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.
- 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
- 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
- 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
- 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
- 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–
- 320. https://doi.org/10.1007/s11633-019-1214-7
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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