本發(fā)明涉及軟件工程領(lǐng)域，特別涉及一種基于統(tǒng)計模型的軟件復用度分析方法。

背景技術(shù)：

1、隨著汽車產(chǎn)業(yè)的高速發(fā)展，“軟件定義汽車”已被視為推動汽車產(chǎn)業(yè)向智能化、網(wǎng)聯(lián)化轉(zhuǎn)型的關(guān)鍵力量。對于整車企業(yè)及相關(guān)供應鏈來說，軟件的研發(fā)成本、運行效率、安全要求等也在迅速提升，以應對越來越激烈的市場競爭。在這個背景下，汽車軟件的規(guī)模和復雜性都在急速攀升，相應在汽車軟件的質(zhì)量上也必然面臨巨大的挑戰(zhàn)。

2、影響軟件質(zhì)量的因素有很多，其中軟件復用與軟件質(zhì)量就存在密切的關(guān)系。軟件復用是指在軟件開發(fā)過程中，利用已開發(fā)完成的、經(jīng)過充分驗證的軟件組件或模塊來構(gòu)建新的軟件系統(tǒng)，以提高開發(fā)效率和軟件質(zhì)量。通過軟件復用，可以縮減軟件開發(fā)和維護的花費，是提高軟件生產(chǎn)力和質(zhì)量的一種重要技術(shù)?？蓮陀玫能浖啾炔荒軓陀玫能浖懈嗟馁|(zhì)量保障，因為復用程度的提高意味著效能的提高，也意味著被復用結(jié)構(gòu)體的影響范圍擴大，對其代碼質(zhì)量要求也會提升。

3、因此，無論從成本還是質(zhì)量方面考慮，軟件復用在高速發(fā)展的汽車電子領(lǐng)域，無疑都是極其重要的組成部分。但是，想要讓軟件復用在項目實踐中取得真正的成效，切實可靠地提升開發(fā)效率和軟件質(zhì)量，還是非常困難的。尤其是在“軟件模塊復用于目標項目的質(zhì)量預測”(后文簡稱為“軟件復用度”)分析方面，業(yè)內(nèi)尚處于探索階段。

4、近年來，隨著人工智能領(lǐng)域的快速發(fā)展，關(guān)于人工神經(jīng)網(wǎng)絡(luò)技術(shù)的研究和應用也在不斷發(fā)展，依靠bp等神經(jīng)網(wǎng)絡(luò)讓軟件質(zhì)量的預測成為可能，但對該領(lǐng)域的研究形成阻力的挑戰(zhàn)仍有很多，其中最重要的一點，就是軟件模塊與實際項目軟件質(zhì)量的關(guān)聯(lián)數(shù)據(jù)統(tǒng)計模型(后文簡稱為“復用統(tǒng)計模型”)設(shè)計。缺少了足夠全面、可靠、可分析的復用統(tǒng)計模型，對軟件復用度的分析也就成了無根之木。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的是克服現(xiàn)有技術(shù)缺陷，提供一種基于統(tǒng)計模型的軟件復用度分析方法，根據(jù)整車電子架構(gòu)尤其是智能駕艙、智能網(wǎng)聯(lián)產(chǎn)品的特點，設(shè)計適用、可靠的復用統(tǒng)計模型基本結(jié)構(gòu)；在企業(yè)it系統(tǒng)及gerrit的支持下，設(shè)計相應的自動化數(shù)據(jù)管理程序，解決復用統(tǒng)計模型數(shù)據(jù)來源，以及相關(guān)自動化采集、存儲、管理問題，保證快速及有效地生成所需的數(shù)據(jù)矢量；最后，基于上述過程獲得目標的復用統(tǒng)計模型數(shù)據(jù)矢量集，完成對應預測模型的訓練，并使用預測模型完成對軟件復用度的分析。

2、本發(fā)明的目的是這樣實現(xiàn)的：一種基于統(tǒng)計模型的軟件復用度分析方法，包括以下步驟：

3、1)設(shè)計適用于智能駕艙、智能網(wǎng)聯(lián)系列產(chǎn)品項目的復用統(tǒng)計模型；

4、2)在企業(yè)it系統(tǒng)及gerrit中設(shè)計并植入自動化數(shù)據(jù)管理程序，統(tǒng)計gerrit內(nèi)項目履歷數(shù)據(jù)；

5、3)通過bp神經(jīng)網(wǎng)絡(luò)訓練預測模型，通過預測模型實現(xiàn)軟件復用度分析。

6、進一步的，所述步驟1)具體包括：根據(jù)項目經(jīng)驗和項目歷史數(shù)據(jù)，確定復用統(tǒng)計模型中的核心元素數(shù)據(jù)；通過自動化工具采集和項目信息采集這兩種手段對八種核心元素數(shù)據(jù)進行采集，所述自動化工具采集是通過工具自動實施，對五種核心元素數(shù)據(jù)以“模塊”為單位進行采集；所述項目信息采集是手動實施，對于三種核心元素數(shù)據(jù)以“項目”為單位進行采集；

7、進一步的，所述五種核心元素數(shù)據(jù)包括模塊復用程度、模塊代碼變更行數(shù)、模塊代碼變更周期、模塊代碼故障率和模塊流程完成度；所述三種核心元素包括產(chǎn)品項目類型、軟件需求變更程度和軟件架構(gòu)變更程度。

8、進一步的，所述步驟2)具體包括：通過gerrit?query和python設(shè)計數(shù)據(jù)管理程序；用戶輸入表征項目的選項參數(shù)和固定格式的時間參數(shù)，通過python腳本傳遞參數(shù)，gerritquery命令獲取相關(guān)參數(shù)執(zhí)行命令行查詢gerrit數(shù)據(jù)庫，返回json格式數(shù)據(jù){x}，python腳本處理json數(shù)據(jù)，按照模板格式導出excel數(shù)據(jù)表。

9、進一步的，所述gerrit?query命令是以changes數(shù)據(jù)庫中updated的時間tupdated為查詢標準，gerrit?changes數(shù)據(jù)庫會記錄gerrit頁面內(nèi)對提交內(nèi)容的所有操作，并記錄頁面操作時間；當gerrit頁面對單筆提交進行merge操作，即submit入庫，gerrit?changes數(shù)據(jù)庫會以“change?has?been?successfully?merged”典型字符，即mmerged標識merge操作，并記錄操作時間mtime；通過提取數(shù)據(jù)庫內(nèi)的mtime，若mtime∈[sincetime，beforetime]，則該單筆merged態(tài)數(shù)據(jù)為有效數(shù)據(jù)。

10、進一步的，所述步驟3)具體包括：

11、3-1)對復用統(tǒng)計元素進行權(quán)重計算，將各個復用統(tǒng)計元素的評價等級按照要求進行劃分，對由不同樣本計算的各平均值或方差進行檢驗，并將完成一致性檢驗的數(shù)據(jù)進行歸一化處理；

12、3-2)復用預測模型的建立：對數(shù)據(jù)模糊化處理，將軟件復用度分為較高、高、中等、低、較低這五種類型；對復用度指標體系的準則層使用模糊綜合評價進行歸一化處理后，通過建立自我學習的數(shù)據(jù)樣本，將模糊化后的樣本數(shù)據(jù)輸入bp神經(jīng)網(wǎng)絡(luò)；利用bp神經(jīng)網(wǎng)絡(luò)建立自主學習模型來進行數(shù)據(jù)訓練。

13、進一步的，所述步驟3-1)具體包括：

14、首先將各個復用統(tǒng)計元素的評價等級按照下表進行劃分：

15、 等級 定義 1 x與y同樣重要 3 x比y稍微重要 5 x比y重要 7 x比y重要得多 9 x比y絕對重要 2、4、6、8 介于以上判斷中間

16、評價人員通過對各指標的互相比對，從而得到準則層的判斷矩陣a；

17、

18、其中，n是指標體系中準則層的指標個數(shù)，aij是兩個指標之間相互比較得出的重要等級，同理準則層，方案層的判斷矩陣也能通過該計算獲??；

19、計算出所有判斷矩陣的最大特征值和相應的特征向量，然后對所得的每個判斷矩陣都需要進行一致性檢測；

20、通過公式計算得出一致性對比率的結(jié)果cr，從而對矩陣的一致性進行檢驗；其中，λmax是最大特征值，n是矩陣維數(shù)，ci為一致性指標，ri是平均隨機一致性指標，ri指標的取值范圍下表所示：

21、 n 1 2 3 4 5 6 7 r1 0 0 0.58 0.89 1.12 1.24 1.32

22、如果cr<0.1即通過一致性檢驗的要求，反之即需要重新構(gòu)造新的判斷矩陣來滿足一致性檢驗；

23、歸一化處理：將數(shù)據(jù)轉(zhuǎn)換為0到1之間的小數(shù)，根據(jù)上述復用性評價體系的層次順序，依次從最底層到最高層，根據(jù)判斷矩陣計算出每一層的最大特征值，然后再進行一致性檢驗，通過檢驗后再對其進行歸一化處理得出各層級的權(quán)重系數(shù)。

24、進一步的，步驟3-2)中所述對數(shù)據(jù)模糊化處理具體包括：

25、建立模糊集合：根據(jù)軟件復用度的影響因素建立可復用度評價指標集u＝{u1,u2,…,un}和指標的評價集v＝{v1,v2,…,vm}；

26、建立隸屬度矩陣：如果有a位專家對指標集u＝{u1,u2,…,un}進行綜合評價，其中有b名專家對ui，i＝1,2,…n給出的評價等級都為vi，則認定它的隸屬度為其中i，j分別指代的就是矩陣的元素定位，i取值范圍是1-n，j取值范圍是1-m，所以隸屬矩陣

27、建立權(quán)重集合：通過構(gòu)建的軟件復用度的各層級逐一分析再進行歸一化處理計算得出的權(quán)重系數(shù)來建立權(quán)重集合w＝{ω1,ω2,…,ωm}；

28、計算綜合隸屬度向量：通過公式計算得出綜合隸屬度向量，其中ωj代表權(quán)重集合w中對應的第j位集合元素，代入公式進行計算，以此作為bp神經(jīng)網(wǎng)絡(luò)的輸入層數(shù)據(jù)。

29、進一步的，步驟3-2)中所述bp神經(jīng)網(wǎng)絡(luò)包括：輸入層、隱藏層和輸出層；將復用度指標計算出來的權(quán)重輸入進輸入層，然后經(jīng)前向傳播到隱含層，經(jīng)過數(shù)據(jù)處理后再傳遞進入輸出層。

30、進一步的，步驟3-2)中所述利用bp神經(jīng)網(wǎng)絡(luò)建立自主學習模型來進行數(shù)據(jù)訓練具體包括：選取函數(shù)作為激活函數(shù)，依據(jù)軟件復用度評價指標的方案層，將x1、x2、…、xn作為輸入層神經(jīng)元，然后調(diào)節(jié)各輸入量所占比重的權(quán)值，選擇最方便的線性加權(quán)求和的方式得到神經(jīng)元凈輸入然后將net代入sigmoid激活函數(shù)中得到第j個神經(jīng)元的激活函數(shù)為其中θj為閾值，不斷修改各神經(jīng)元的權(quán)重找到最佳激活函數(shù)；

31、通過kolmogorov定理來計算隱含層的神經(jīng)元個數(shù)，其中m是輸入層神經(jīng)元個數(shù)，n為輸出層神經(jīng)元個數(shù)，α為1-10之間的常數(shù)；訓練過程中采用梯度下降訓練函數(shù)沿著參數(shù)負梯度方向不斷調(diào)整神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，通過多次數(shù)據(jù)訓練，從而獲得最佳收斂網(wǎng)絡(luò)進行預測。

32、本發(fā)明采用以上技術(shù)方案，與現(xiàn)有技術(shù)相比，有益效果為：(1)設(shè)計了更適用于智能駕艙、智能網(wǎng)聯(lián)系列產(chǎn)品項目的復用統(tǒng)計模型，讓軟件模塊在復用過程中的可行性、質(zhì)量、成本等因素有了頗具參考價值的評估方法；

33、(2)在企業(yè)it系統(tǒng)及gerrit中，設(shè)計相應的自動化數(shù)據(jù)管理程序，解決復用統(tǒng)計模型數(shù)據(jù)來源，以及相關(guān)自動化采集、存儲、管理問題，保證快速及有效地生成所需的數(shù)據(jù)矢量；用于解決數(shù)據(jù)來源的即時性、可靠性等管理問題。

34、(3)基于上述過程獲得目標的復用統(tǒng)計模型數(shù)據(jù)矢量集，完成對應預測模型的訓練，并使用預測模型完成對軟件復用度的分析，為汽車軟件研發(fā)團隊對軟件模塊的選用、迭代、甚至重構(gòu)等工作提供有價值的指導意見。