Абстрактный
В последнее время количество неудачных программных проектов увеличивается из-за отсутствия планирования и бюджетных ограничений. В связи с этим определение подходящей модели программного обеспечения с учетом факторов риска является обязательным. Поэтому в этом исследовании исследуются ключевые модели программного обеспечения, используемые в отрасли, посредством взаимодействия с экспертами по разработке программного обеспечения и обзора литературы. В этом исследовании были выбраны 15 стандартных показателей, где опрос проводился с помощью анкеты. Основными показателями производительности, которые были приняты во внимание, являются сеть, безопасность, программное обеспечение, машинное обучение, Интернет вещей и интерфейс прикладного программирования. Мы предложили новую структуру для полученного набора данных с помощью анкеты, в которой применялись классификаторы машинного обучения и выполнялись прогнозы рисков для каждой из идентифицированных программных моделей. Используя этот результат, менеджеры программных продуктов могут определить подходящую модель программного обеспечения в соответствии с требованиями к программному обеспечению, а также процентом прогнозирования риска.
Введение
Разработка программного продукта обычно заключается в создании программного обеспечения, эффективного для заказчика после ознакомления со всеми необходимыми требованиями. Чтобы достичь этого, заинтересованные стороны, вовлеченные в такие творческие области, взаимодействуют как можно больше раз, чтобы создавать эффективные результаты. В настоящее время существуют определенные модели программного обеспечения, которые в основном используются владельцами программных продуктов, менеджерами и разработчиками. Они используют как традиционные, так и передовые модели программного обеспечения в соответствии с требованиями к программному обеспечению.
В последние годы разработчики программного обеспечения сосредоточились на использовании конкретных методологий или моделей разработки программного обеспечения в отношении требований к программному продукту. После обзора литературы и обсуждения с отраслевыми экспертами были приняты во внимание следующие четыре модели. Это были методологии Waterfall, Incremental, Evolutionary и Agile.
Водопадная модель начинается с того, что заказчик указывает требования, а затем переходит к планированию, проектированию, кодированию, тестированию и развертыванию и, наконец, завершается постоянной поддержкой поставленного программного обеспечения. Чтобы пояснить, это происходит в ряде новых попыток разработки, где требования четко определены и в значительной степени последовательны.
Инкрементная модель предоставляет последовательность выпусков, известную как инкременты, которая предлагает функциональные возможности клиенту при доставке каждого инкремента. Он гарантирует поставку оборудованного продукта во время каждого шага. Преждевременные инкременты — это непокрытые версии конечного продукта; тем не менее, он состоит из способности, которая помогает пользователю, а также предлагает платформу для оценки пользователем.
Модели эволюционных процессов включают два типа, такие как прототипирование и спиральная модель. Прототипирование — это когда требования обсуждаются между заинтересованными сторонами и согласовываются, затем инициируется быстрый план и дизайн. Затем создается прототип, и заинтересованные стороны обсуждают отзывы, после чего требования уточняются для получения продукта с эффективным качеством. С другой стороны, спиральная модель упоминается как создатель модели процессов, ориентированной на риски, которая помогает в синхронизированном производстве программных систем с строгим программным обеспечением с участием многих заинтересованных сторон. Кроме того, он включает в себя два основных аспекта: один из них представляет собой циклический подход, который постепенно повышает уровень определения и интеграции системы, а также снижает степень риска на каждой из итераций. Далее следует группа контрольных точек для обеспечения уверенности заинтересованных сторон в жизнеспособной и общей удовлетворительной системе разъяснений [1].
Наконец, гибкие методологии, в которых основное внимание уделяется наиболее используемым методам в отрасли, экстремальному программированию и схватке. Экстремальное программирование, также известное как XP, включает в себя ценные методы разработки для получения согласия клиента. Эти практики сосредоточены на стабильной доставке программного обеспечения, противодействии изменениям, продуктивной командной работе и самоуправлении. Scrum состоит из простых методов управления, которые имеют умеренно ограниченные накладные расходы. Такие практики легко понять, но чрезвычайно сложно освоить в целом.
Чтобы соответствовать последним достижениям, таким как периферийные вычисления, Интернет вещей и машинное обучение, было бы чрезвычайно ценно, если бы существовала система для прогнозирования соответствующей модели программного обеспечения в соответствии с требованиями программного продукта. Оценка качества программного обеспечения важна, а также связана со сложностью ее достижения. По этой причине широко используются модели прогнозирования ошибок программного обеспечения. И наоборот, определение подходящей модели и объявление эффективной из различных доступных моделей зависит от факторов производительности [2].
В документе обсуждаются метрики и индикаторы, используемые вместе с этими моделями программного обеспечения для определения процента риска, что приводит к достижению успеха в процессе разработки программного обеспечения. Это достигается с помощью опроса данных, полученных от группы экспертов по разработке программного обеспечения с их опытом использования этих программных моделей. В соответствии с этим была создана система прогнозирования, в которой алгоритмы машинного обучения, такие как машина опорных векторов, k-ближайший сосед, искусственная нейронная сеть и случайный лес, были обучены прогнозировать модель программного обеспечения с соответствующими процентами риска.
Основные вклады этой статьи заключаются в следующем:
• Опрос с анкетой, состоящей из метрик и индикаторов для идентификации модели программного обеспечения.
• Сравнительный анализ различных моделей машинного обучения для классификации рисков
• Расчет процента риска на основе классификации риска для различных моделей программного обеспечения.
Остальная часть статьи оформлена следующим образом. Раздел II содержит подробный обзор литературы, относящейся к исследовательской работе. Описание анкеты опроса, метрик, индикаторов, архитектуры и подробностей о различных классификаторах машинного обучения, используемых в этой системе, представлены в Разделе III. Далее в Разделе IV разъясняется рабочая архитектура для обработки данных опроса и определения процента риска каждой модели программного обеспечения. Наконец, в разделе V приводится обсуждение результатов, полученных с помощью предложенной методики, за которой следует дальнейшая работа.
Литературное исследование
Обзор литературы был проведен с упором на статьи, в которых обсуждались различные программные модели с методологиями машинного обучения и прогнозированием рисков. В следующем сегменте рассказывается о различных статьях в этих областях.
В эту цифровую эпоху, когда все, что должно быть умным, а именно дом, электросеть, город, ставит задачу разработки программного обеспечения. Более того, с увеличением количества разнородных устройств, источников питания и потребителей важно, чтобы команда
Предлагаемая методология
В настоящее время жизненно важно использовать эффективную программную модель для разработки программного обеспечения, чтобы соответствовать ожиданиям потребителей. При этом существует множество моделей программного обеспечения, но группы разработчиков программного обеспечения часто используют выборочные модели в соответствии с установленными требованиями. С экспертами по разработке программного обеспечения из различных организаций связались и попросили заполнить приведенную ниже анкету. Анкета состоит из нескольких атрибутов, метрик и
Эмпирический анализ
В этой работе ответы, полученные от экспертов по разработке программного обеспечения, обрабатываются с помощью предложенной архитектуры для рекомендации эффективной модели программного обеспечения с прогнозированием риска использования для разработки программного обеспечения. Оценка риска играет ключевую роль в критических с точки зрения безопасности отраслях. И наоборот, он сталкивается с рядом общих проблем, в некоторой степени связанных с технологическими инновациями и возникающими требованиями. В этой статье авторы рекомендуют методику оценки рисков, основанную на машинном обучении [22].
Заключение и дальнейшая работа
Это исследовательское усилие представило структуру спекулятивного анализа для некоторых существующих моделей программного обеспечения. С помощью этой структуры было теоретически показано, как ансамбль комбинированных классификаторов может улучшить прогнозирование риска для предоставленных данных. Основываясь на прогнозировании рисков различных моделей программного обеспечения, заинтересованные стороны программного продукта могут принять решение о выборе соответствующей эффективной модели программного обеспечения. Это может привести к тому, что они определят модель программного обеспечения с минимальным риском.
Декларация о конкурирующих интересах
Дальнейшие исследования могут быть инициированы для определения методологии Agile, которая может быть эффективной для разработки программного обеспечения. Перефразируя, в Agile есть различные методы, такие как scrum, экстремальное программирование, бережливая разработка и разработка, ориентированная на функции. После идентификации набор данных может быть получен от экспертов по разработке программного обеспечения, после чего система прогнозирования может быть обучена эффективной гибкой методологии, обеспечивающей точные результаты программного обеспечения.
Гутхаман, П., получил степень бакалавра компьютерных наук в Университете Анны в 2005 г. и степень магистра информационных систем в Университете Балларата, Австралия, в 2010 г. С 2015 г. он работает доцентом в Школе вычислительной техники, СРМИСТ, Ченнаи. До этого он работал в ИТ-индустрии в качестве руководителя проекта, где его выдающийся вклад был оценен по достоинству. В настоящее время он получает докторскую степень в Школе вычислительной техники Института науки и технологий SRM в Ченнаи с тех пор.
Полезные ссылки
Калькулятор логарифмической гаммы
Калькулятор логарифмической гамма-коррекции
Нижний калькулятор неполных гамма-функций
Калькулятор верхних неполных гамма-функций
Регуляризованный калькулятор нижних неполных гамма-функций
Ссылки (28)
- Y. Wangи др. —Методы машинного обучения для управления прогнозированием рисков
- Н. Палтриниерии др. —Изучение рисков: машинное обучение для оценки рисков Saf Sci (2019)
- Y. Huи соавт. — Интегративная структура для интеллектуального планирования рисков программных проектов Decis Support Syst (2013)
- Т. Чоуи др. — Обзорное исследование критических факторов успеха в проектах гибкого программного обеспечения J Syst Softw (2008 г.)
- Р. С. Прессман, Программная инженерия: практика…
- М. Ризвани др. —Анализ показателей производительности классификатора, используемых в исследованиях прогнозирования ошибок программного обеспечения IEEE Access (2019)
- Э. Кюн, Многоразовые компоненты координации: надежная разработка совместных информационных систем, том. 25, нет. 04….
- С. Патили соавт. —Модель прогнозирования рисков проектирования требований к программному обеспечению Int J Comput Appl. (2014)
- К. Джонс — Показатели программного обеспечения: хороший, плохой и отсутствующий компьютер (Лонг, Бич, Калифорния). (1994)
- Д.М.Ф. Mattosи др. — Гибкая и эффективная инфраструктура виртуализации сетевых функций для Интернета вещей J Internet Serv Appl (2019 г.)
- Х.К. Damи др. —На пути к эффективному гибкому управлению проектами на базе ИИ
- А.К. Raiи др. —Идентификация индикаторов риска гибкого программного обеспечения и оценка вероятности возникновения риска проекта гибкой разработки программного обеспечения Int J Eng Technol Manag Appl Sci
- Q. Liи соавт. —Мониторинг рисков безопасности киберфизических энергосистем на основе алгоритма ансамблевого обучения IEEE Access (2019)
- Б.Г. Тавареси др. —Практики улучшения управления рисками в гибких проектах Int J Softw Eng Knowl Eng (2019)
