CN102446135A - 软件质量的检测方法 - Google Patents
软件质量的检测方法 Download PDFInfo
- Publication number
- CN102446135A CN102446135A CN2011104486053A CN201110448605A CN102446135A CN 102446135 A CN102446135 A CN 102446135A CN 2011104486053 A CN2011104486053 A CN 2011104486053A CN 201110448605 A CN201110448605 A CN 201110448605A CN 102446135 A CN102446135 A CN 102446135A
- Authority
- CN
- China
- Prior art keywords
- data
- quality
- star
- score value
- bug
- 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.)
- Granted
Links
Images
Landscapes
- Stored Programmes (AREA)
Abstract
本发明提供一种软件质量的检测方法,其包括如下步骤:步骤1、用户终端通过网络向评估终端发送软件质量检测请求;步骤2、评估终端响应请求;步骤3、运行工作量估算模块;步骤4、运行质量预测模块;步骤5、运行质量评估模块;步骤6、评估终端生成测评报告,并将该测评报告通过网络发送到用户终端。本发明所提供的软件质量的检测方法,其根据产品规模、人力等信息自动评估出软件检测所需的工作量,根据工作量信息选择合适的准出准则和生命周期,对该产品进行质量预测和评估,且自动输出测评报告;在产品的检测过程中,能实时监控整个检测阶段产品的质量情况,以便能科学、准确的检测出产品的质量。
Description
技术领域
本发明设计软件领域,尤其涉及一种软件质量的检测方法。
背景技术
随着中国软件业的发展,软件产品已应用到在各行业各领域中,且应用范围在不断的扩大,复杂度也在不断的提高,如何更好的控制软件产品质量,保证软件产品质量的可靠性,需对软件产品的质量进行全面检测和评估,通过对软件产品质量的检测和评估,提前发现软件产品存在的质量问题,为提高软件产品质量提供依据。
随着业务的发展需求的复杂度越来越高,开发过程趋于多变,对缺陷的检测提出更高的要求,要求有能力对缺陷进行完善管理和全面分析,并在此基础上建立科学的检测模型,以及全面、专业的准出准则。
现有的软件质量检测方法,一般都是采用业界成熟的检测模型和产品生命周期的过程进行检测与评估,然而使用者只能根据检测模型和产品生命周期进行评估判定,不能根据实际情况对检测模型和产品生命周期等进行自定义和修改,从而限制了对产品质量检测和评估的全面性,进一步影响了软件产品质量检测的准确性。
发明内容
本发明的目的在于提供一种软件质量的检测方法,其可以根据实际情况对预检测模型和产品生命周期等进行自定义和修改,增强评估的全面性及真实性,且效率高。
为实现上述目的,本发明提供一种软件质量的检测方法,其包括如下步骤:
步骤1、用户终端通过网络向评估终端发送软件质量检测请求;
步骤2、评估终端响应请求;
步骤3、运行工作量估算模块,其包括如下步骤:
步骤3.1、初始化工作量基础数据,所述工作量基本数据信息包括人力资源、工作效率、测试环境、需求或缺陷及其分解的功能点及用例数;
步骤3.2、录入工作量估算信息,所述工作量估算信息包括版本基本信息、人力资源信息、版本所涉及到的需求和缺陷、用例设计和执行信息;
步骤3.3、估算各阶段工作量;
步骤3.4、结合产品测试过程中存在的风险修正系数,对各工作量估算数据进行修正及说明,所述工作量估算数据的修正方法为替换工作量估算数据,其先取页面组件值并组装成JSON格式数据,再通过Ajax调用后台替换工作量估算方法,并返回操作状态,根据返回操作状态给出相应的友好提示信息;
步骤3.5、保存工作量信息,判断是否有必填项为空,如果是,给出相应提示;如果否,则保存工作量估算信息并执行下一步骤;
步骤3.6、结束工作量估算模块;
步骤4、运行质量预测模块,其包括如下步骤:
步骤4.1、在后台数据库中查询预测质量初始化信息,该预测质量初始化信息包括准出准则原型数据、过程定义数据、资源与进度数据、及***配置数据,所述过程定义主要包括:需求阶段、设计阶段、编码阶段、集成测试阶段、***测试阶段和确认测试阶段,所述资源与进度数据主要包括:测试环境、工作年限、投入精力、效率偏差,该数据主要以上述工作量估算数据为准;
步骤4.2、判断上述查询预测质量初始化信息是否为空,如果否,则并将该些数据组装成JSON格式,如果是,则以预测质量初始化信息ID为外键,增加准出准则原型数据、过程定义数据、及资源与进度数据;
步骤4.3、计算质量预测总缺陷数并分布到过程定义各阶段中;
步骤4.4、以***配置的准出准则数据计算出准出准则质量星级,并输出BUG综合收敛图;
步骤4.5、遍历过程定义中选择的需求与设计权重,***测试与确认测试权重,计算过程定义质量星级;
步骤4.6、通过公式:总分=准出准则分值*80%+过程定义分值*20%-风险修正系数,计算预测总质量星级;
步骤4.7、保存质量预测信息,并结束质量预测模块;
步骤5、运行质量评估模块,其包括如下步骤:
步骤5.1、在后台数据库中查询质量评估初始化数据,该质量评估初始化数据包括准出准则原型数据、实际模型过程定义数据、资源与进度数据、及查询***配置数据;
步骤5.2、查询实际缺陷数并分布到过程定义各阶段中;
步骤5.3、以***配置的准出准则数据,填写准出准则模型中各项指标达成情况和BUG综合收敛图的收敛情况;
步骤5.4、遍历实际过程定义中选择的需求与设计权重,***测试与确认测试权重,查询实际数据与***参数设置的数据,计算实际过程定义质量星级;
步骤5.5、通过公式:总分=准出准则分值*80%+过程定义分值*20%,计算总质量星级;
步骤5.6、保存质量评估信息,并结束质量评估模块;
步骤6、评估终端生成测评报告,并将该测评报告通过网络发送到用户终端。
所述步骤3.2通过调用queryProjectName()及queryProjectVersion()实现项目名称及版本数据的录入;通过调用addEvaluteWorkLoad()实现工作量估算数据的添加;所述步骤3.3通过调用calculateValue()实现;所述步骤3.4通过调用coverEvaluteWorkload()实现工作量估算数据的替换。
所述步骤4.1通过调用queryProjectName(),queryProjectVersion()实现项目名称及版本数据的录入,通过调用addModeTable()、addProcessTable()、addResSchedule()及querySysParameter()实现初始化数据的查询与添加;所述步骤4.2通过调用addForecastQuality()实现质量预测数据的添加;所述步骤4.3通过调用calculateValue()实现;所述步骤4.4通过调用addJqplot()实现BUG综合收敛图的输出;所述步骤4.5通过调用calcProcssValue()实现;所述步骤4.6通过调用calcVerQuality()实现预测总质量的计算。
所述步骤4.1中需求阶段包括用户需求、软件需求规格;设计阶段包括概要、详细;测试阶段包括单元、集成、***、确认。
所述步骤5.1通过调用addModeTable()、addProcessTable()、addResSchedule()及querySysParameter()实现质量评估初始化数据的查询与添加;所述步骤5.2通过调用calculateValue()实现;所述步骤5.3通过调用addJqplot()实现BUG综合收敛图的输出所述步骤5.4通过调用calcProcssValue()实现;所述步骤5.5通过调用calcVerQuality()实现预测总质量的计算。
所述准出准则主要包括:BUG曲线收敛模型、BUG热点追踪模型、BUG历史记录刷新模型、特定BUG修正模型、集团规定标准达标、检查项预订模型、及非功能性评价达标,其根据模型中自定义指标中的达标指标,对模型进行组合,定义为1-5星五个级别,当BUG曲线收敛模型、BUG热点追踪模型、BUG历史记录刷新模型、及非功能性评价达标为必选项,其余任选时,该准出准则分值为5分,星级为5星;当BUG曲线收敛模型、BUG热点追踪模型、及非功能性评价达标为必选项,其余任选时,该准出准则分值为4分,星级为4星;当BUG曲线收敛模型、BUG热点追踪模型为必选项,其余任选时,该准出准则分值为3分,星级为3星;当BUG曲线收敛模型为必选项,其余任选时,该准出准则分值为2分,星级为2星;当所有模型都为任选时,该准出准则分值为1分,星级为1星。
所述过程定义质量根据分值及占比,定义为1-5星五个级别,当过程定义质量的需求+设计比重大于或等于35%、***测试和确认测试阶段发现缺陷的几率同时小于10%的正向偏差大于或等于15%时,该过程定义分值为5,星级为5;当程定义质量的需求+设计比重大于或等于35%、***测试和确认测试阶段发现缺陷的几率同时小于或等于15%的正向偏差大于或等于5%时,该过程定义分值为4,星级为4;当程定义质量的需求+设计比重大于15%,小于25%、***测试和确认测试阶段发现缺陷的几率大于或等于15%,小于20%的标准偏差为±5%时,该过程定义分值为3,星级为3;当程定义质量的需求+设计比重小于15%、***测试和确认测试阶段发现缺陷的几率大于或等于20%的负向偏差大于或等于5%时,该过程定义分值为2,星级为2;当程定义质量的需求+设计比重小于或等于5%、***测试和确认测试阶段发现缺陷的几率大于或等于30%的负向偏差大于或等于15%时,该过程定义分值为1,星级为1。
所述BUG综合收敛图主要包括预测总BUG数、实际总BUG和致重BUG曲线图。
所述总质量星级根据其分值定义为0-5星六个级别,当总质量分值大于或等于4.6时,该总质量星级为5;当总质量分值小于4.6,大于3.6时,该总质量星级为4;当总质量分值小于或等于3.6,大于或等于2.6时,该总质量星级为3;当总质量分值小于2.6,大于或等于1.6时,该总质量星级为2;当总质量分值小于或等于1.6,大于或等于0.4时,该总质量星级为1;当总质量分值小于0.4时,该总质量星级为0。
所述后台数据库包括:准出准则数据、过程定义数据及用户终端根据自身需求增加的项目名称数据、版本号数据及与该项目名称、版本号对应的工作量估算数据、质量预测数据及质量评估数据。
本发明的有益效果:本发明所提供的软件质量的检测方法,其根据产品规模、人力等信息自动评估出软件检测所需的工作量,根据工作量信息选择合适的准出准则和生命周期,对该产品进行质量预测和评估,且自动输出测评报告;在产品的检测过程中,能实时监控整个检测阶段产品的质量情况,以便能科学、准确的检测出产品的质量。
为了能更进一步了解本发明的特征以及技术内容,请参阅以下有关本发明的详细说明与附图,然而附图仅提供参考与说明用,并非用来对本发明加以限制。
附图说明
下面结合附图,通过对本发明的具体实施方式详细描述,将使本发明的技术方案及其它有益效果显而易见。
附图中,
图1为本发明软件质量的检测方法的流程图;
图2为本发明软件质量的检测方法中工作量估算的流程图;
图3为本发明软件质量的检测方法质量预测的流程图;
图4为本发明软件质量的检测方法质量评估的流程图。
具体实施方式
为更进一步阐述本发明所采取的技术手段及其效果,以下结合本发明的优选实施例及其附图进行详细描述。
请参阅图1至图4,本发明提供一种软件质量的检测方法,其包括如下步骤:
步骤1、用户终端通过网络向评估终端发送软件质量检测请求。
步骤2、评估终端响应请求。
步骤3、运行工作量估算模块,其包括如下步骤:
步骤3.1、初始化工作量基础数据,所述工作量基本数据信息包括人力资源、工作效率、测试环境、需求或缺陷及其分解的功能点及用例数;
步骤3.2、调用addEvaluteWorkLoad(),录入工作量估算信息,所述工作量估算信息包括版本基本信息、人力资源信息、版本所涉及到的需求和缺陷、用例设计和执行信息,调用queryProjectName()及queryProjectVersion()实现项目名称及版本数据的录入;
步骤3.3、调用calculateValue(),估算各阶段工作量;
步骤3.4、结合产品测试过程中存在的风险修正系数,对各工作量估算数据进行修正及说明,所述工作量估算数据的修正方法为替换工作量估算数据,其先取页面组件值并组装成JSON格式数据,再通过Ajax调用后台coverEvaluteWorkload()替换工作量估算方法,并返回操作状态,根据返回操作状态给出相应的友好提示信息;
步骤3.5、保存工作量信息,判断是否有必填项为空,如果是,给出相应提示;如果否,则保存工作量估算信息并执行下一步骤;
步骤3.6、结束工作量估算模块。步骤4、运行质量预测模块,其包括如下步骤:
步骤4.1、调用queryProjectName(),queryProjectVersion()实现项目名称及版本数据的录入,调用addModeTable()、addProcessTable()、addResSchedule()及querySysParameter(),以项目名称和版本号为条件在后台数据库中查询预测质量初始化信息,该预测质量初始化信息包括准出准则原型数据、过程定义数据、资源与进度数据、及***配置数据,所述过程定义主要包括:需求阶段、设计阶段、编码阶段、集成测试阶段、***测试阶段和确认测试阶段需求阶段、设计阶段、及测试阶段,所述需求阶段包括用户需求、软件需求规格,所述设计阶段包括概要、详细,所述测试阶段包括单元、集成、***、确认;所述资源与进度数据主要包括:测试环境、工作年限、投入精力、效率偏差,该数据主要以上述工作量估算数据为准;
步骤4.2、判断上述查询预测质量初始化信息是否为空,如果否,则并将该些数据组装成JSON格式,如果是,则以预测质量初始化信息ID为外键,通过调用addEvaluteWorkLoad(),增加准出准则原型数据、过程定义数据、及资源与进度数据;
步骤4.3、调用calculateValue(),以***配置的缺陷公式计算出预测总缺陷数并分布到过程定义各阶段中;
步骤4.4、以***配置的准出准则数据计算出准出准则质量星级,并调用addJqplot()输出BUG综合收敛图;
步骤4.5、遍历过程定义中选择的需求与设计权重,***测试与确认测试权重,计算过程定义质量星级;
步骤4.6、调用calcVerQuality(),通过公式:总分=准出准则分值*80%+过程定义分值*20%-风险修正系数,计算预测总质量星级;
步骤4.7、保存质量预测信息,并结束质量预测模块。
步骤5、运行质量评估模块,其包括如下步骤:
步骤5.1、通过调用addModeTable()、addProcessTable()、addResSchedule()及querySysParameter(),在后台数据库中查询质量评估初始化数据,该质量评估初始化数据包括准出准则原型数据、实际模型过程定义数据、资源与进度数据、及查询***配置数据;
步骤5.2、调用calculateValue(),查询实际缺陷数并分布到过程定义各阶段中;
步骤5.3、以***配置的准出准则数据,填写准出准则模型中各项指标达成情况,并调用addJqplot(),输出BUG综合收敛图的收敛情况;
步骤5.4、调用calcProcssValue(),遍历实际过程定义中选择的需求与设计权重,***测试与确认测试权重,查询实际数据与***参数设置的数据,计算实际过程定义质量星级;
步骤5.6、调用calcVerQuality(),通过公式:总分=准出准则分值*80%+过程定义分值*20%,计算总质量星级;
步骤5.7、保持质量评估信息,并结束质量评估模块。
步骤6、评估终端生成测评报告,并将该测评报告通过网络发送到用户终端。
工作原理:工作量估算通过对人力资源、工作效率、测试环境、需求或缺陷及其分解的功能点和用例数数据为基础,通过工作量估算方法,估算出测试阶段在此项目周期中的工作量,结合产品测试过程中存在的风险,可对总工作量进行修正及说明;产品测试产生的工作量主要阶段包括:需求、设计、用例执行等。质量预测以选择准出准则原型、过程定义和资源与进度(工作量数据),综合各项预测的数据输出产品的BUG综合收敛图,汇总准出准则和过程定义之和得出总的质量等级。质量评估以质量预测数据为参考、取实际数据判定准出准则原型、过程定义和资源与进度(工作量数据),综合各项实际的数据输出产品的BUG综合收敛图,所述BUG综合收敛图主要包括预测总BUG的BUG数,准出准则质量和过程定义质量,汇总得出总质量等级。
所述后台数据库为本质量评估***附带的准出准则数据、过程定义数据及用户终端通过本质量评估***根据自身需求增加的项目名称数据、版本号数据及与该项目名称、版本号对应的工作量估算数据、质量预测数据及质量评估数据。
软件产品质量分析方法的工作量估算,其工作量主要包括:人力资源、工作效率、测试环境、需求或缺陷及其分解的功能点和用例数等,以这些信息和数据为基础,通过工作量估算方法,估算出测试阶段在此项目周期中的工作量,结合产品测试过程中存在的风险,可对总工作量进行修正及说明;产品测试产生的工作量主要阶段包括:需求、设计、用例执行等;软件产品质量预测根据主要包括:准出准则、过程定义和资源与进度,综合各项预测的数据输出产品的BUG综合收敛图和总的质量等级。本实施例中质量等级分为1星至5星五个质量等级。准出准则主要包括:BUG曲线收敛模型、BUG热点追踪模型、BUG历史记录刷新模型、特定BUG修正模型、集团规定标准达标、检查项预订模型、非功能性评价达标;各类模型中自定义相应的指标,对各模型进行组合,定义出不同的分值和级别(共5个级别,1星级-5星级),根据分值判定该产品所属的级别,当BUG曲线收敛模型、BUG热点追踪模型、BUG历史记录刷新模型、及非功能性评价达标为必选项,其余任选时,该准出准则分值为5分,星级为5星;当BUG曲线收敛模型、BUG热点追踪模型、及非功能性评价达标为必选项,其余任选时,该准出准则分值为4分,星级为4星;当BUG曲线收敛模型、BUG热点追踪模型为必选项,其余任选时,该准出准则分值为3分,星级为3星;当BUG曲线收敛模型为必选项,其余任选时,该准出准则分值为2分,星级为2星;当所有模型都为任选时,该准出准则分值为1分,星级为1星。过程定义主要包括:需求阶段(用户需求,软件需求规格)、设计阶段(概要、详细)、编码阶段、集成测试阶段、***测试阶段(单元、集成、***、确认)和确认测试阶段;除确认测试过程不能裁减,其它过程可以根据实际情况进行裁减;所有阶段的占比总和为100%。根据过程的裁减情况,计算出“过程定义”的分值和占比,分别为5个等级(1星级-5星级),当过程定义质量的需求+设计比重大于或等于35%、***测试和确认测试阶段发现缺陷的几率同时小于10%的正向偏差大于或等于15%时,该过程定义分值为5,星级为5;当程定义质量的需求+设计比重大于或等于35%、***测试和确认测试阶段发现缺陷的几率同时小于或等于15%的正向偏差大于或等于5%时,该过程定义分值为4,星级为4;当程定义质量的需求+设计比重大于15%,小于25%、***测试和确认测试阶段发现缺陷的几率大于或等于15%,小于20%的标准偏差为±5%时,该过程定义分值为3,星级为3;当程定义质量的需求+设计比重小于15%、***测试和确认测试阶段发现缺陷的几率大于或等于20%的负向偏差大于或等于5%时,该过程定义分值为2,星级为2;当程定义质量的需求+设计比重小于或等于5%、***测试和确认测试阶段发现缺陷的几率大于或等于30%的负向偏差大于或等于15%时,该过程定义分值为1,星级为1;并通过代码行或功能点预测出各过程定义所产生的缺陷数。资源与进度主要包括:测试环境、工作年限、投入精力、效率偏差,该数据主要以“工作量估算”的数据为准。缺陷综合收敛图主要包括:预测总缺陷的缺陷数。
所述总质量星级根据其分值定义为0-5星六个级别,当总质量分值大于或等于4.6时,该总质量星级为5;当总质量分值小于4.6,大于3.6时,该总质量星级为4;当总质量分值小于或等于3.6,大于或等于2.6时,该总质量星级为3;当总质量分值小于2.6,大于或等于1.6时,该总质量星级为2;当总质量分值小于或等于1.6,大于或等于0.4时,该总质量星级为1;当总质量分值小于0.4时,该总质量星级为0。
而产品质量评估其特征中同样包括人力资源、工作效率、测试环境、需求或缺陷及其分解的功能点和用例数等,在此不做赘述。
综上所述,本发明所提供的软件质量的检测方法,其根据产品规模、人力等信息自动评估出软件检测所需的工作量,根据工作量信息选择合适的准出准则和生命周期,对该产品进行质量预测和评估,且自动输出测评报告;在产品的检测过程中,能实时监控整个检测阶段产品的质量情况,以便能科学、准确的检测出产品的质量。
以上所述,对于本领域的普通技术人员来说,可以根据本发明的技术方案和技术构思作出其他各种相应的改变和变形,而所有这些改变和变形都应属于本发明权利要求的保护范围。
Claims (10)
1.一种软件质量的检测方法,其特征在于,包括如下步骤:
步骤1、用户终端通过网络向评估终端发送软件质量检测请求;
步骤2、评估终端响应请求;
步骤3、运行工作量估算模块,其包括如下步骤:
步骤3.1、初始化工作量基础数据,所述工作量基本数据信息包括人力资源、工作效率、测试环境、需求或缺陷及其分解的功能点及用例数;
步骤3.2、录入工作量估算信息,所述工作量估算信息包括版本基本信息、人力资源信息、版本所涉及到的需求和缺陷、用例设计和执行信息;
步骤3.3、估算各阶段工作量;
步骤3.4、结合产品测试过程中存在的风险修正系数,对各工作量估算数据进行修正及说明,所述工作量估算数据的修正方法为替换工作量估算数据,其先取页面组件值并组装成JSON格式数据,再通过Ajax调用后台替换工作量估算方法,并返回操作状态,根据返回操作状态给出相应的友好提示信息;
步骤3.5、保存工作量信息,判断是否有必填项为空,如果是,给出相应提示;如果否,则保存工作量估算信息并执行下一步骤;
步骤3.6、结束工作量估算模块;
步骤4、运行质量预测模块,其包括如下步骤:
步骤4.1、在后台数据库中查询预测质量初始化信息,该预测质量初始化信息包括准出准则原型数据、过程定义数据、资源与进度数据、及***配置数据,所述过程定义主要包括:需求阶段、设计阶段、编码阶段、集成测试阶段、***测试阶段和确认测试阶段,所述资源与进度数据主要包括:测试环境、工作年限、投入精力、效率偏差,该数据主要以上述工作量估算数据为准;
步骤4.2、判断上述查询预测质量初始化信息是否为空,如果否,则并将该些数据组装成JSON格式,如果是,则以预测质量初始化信息ID为外键,增加准出准则原型数据、过程定义数据、及资源与进度数据;
步骤4.3、计算质量预测总缺陷数并分布到过程定义各阶段中;
步骤4.4、以***配置的准出准则数据计算出准出准则质量星级,并输出BUG综合收敛图;
步骤4.5、遍历过程定义中选择的需求与设计权重,***测试与确认测试权重,计算过程定义质量星级;
步骤4.6、通过公式:总分=准出准则分值*80%+过程定义分值*20%-风险修正系数,计算预测总质量星级;
步骤4.7、保存质量预测信息,并结束质量预测模块;
步骤5、运行质量评估模块,其包括如下步骤:
步骤5.1、在后台数据库中查询质量评估初始化数据,该质量评估初始化数据包括准出准则原型数据、实际模型过程定义数据、资源与进度数据、及查询***配置数据;
步骤5.2、查询实际缺陷数并分布到过程定义各阶段中;
步骤5.3、以***配置的准出准则数据,填写准出准则模型中各项指标达成情况和BUG综合收敛图的收敛情况;
步骤5.4、遍历实际过程定义中选择的需求与设计权重,***测试与确认测试权重,查询实际数据与***参数设置的数据,计算实际过程定义质量星级;
步骤5.5、通过公式:总分=准出准则分值*80%+过程定义分值*20%,计算总质量星级;
步骤5.6、保存质量评估信息,并结束质量评估模块;
步骤6、评估终端生成测评报告,并将该测评报告通过网络发送到用户终端。
2.如权利要求1所述的软件质量的检测方法,其特征在于,所述步骤3.2通过调用queryProjectName()及queryProjectVersion()实现项目名称及版本数据的录入;通过调用addEvaluteWorkLoad()实现工作量估算数据的添加;所述步骤3.3通过调用calculateValue()实现;所述步骤3.4通过调用coverEvaluteWorkload()实现工作量估算数据的替换。
3.如权利要求1所述的软件质量的检测方法,其特征在于,所述步骤4.1通过调用queryProjectName(),queryProjectVersion()实现项目名称及版本数据的录入,通过调用addModeTable()、addProcessTable()、addResSchedule()及querySysParameter()实现初始化数据的查询与添加;所述步骤4.2通过调用addForecastQuality()实现质量预测数据的添加;所述步骤4.3通过调用calculateValue()实现;所述步骤4.4通过调用addJqplot()实现BUG综合收敛图的输出;所述步骤4.5通过调用calcProcssValue()实现;所述步骤4.6通过调用calcVerQuality()实现预测总质量的计算。
4.如权利要求1所述的软件质量的检测方法,其特征在于,所述步骤4.1中需求阶段包括用户需求、软件需求规格;设计阶段包括概要、详细;测试阶段包括单元、集成、***、确认。
5.如权利要求1所述的软件质量的检测方法,其特征在于,所述步骤5.1通过调用addModeTable()、addProcessTable()、addResSchedule()及querySysParameter()实现质量评估初始化数据的查询与添加;所述步骤5.2通过调用calculateValue()实现;所述步骤5.3通过调用addJqplot()实现BUG综合收敛图的输出所述步骤5.4通过调用calcProcssValue()实现;所述步骤5.5通过调用calcVerQuality()实现预测总质量的计算。
6.如权利要求1所述的软件质量的检测方法,其特征在于,所述准出准则主要包括:BUG曲线收敛模型、BUG热点追踪模型、BUG历史记录刷新模型、特定BUG修正模型、集团规定标准达标、检查项预订模型、及非功能性评价达标,其根据模型中自定义指标中的达标指标,对模型进行组合,定义为1-5星五个级别,当BUG曲线收敛模型、BUG热点追踪模型、BUG历史记录刷新模型、及非功能性评价达标为必选项,其余任选时,该准出准则分值为5分,星级为5星;当BUG曲线收敛模型、BUG热点追踪模型、及非功能性评价达标为必选项,其余任选时,该准出准则分值为4分,星级为4星;当BUG曲线收敛模型、BUG热点追踪模型为必选项,其余任选时,该准出准则分值为3分,星级为3星;当BUG曲线收敛模型为必选项,其余任选时,该准出准则分值为2分,星级为2星;当所有模型都为任选时,该准出准则分值为1分,星级为1星。
7.如权利要求1所述的软件质量的检测方法,其特征在于,所述过程定义质量根据分值及占比,定义为1-5星五个级别,当过程定义质量的需求+设计比重大于或等于35%、***测试和确认测试阶段发现缺陷的几率同时小于10%的正向偏差大于或等于15%时,该过程定义分值为5,星级为5;当程定义质量的需求+设计比重大于或等于35%、***测试和确认测试阶段发现缺陷的几率同时小于或等于15%的正向偏差大于或等于5%时,该过程定义分值为4,星级为4;当程定义质量的需求+设计比重大于15%,小于25%、***测试和确认测试阶段发现缺陷的几率大于或等于15%,小于20%的标准偏差为±5%时,该过程定义分值为3,星级为3;当程定义质量的需求+设计比重小于15%、***测试和确认测试阶段发现缺陷的几率大于或等于20%的负向偏差大于或等于5%时,该过程定义分值为2,星级为2;当程定义质量的需求+设计比重小于或等于5%、***测试和确认测试阶段发现缺陷的几率大于或等于30%的负向偏差大于或等于15%时,该过程定义分值为1,星级为1。
8.如权利要求1所述的软件质量的检测方法,其特征在于,所述BUG综合收敛图主要包括预测总BUG数、实际总BUG和致重BUG曲线图。
9.如权利要求1所述的软件质量的检测方法,其特征在于,所述总质量星级根据其分值定义为0-5星六个级别,当总质量分值大于或等于4.6时,该总质量星级为5;当总质量分值小于4.6,大于3.6时,该总质量星级为4;当总质量分值小于或等于3.6,大于或等于2.6时,该总质量星级为3;当总质量分值小于2.6,大于或等于1.6时,该总质量星级为2;当总质量分值小于或等于1.6,大于或等于0.4时,该总质量星级为1;当总质量分值小于0.4时,该总质量星级为0。
10.如权利要求1所述的软件质量的检测方法,其特征在于,所述后台数据库包括:准出准则数据、过程定义数据及用户终端根据自身需求增加的项目名称数据、版本号数据及与该项目名称、版本号对应的工作量估算数据、质量预测数据及质量评估数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110448605.3A CN102446135B (zh) | 2011-12-28 | 2011-12-28 | 软件质量的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110448605.3A CN102446135B (zh) | 2011-12-28 | 2011-12-28 | 软件质量的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102446135A true CN102446135A (zh) | 2012-05-09 |
CN102446135B CN102446135B (zh) | 2014-06-04 |
Family
ID=46008642
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110448605.3A Active CN102446135B (zh) | 2011-12-28 | 2011-12-28 | 软件质量的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102446135B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104516815A (zh) * | 2013-09-30 | 2015-04-15 | 西门子公司 | 用于支持基于风险的测试的方法和装置 |
CN104978268A (zh) * | 2015-07-03 | 2015-10-14 | 上海沃恩信息科技有限公司 | 软件功能点实时自动化分析方法 |
CN105023100A (zh) * | 2015-07-17 | 2015-11-04 | 云南电网有限责任公司信息中心 | 针对平台软件的数据库与中间件非指标量化管理平台 |
CN105095747A (zh) * | 2014-04-15 | 2015-11-25 | 阿里巴巴集团控股有限公司 | 一种Java应用健康度评估方法及*** |
CN105205002A (zh) * | 2015-10-28 | 2015-12-30 | 北京理工大学 | 一种基于测试工作量的软件安全缺陷发现模型的建模方法 |
CN105488089A (zh) * | 2014-12-31 | 2016-04-13 | 哈尔滨安天科技股份有限公司 | 质量评估报告自动化生成方法与*** |
CN106648613A (zh) * | 2016-10-31 | 2017-05-10 | 中国银行股份有限公司 | 一种fpac功能点估算书自动生成方法及装置 |
CN108334448A (zh) * | 2018-01-22 | 2018-07-27 | 泰康保险集团股份有限公司 | 代码验证方法、装置及设备 |
CN110188046A (zh) * | 2019-05-31 | 2019-08-30 | 北京银企融合技术开发有限公司 | 研发质量的测评方法及装置 |
CN112506787A (zh) * | 2020-12-16 | 2021-03-16 | 北京机电工程研究所 | 基于测试结果的多维特性综合决策的软件质量评估方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05313881A (ja) * | 1992-05-14 | 1993-11-26 | Toshiba Corp | ソフトウェア品質評価装置およびソフトウェア品質評価方法 |
JP2004086319A (ja) * | 2002-08-23 | 2004-03-18 | Hitachi Information Systems Ltd | ソフトウェアの品質評価方法及び品質評価システム |
CN101599013A (zh) * | 2009-06-26 | 2009-12-09 | 中国科学院软件研究所 | 一种基于缺陷驱动的迭代项目量化监控方法及其*** |
-
2011
- 2011-12-28 CN CN201110448605.3A patent/CN102446135B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05313881A (ja) * | 1992-05-14 | 1993-11-26 | Toshiba Corp | ソフトウェア品質評価装置およびソフトウェア品質評価方法 |
JP2004086319A (ja) * | 2002-08-23 | 2004-03-18 | Hitachi Information Systems Ltd | ソフトウェアの品質評価方法及び品質評価システム |
CN101599013A (zh) * | 2009-06-26 | 2009-12-09 | 中国科学院软件研究所 | 一种基于缺陷驱动的迭代项目量化监控方法及其*** |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104516815A (zh) * | 2013-09-30 | 2015-04-15 | 西门子公司 | 用于支持基于风险的测试的方法和装置 |
CN105095747B (zh) * | 2014-04-15 | 2019-04-09 | 阿里巴巴集团控股有限公司 | 一种Java应用健康度评估方法及*** |
CN105095747A (zh) * | 2014-04-15 | 2015-11-25 | 阿里巴巴集团控股有限公司 | 一种Java应用健康度评估方法及*** |
CN105488089A (zh) * | 2014-12-31 | 2016-04-13 | 哈尔滨安天科技股份有限公司 | 质量评估报告自动化生成方法与*** |
CN104978268A (zh) * | 2015-07-03 | 2015-10-14 | 上海沃恩信息科技有限公司 | 软件功能点实时自动化分析方法 |
CN104978268B (zh) * | 2015-07-03 | 2017-12-05 | 上海沃恩信息科技有限公司 | 软件功能点实时自动化分析方法 |
CN105023100A (zh) * | 2015-07-17 | 2015-11-04 | 云南电网有限责任公司信息中心 | 针对平台软件的数据库与中间件非指标量化管理平台 |
CN105205002A (zh) * | 2015-10-28 | 2015-12-30 | 北京理工大学 | 一种基于测试工作量的软件安全缺陷发现模型的建模方法 |
CN105205002B (zh) * | 2015-10-28 | 2017-09-29 | 北京理工大学 | 一种基于测试工作量的软件安全缺陷发现模型的建模方法 |
CN106648613A (zh) * | 2016-10-31 | 2017-05-10 | 中国银行股份有限公司 | 一种fpac功能点估算书自动生成方法及装置 |
CN106648613B (zh) * | 2016-10-31 | 2019-11-29 | 中国银行股份有限公司 | 一种fpac功能点估算书自动生成方法及装置 |
CN108334448A (zh) * | 2018-01-22 | 2018-07-27 | 泰康保险集团股份有限公司 | 代码验证方法、装置及设备 |
CN110188046A (zh) * | 2019-05-31 | 2019-08-30 | 北京银企融合技术开发有限公司 | 研发质量的测评方法及装置 |
CN112506787A (zh) * | 2020-12-16 | 2021-03-16 | 北京机电工程研究所 | 基于测试结果的多维特性综合决策的软件质量评估方法 |
CN112506787B (zh) * | 2020-12-16 | 2024-06-11 | 北京机电工程研究所 | 基于测试结果的多维特性综合决策的软件质量评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102446135B (zh) | 2014-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102446135B (zh) | 软件质量的检测方法 | |
CN106549772B (zh) | 资源预测方法、***和容量管理装置 | |
CN103530347B (zh) | 一种基于大数据挖掘的互联网资源质量评估方法及*** | |
KR101648272B1 (ko) | 복합 이벤트 처리와 기계학습 기반의 가정별 물 수요량 예측 및 누수 탐지방법 | |
US8340948B1 (en) | Fleet performance optimization tool for aircraft health management | |
CN106803799B (zh) | 一种性能测试方法和装置 | |
Endrerud et al. | Marine logistics decision support for operation and maintenance of offshore wind parks with a multi method simulation model | |
CN109726865A (zh) | 基于emd-qrf的用户负荷概率密度预测方法、装置和存储介质 | |
US11906112B2 (en) | Methods for safety management of compressors in smart gas pipeline network and internet of things systems thereof | |
KR20220115357A (ko) | 어텐션 메커니즘 기반의 미래 수요 예측 데이터 생성방법 및 장치 | |
CN112700131B (zh) | 基于人工智能的ab测试方法、装置、计算机设备及介质 | |
CN108196957A (zh) | 一种云环境下的主机负载预测方法 | |
CN109194534A (zh) | 面向物联网设备群体的调度与管理方法 | |
US9170909B2 (en) | Automatic parallel performance profiling systems and methods | |
CN116882804A (zh) | 一种智能电力监控方法及*** | |
CN112595537B (zh) | 基于信号分析的设备健康状态监控方法、***及存储介质 | |
JP2014081878A (ja) | 意思決定支援システム及び方法 | |
Nigam et al. | Sales forecasting using Box Jenkins method based ARIMA model considering effect of COVID-19 pandemic situation | |
CN108805597B (zh) | 模型构建方法及装置、数据报表生成方法及装置 | |
JP2022084328A (ja) | 電力需要予測システム及び電力需要予測方法 | |
Chren | Towards multi-layered reliability analysis in smart grids | |
Rajkumar | Gauging Carbon Footprint of AI/ML Implementations in Smart Cities: Methods and Challenges | |
CN116070781B (zh) | 电能计量设备需求预测方法、装置和计算机设备 | |
CN117131791B (zh) | 一种基于大数据平台的模型评估方法、***和存储介质 | |
Smith | Achieving robust, science-based measurement, reporting and certification of carbon emissions through artificial intelligence and machine learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |