Принципи створення багато-цільових моделей якості програмних систем

2024;
: cc. 115 - 133
Автори:
1
Державний університет інформаційно-комунікаційних технологій, кафедра штучного інтелекту

Запропоновано на математичному рівні оригінальний підхід до створення багатоцільових моделей якості програмних систем (ПС). Основа дослідження – вивчення та узагальнення тенденцій моделювання якості ПС та потреб користувачів з метою визначення оптимальних принципів побудови таких моделей. У статті подано математичні пояснення, які відіграють ключову роль у виявленні та формалізації принципів створення багатоцільових моделей якості програмного забезпечення (ПЗ). Важливим аспектом є розгляд принципів побудови моделей якості на математичному рівні, що уможливлює точніші оцінювання та аналіз різних аспектів якості ПЗ. Результати дослідження вказують на те, що врахування математичних принципів під час створення багатоцільових моделей якості ПС може забезпечити вагомий практичний внесок. Встановлено, що на практичному рівні розроблення багатоцільових моделей якості ПС врахування принципів створення багатоцільових моделей якості ПС може мати  доволі численні практичні наслідки. Зокрема, застосування метрик у встановлених принципах дає змогу забезпечити комплексний погляд на якість ПС та визначити сфери, які потребують уваги та покращень. Це допомагає розробникам та інженерам із управління якістю ПЗ приймати обґрунтовані рішення щодо поліпшення та оптимізації систем. Дослідження показало, що створення високоякісних моделей якості потребує уваги до різних аспектів, від потреб користувачів до тестування та постійного вдосконалення, а також використання математичних методів для їх формалізації та аналізу. Розроблені принципи створення багатоцільових моделей якості на рівні математичних моделей дають змогу використовувати ці моделі для оцінювання та аналізування різних аспектів якості ПС, представляючи кожну модель за допомогою відповідної функції, яка визначає залежність між метрикою якості та самою якістю ПС. Очікують, що подальший розвиток та впровадження цих принципів сприятимуть покращенню процесів розроблення програмних продуктів та забезпечить високу якість результуючого ПЗ.

  1. Abbas, S., Aftab, S., Adnan Khan, M., M. Ghazal, T., Al Hamadi, H., & Yeob Yeun, C. (2023). Data and Ensemble Machine Learning Fusion Based Intelligent Software Defect Prediction System. Computers, Materials & Continua, 75(3), 6083–6100. https://doi.org/10.32604/cmc.2023.037933
  2. Aftab, S., Abbas, S., Ghazal, T. M., Ahmad, M., Hamadi, H. A., Yeun, C. Y., & Khan, M. A. (2023). A cloud-based   software   defect   prediction   system   using   data   and   decision-level    machine    learning fusion. Mathematics, 11(3), 632. https://doi.org/10.3390/math11030632
  3. Arcos-Medina, G., & Mauricio, D. (2020). The influence of the application of agile practices in software quality based on ISO/IEC 25010 standard. International Journal of Information Technologies and Systems Approach, 13(2), 27–53. https://doi.org/10.4018/ijitsa.2020070102
  4. Azar, D., Harmanani, H., & Korkmaz, R. (2009). A hybrid heuristic approach to optimize rule-based software      quality      estimation      models. Information      and      Software      Technology, 51(9),       1365– 1376.    https://doi.org/10.1016/j.infsof.2009.05.003
  5. Bharathi, R., & Selvarani, R. (2020). Hidden markov model approach for software reliability estimation with        logic        error. International        Journal        of        Automation        and        Computing, 17(2),        305–
  6. 320.    https://doi.org/10.1007/s11633-019-1214-7
  7. Chu, Y., & Xu, S. (2007). Exploration of complexity in software reliability. Tsinghua Science  and Technology, 12(S1), 266–269. https://doi.org/10.1016/s1007-0214(07)70122-0
  8. F. El-Sofany, H., A. Taj-Eddin, I., El-Hoimal, H., Al-Tourki, T., & Al-Sadoon, A. (2013). Enhancing software quality by an SPL testing based software testing. International Journal of Computer Applications, 69(6), 5– 13. https://doi.org/10.5120/11844-7574
  9. Foidl, H., & Felderer, M. (2016). Integrating software quality models into risk-based testing. Software Quality Journal, 26(2), 809–847. https://doi.org/10.1007/s11219-016-9345-3
  10. Helander, M. E., Ming Zhao & Ohlsson, N. (1998).  Planning  models  for  software  reliability  and cost. IEEE Transactions on Software Engineering, 24(6), 420–434. https://doi.org/10.1109/32.689400
  11. Janes, A., Scotto, M., Pedrycz, W., Russo, B., Stefanovic, M., & Succi, G. (2006). Identification of defect-prone classes in telecommunication software systems using design metrics. Information Sciences, 176(24), 3711–3734.    https://doi.org/10.1016/j.ins.2005.12.002
  12. Jones, C. B., & Randell, B. The role of structure: A dependability perspective. У Structure for dependability:   Computer-based   systems    from    an    interdisciplinary    perspective (с. 3–15).    Springer- Verlag.    https://doi.org/10.1007/1-84628-111-3_1
  13. Letichevsky, A., Kapitonova, J., Letichevsky, A., Volkov, V., Baranov, S., & Weigert, T. (2005). Basic protocols, message sequence charts, and the verification of requirements specifications. Computer Networks, 49(5), 661–675.    https://doi.org/10.1016/j.comnet.2005.05.005
  14. Long, Z. (2018). Research on the quality assurance method of spacecraft software based on software testing. Science Discovery, 6(1), 52. https://doi.org/10.11648/j.sd.20180601.19
  15. Malik, V., & Singh, S. (2017). Tools, strategies & models for incorporating software quality assurance in risk oriented testing. Oriental Journal of Computer Science and Technology, 10(3), 603–611. https://doi.org/10.13005/ojcst/10.03.08
  16. Nasar, M., Johri, P., & Chanda, U. (2014). Software testing resource allocation and release time problem: A review. International Journal of Modern Education and Computer Science, 6(2), 48–55. https://doi.org/10.5815/ijmecs.2014.02.7
  17. Pietrantuono, R. (2020). On the testing resource allocation problem: Research  trends  and perspectives. Journal of Systems and Software, 161, 110462. https://doi.org/10.1016/j.jss.2019.110462
  18. Sahu, K., & Srivastava, R. K. (2021). Predicting software bugs of newly and large datasets through a unified neuro-fuzzy approach: Reliability perspective. Advances in Mathematics: Scientific Journal, 10(1), 543– 555. https://doi.org/10.37418/amsj.10.1.54
  19. Samal, U., & Kumar, A. (2024). A neural network approach for software reliability prediction. International Journal of Reliability, Quality and Safety Engineering. https://doi.org/10.1142/s0218539324500098
  20. Shrivastava, A. K., Sharma, R., & Pham, H. (2022). Software reliability and cost models with warranty and life cycle. Proceedings of the Institution of Mechanical Engineers, Part O: Journal of Risk and Reliability, 1748006X2210762.     https://doi.org/10.1177/1748006x221076273
  21. Tankala, D. K. (2023). Learning based Software Defect Prediction. International Journal of Computational Intelligence Research (IJCIR), 19(1), 51–62. https://doi.org/10.37622/ijcir/19.1.2023.51-62
  22. Upadhyay, R., & Johri, P. (2013). Review on Software Reliability Growth Models and Software Release Planning. International Journal of Computer Applications, 73(12), 1–7. https://doi.org/10.5120/12790-9769
  23. Yu, L., &  Mishra, A. (2012). Experience in Predicting  Fault-Prone Software Modules Using Complexity Metrics. Quality Technology & Quantitative Management, 9(4), 421–434. https://doi.org/10.1080/16843703.2012.11673302