесенных дефектов и качества проверки (нормируемой на). Биномиальный закон распределения значений. Плотность внесенных новых дефектов. Зависит от сложности решаемых задач в ПрО и совершенства… Читать ещё >
Прогнозирование плотности дефектов (реферат, курсовая, диплом, контрольная)
Высокие темпы развития программной индустрии, изменчивость потребностей заказчиков и условий выполнения проектов способствуют широкому внедрению в проекты ПС новых адаптивных методологий разработки и моделей ЖЦ (так называемых agile-методологий, например, эксгремальное программирование), в которых ЖЦ на основе статической каскадной модели заменяется динамическим ЖЦ по модели «Обдумывание — Взаимодействие — Обучение». Для принятия решений в таких проектах используется, как правило, интуитивный подход и вероятностные рассуждения, основанные на собственном опыте менеджера проекта. Существует значительная неопределенность относительно влияния одних факторов качества на другие и на качество конечного программного продукта. Сказанное свидетельствует о потребности применения для управления качеством механизмов корректировки суждений по мере накопления опыта [94].
Средства для построения логически непротиворечивой схемы суждений с возможностью их пересмотра в свете новых данных предоставляет байесовский подход, который может быть положен в основу не только управления качеством, но и программными проектами в целом. Однако его непосредственное применение для разрешения задач программной инженерии долгое время усложнялось очень большим объемом расчетов условных вероятностей. Фактически, только с появлением байесовских сетей доверия он обрел практический смысл не только в этой, но и в других отраслях знаний [112].
С помощью графических моделей, в основе которых лежат байесовские сети, можно формулировать предположение о существовании зависимости между различными факторами качества, а потом последовательно «распространять» получаемые объективные данные наблюдений по сети. Семантическое описание дефектов с позиций байесовской сети приведено в таблице 3.2.
Таблица 3.2. Плотность дефектов.
Название вершины. | Описание вершин сети и зависимостей переменных. |
Остаток дефектов. | Разница между плотностью внесенных дефектов в текущую версию ПрП и плотностью устраненных (откорректированных) дефектов. |
Внесенные дефекты. | Сумма плотности новых внесенных дефектов и плотности остатка дефектов (от предыдущего этапа). |
Внесенные дефекты (новые). | Плотность внесенных новых дефектов. Зависит от сложности решаемых задач в ПрО и совершенства (качества) процесса разработки. |
Остаток старых дефектов. | Плотность дефектов, которые, согласно прогнозу, остались не выявленными в ПрП на прошлом этапе разработки (остаток минус фактически устраненные дефекты). |
Устраненные дефекты. | Плотность устраненных дефектов. Зависит от плотности выявленных дефектов в ПрП, а также точности их устранения (нормируемой на [0,1]). Биномиальный закон распределения значений переменной в вершине. |
Выявленные дефекты. | Плотность выявленных дефектов. Зависит от плотности внесенных дефектов и качества проверки (нормируемой на [0,1]). Биномиальный закон распределения значений. |
Точность коррекции. | Способность разработчика точно устранить дефект при коррекции. Чем больше значение, тем выше способность. |
Качество проверки. | Способность верификатора найти дефекты в ПрП. Чем больше значение, тем выше способность. |
Качество разработки. | Способность разработчиков предотвратить внесение дефектов при разработке. Чем больше значение, тем выше способность. |
Сложность проблемы. | Связана с риском «сложности реализации требований» к ПрП. Чем выше оценка риска, тем больше сложность проблемы. |
Основные преимущества использования графических байесовских моделей для управления качеством — поддержка прогнозирования дефектов и диагностики наиболее вероятных причин (источников) их возникновения, а также простота модификации посредством действующих эффективных алгоритмов и доступных инструментов [19].
Одна из базовых моделей является модель прогнозирования дефектов верхнего уровня и может быть детализирована в исходных вершинах (без родителей). Модель дефектов является результатом определения множества факторов качества, анализа причинно-следственных связей между ними, комбинирования качественных (экспертных) и количественных оценок их влияния на плотность дефектов, а также учета ограничений выбранного доступного инструмента моделирования Hugin Lite 6.5 [91].
Модель позволяет на начальном этапе прогнозировать, какой будет плотность дефектов D0i в /'-м ПрП, если не изменятся условия его разработки. Прогнозное значение плотности дефектов используется для нахождения вероятного прогнозного значения безотказности ПрП R,{t).