您的位置:软件测试 > 开源软件测试 > 开源Bug管理工具 >
量化项目管理案例:缺陷趋势预测利器(6)
作者:网络转载 发布时间:[ 2013/12/6 15:13:59 ] 推荐标签:

  通过预测监视,从图7和图8中可以看出,两条TS曲线的变化规律都很不明显,曲线的变化在一个特定的上下限范围之内的趋势也不是很明确,且也并不是在“0”上下移动,所以可以初步断定,对于我们给定的数据,用S型曲线拟合得到的模型的渐近值K值是不稳定的,换句话说,过去起作用的模型在未来的预测中反而变得无效。

  通过对K值的趋势和TS的变化进行实验分析得出,根据我们所给出的项目数据得出的K值是不断变化的,要根据数据的更新不断的更新模型的K值,而不是永远的使用单一的K值。

  由以上这个例子,我们想说明的是,趋近值K值是否稳定,并不是单靠观察数据能得出来的,而是需要通过实验具体分析。而这节给出的分析方法,到目前为止,是考量K值是否稳定的较为常用的方法。

  下面给出一个较为不同的例子。使用的数据来自于另一项目每周发现的缺陷数。如图9所示,图中的曲线是利用Gompertz模型拟合后得到的K值的趋势变化情况。

图9 每周发现缺陷数用Gompertz曲线模型拟合后的K值变化

  从图9可以看到这样一种与之前那个例子不同的情况。在这个例子中,K值的变化并非遵循着指数模型或其它非线性模型的变化趋势;K值也同样不是以类似水平直线的形状稳定发展,而是以1200.0(近似)为中心,趋势由震荡—>趋于平稳,震荡的幅度由大幅震荡逐步减小,一直趋近于震荡的中心值(1200.0)。单纯的从理论上看,这可能是一种较好的结果,K值的变化逐步减小 ,终趋近于一个稳定值,这样,我们可以得到我们想计算得出的稳定的参数K。然而从实践中来看 ,我们这组实验有着一定的局限性,其中重要的,是用于预测的数据量较少(这个例子中仅有12个数据),这样的情况下,得到的结果可能是局部的,后期的发展可能并不遵循一样的规律。

  这里我们想传达一种观点:K值稳定性的预测是S型曲线模型的一个重要方面。在缺陷预测中,知道了K值,也知道了终会出现多少缺陷 ,从而得出目前还没有发现多少缺陷,软件是否可以发布 。如果K值是稳定的,那么可以尽早的知道终的缺陷数;如果K值是不稳定的,则需要对历史数据进行多次的拟合,以找到合适的数据,甚至可能更新或更换选择的模型。

  所以,在利用S型曲线模型进行缺陷的预测时,应当同时对K进行分析,从而得出更准确的结果。

  到这里为止,关于K值稳定性的讨论暂时告一段落了。不知道大家都有些什么看法,欢迎留言~

相关链接:
上一页12345下一页
软件测试工具 | 联系我们 | 投诉建议 | 诚聘英才 | 申请使用列表 | 网站地图
沪ICP备07036474 2003-2017 版权所有 上海泽众软件科技有限公司 Shanghai ZeZhong Software Co.,Ltd