量化项目管理案例：缺陷趋势预测利器（8）

　估计结果如表1数据所示。（看了上面的图示，相信大家都已经知道百分比的计算方法啦。）

表1 应用三点法得到的缺陷发现累积估计值

　　实际项目中，测试负责人根据历史数据，选择了Gompertz曲线拟合出的估计值作为每周发现缺陷目标。这样，就在进入测试阶段前，初步确定了测试阶段每周应当发现的缺陷目标。当然，这只是一个初始值。

　　2）测试阶段每周对缺陷发现趋势的进度跟踪

　　我们虽然已经利用缺陷预测工具得到了一个每周应当发现缺陷个数的初始值，然而，这个初始值不应当是固定不变的，每周实际发现的缺陷数也可能不会严格与预测值一致，可能更多，也可能更少。因此，进入测试阶段后，测试负责人跟踪每周发现的缺陷情况，进行预测值与实际值的对照。在数据量符合算法要求后，使用三和法或高斯-牛顿法（GNL法）模拟、更新缺陷发现趋势的渐近值K。若有必要，比如测试阶段准备期选择的模型估计值与实际数据发生严重偏差时，可能仅更新K值并不能拟合实际的情况，而是需要选择其它的成长曲线模型。

　　同样利用我们的缺陷预测工具。当具有一定的数据量后，即可使用三和法或GNL法重新模拟缺陷趋势，更新最早发现的缺陷情况。利用同样的例子，当数据量收集到14个，利用三和法进行预测，分别生成Gompertz曲线和Logistic曲线。下图4中，选择要预测的样本数据；下图5中，设置预测条件。

图4 选择样本数据

图5 缺陷预测参数选择

　选择预测的数据为27个，得到14周之后的结果如表2。

表2 应用三和法得到的缺陷发现累积估计值

　　从拟合程度可以看出，Gompertz曲线的拟合程度近似100%，而Logistic曲线的拟合程度低于Gompertz曲线，因此，选择Gompertz曲线作为拟合曲线。

图6 缺陷趋势图CDF

图7 缺陷趋势图PDF

　　选择Gompertz曲线得到的K值为1230，即整个系统应当共发现1230个bug。然而如同我们之前关于K值的描述，K值并不是始终都不变的，因此需要在测试阶段持续的进行预测，得到更为可靠的结果。

　　根据预实对照的结果，按照需要调整目前测试的状态。

-----------------------------------------------------------------------------------------------------------------------

　　作为一个项目经理或者测试经理，上面提到的内容对你来说应当很容易理解，但你要考虑的恐怕更多。比如，选定要release的时间，根据release时间的安排每周发现缺陷的任务；再比如，公共假期的时间考虑（可能没有几个人愿意在春节这样的假期里继续工作吧，不过release的时间可是不能修改的）。根据实际情况考虑的更多更全面，才能让你的预测更加贴近实际，预测的结果才能有效。

　3）测试阶段结束前的退出标准的评价

　　准备退出测试阶段前，根据预测得到的应发现的缺陷总数、缺陷预测模型和实际发现的缺陷数据，可以模拟版本中仍然遗留的缺陷数，据此可以确定：

　　● 根据软件发布标准决定软件是否能够如期发布；

　　● 估计在后续软件维护阶段会发现缺陷的情况，以指导项目确保客户满意度的前提下，合理安排人员退出。

　　以试点项目为例，根据测试阶段14周的实际缺陷发现数据，使用三和法，对最常用的Gompertz和Logistic曲线模型，重新实施拟合，结果如表2和图8所示。

表2 应用三和法重新拟合的缺陷发现累积估计值

图8 试点项目的缺陷预测情况

　　经过计算，Gompertz曲线的R2值高达99.93%，说明模型对实际数据的拟合程度很高，其渐近值对发布后缺陷趋势有较高参考价值。根据Gompertz曲线的预估趋势，发现若第14周结束测试阶段，则缺陷遗留率有可能高达14%，无法满足本项目的质量目标。因此增加了2周时间的回归测试，使版本发布后的缺陷遗留率最终控制在5%以内。而实际项目中，往往不希望额外的2周测试时间造成版本发布时间推后，这样可以在版本发布预定时间之前采取一些补救措施。首先，在版本发布之前，就根据模型预估的缺陷图计算出发布时的缺陷遗留率，若不能满足发布要求，则即时采取措施，比如，邀请客户提前参与回归测试；对测试人员进行培训；派遣测试人员到客户处进行业务学习，提高业务能力等等。

　　4）其他场景

　　除了测试阶段利用S型曲线对缺陷进行预测外，还可以对Gompertz和Logistic曲线模型使用三点法与三和法，来预测与跟踪测试阶段缺陷修改累积趋势（即每周应当修改多少缺陷，以此来控制缺陷修改的进度）和编码阶段代码规模增长趋势（即每周应当完成的代码工作量，以此来控制编码开发的资源投入与进度）。在软件开发不同的生命周期阶段中，可靠性增长模型还有更多的实际应用场景，支持对过程的量化管理。

　　至此，软件可靠性增长模型之S型曲线的介绍就暂时告一段落了。后续我们还将进行补充，利用实际项目中的数据对趋势预测模型不断进行完善。


本文出自seven的测试人生公众号最新内容请见作者的GitHub页：http://qaseven.github.io/