基于三层知识模型的软件缺陷管理系统

发布时间：2022-02-09 16:47

　　目前的缺陷分析还是基于数据层面分析与预测,对软件测试工作的价值贡献受到局限;文章设计了一种基于三层知识模型的软件缺陷管理系统;通过把知识库的结构引入到软件缺陷管理中,把缺陷分析从数据管理层面提升为知识管理层面;通过事实知识层、中间层、策略层三层知识库结构对软件开发测试过程中产品产生的技术数据、管理过程数据进行采集沉淀,提取软件缺陷预测规则,并生成能指导软件测试工作的策略报告;有助于从根本上提升软件测试工作水平和效率。 

【文章来源】：计算机测量与控制. 2020,28(01)

【文章页数】：4 页

【部分图文】：

系统功能模块图

基于知识共享的测试交互流程图

从事实知识到规则知识需要经过机器学习算法进行数据挖掘。数据挖掘的流程包括数据预处理、机器学习、规则抽取、规则评估、规则入库等5个步骤。第一步：数据预处理就是把事实知识数据库的数据进行加工处理成机器学习算法所要求的数据输入格式。事实知识数据库的数据包括测试历史数据、缺陷历史数据（Software Defect Manegement Data）、项目管理数据（project management data,PMD）、客户关系管理数据（customer relationship management data,CRMD）。测试历史数据主要包括测试用例、测试人员，缺陷历史数据记录着软件测试工作测试出的缺陷相关信息，包括被测软件项目信息、测试人员信息、测试用例数据、缺陷相关数据。项目管理数据包括项目描述数据、开发人员数据、开发过程数据、需求文档、设计规范文档、源代码数据。客户关系管理数据，软件开发方公司相关数据。这些数据处理成由缺陷标识字段与属性字段组成的数据表。

【参考文献】：
期刊论文
[1]基于多核字典学习的软件缺陷预测[J]. 王铁建,吴飞,荆晓远.  计算机科学. 2017(12)
[2]基于主成分分析法的人工免疫识别软件缺陷预测模型研究[J]. 朱朝阳,陈相舟,闫龙,张信明.  计算机科学. 2017(S1)
[3]数据驱动的软件缺陷预测研究综述[J]. 李勇,黄志球,王勇,房丙午.  电子学报. 2017(04)
[4]深度信念网软件缺陷预测模型[J]. 甘露,臧洌,李航.  计算机科学. 2017(04)
[5]基于组合机器学习算法的软件缺陷预测模型[J]. 傅艺绮,董威,尹良泽,杜雨晴.  计算机研究与发展. 2017(03)
[6]基于二次学习的半监督字典学习软件缺陷预测[J]. 张志武,荆晓远,吴飞.  模式识别与人工智能. 2017(03)
[7]基于遗传蚁群算法的测试用例集约简[J]. 华丽,王成勇,谷琼,程虹.  工程数学学报. 2012(04)
[8]基于谓词抽象的测试用例约简生成方法[J]. 郭曦,张焕国.  通信学报. 2012(03)
[9]测试用例集启发式约简算法分析与评价[J]. 游亮,卢炎生.  计算机科学. 2011(12)
[10]一种面向测试需求部分覆盖的测试用例集约简技术[J]. 顾庆,唐宝,陈道蓄.  计算机学报. 2011(05)



本文编号：3617332