带你读《SAS数据分析开发之道 软件质量的维度》第二章质量2.2软件产品质量模型(一)

简介: 带你读《SAS数据分析开发之道 软件质量的维度》第二章质量2.2软件产品质量模型(一)

软件产品质量模型


软件产品质量模型是确定的一组特征以及各个特征之间的关系,是一个用于确定质量要求、评估质量的框架。图2-1所示为ISO软件产品质量模型,其中列举了 8个属性和 40个子属性。

 

 


image.png

 

2-1    ISO软件产品质量模型(选自ISO/IEC25000:2014


 

 

ISO质量模型的一个重要特点是将功能性与其他 7个质量属性放在平行的位置上。由于每个 SAS软件产品的功能性各有不同,因此,尽管功能性是每个软件项目的核心,但本书的重点并不在此。除非特别强调,所有的SAS代码范例都默认是满足软件的功能性需求的。下面会在每章中对软件产品质量模型中的多个质量模型属性和子属性进行详细讲解。

2-1中的软件产品质量模型与我们在本书中逻辑呈现的模型略有不同,但两者之间并不冲突。动态性能需求中所涉及的外部质量维度包括可靠性、可恢复性、稳    健性、运行效率、效率、可扩展性、可移植性、安全性及自动化。静态性能需求中所    涉及的内部质量维度包括可维护性、模块化、可读性、可测试性、稳定性及复用性。    2-2是本书的结构,它适合ISO软件产品质量模型。


image.png

2-2    软件质量模型

 

本书有两个质量维度——稳定性和自动化不在    ISO    模型内,因此单独解释一下。

软件稳定性指软件耐维修、无须修改或仅做轻微变动即可正常运行的能力。在传统的    软件开发环境中,由于软件是为第三方用户生产的,所以软件一旦经过测试、验证并    投入使用,开发人员便没有机会再接触到自己创建的软件。因此,测试是非常重要的,通过测试,软件的所有缺点和漏洞在发布之前即可消除。软件测试失效就需要向用户    发送补丁或更新包,这样做既费时又费力,而且会让用户对软件失去信心。

与许多软件应用程序不同,BaseSAS软件能够在互动模式下运行,在这个模式下,SAS 应用程序是手动打开的,代码是手动执行的,日志是手动浏览的。SAS代码的互动性鼓励开发人员不断地修改和调整代码,这仅仅是因为他们有权这样做,但这样做    降低了软件的稳定性。出于这个原因,我们要用一章来讲述软件稳定性的优点,包括    它作为代码测试、复用性、可扩展性和自动化先决条件的作用。

软件自动化指软件在无须人工干涉(或轻微干涉)的情况下自动运行,在传统软    件开发中,由于用户希望与一个可执行的程序互动,而不是去处理一些需要自己编译    的原生代码,因此,软件的自动化是必需的。SAS    互动模式足以运行一些生产软件,SAS软件必须能可靠、定期地运行,而自动化(以及程序组工作的后续安排)很好地实现这一目标。SAS软件的自动化还包括通过软件大规模生产 SAS会话,借助平行处理提升性能。

相关文章
|
30天前
|
机器学习/深度学习 数据采集 数据挖掘
实战派教学:掌握Scikit-learn,轻松实现数据分析与机器学习模型优化!
【10月更文挑战第4天】Scikit-learn凭借高效、易用及全面性成为数据科学领域的首选工具,简化了数据预处理、模型训练与评估流程,并提供丰富算法库。本文通过实战教学,详细介绍Scikit-learn的基础入门、数据预处理、模型选择与训练、评估及调优等关键步骤,助你快速掌握并优化数据分析与机器学习模型。从环境搭建到参数调优,每一步都配有示例代码,便于理解和实践。
78 2
|
5月前
|
文字识别 算法 数据挖掘
视觉智能开放平台产品使用合集之对于统计研究和数据分析,有哪些比较好的工具推荐
视觉智能开放平台是指提供一系列基于视觉识别技术的API和服务的平台,这些服务通常包括图像识别、人脸识别、物体检测、文字识别、场景理解等。企业或开发者可以通过调用这些API,快速将视觉智能功能集成到自己的应用或服务中,而无需从零开始研发相关算法和技术。以下是一些常见的视觉智能开放平台产品及其应用场景的概览。
|
3月前
|
供应链 数据可视化 数据挖掘
【2023年第十一届泰迪杯数据挖掘挑战赛】B题:产品订单的数据分析与需求预测 建模及python代码详解 问题一
本文详细介绍了第十一届泰迪杯数据挖掘挑战赛B题的解决方案,涵盖了对产品订单数据的深入分析、多种因素对需求量影响的探讨,并建立了数学模型进行未来需求量的预测,同时提供了Python代码实现和结果可视化的方法。
119 3
【2023年第十一届泰迪杯数据挖掘挑战赛】B题:产品订单的数据分析与需求预测 建模及python代码详解 问题一
|
3月前
|
数据采集 机器学习/深度学习 算法
"揭秘数据质量自动化的秘密武器:机器学习模型如何精准捕捉数据中的‘隐形陷阱’,让你的数据分析无懈可击?"
【8月更文挑战第20天】随着大数据成为核心资源,数据质量直接影响机器学习模型的准确性和效果。传统的人工审查方法效率低且易错。本文介绍如何运用机器学习自动化评估数据质量,解决缺失值、异常值等问题,提升模型训练效率和预测准确性。通过Python和scikit-learn示例展示了异常值检测的过程,最后强调在自动化评估的同时结合人工审查的重要性。
87 2
|
3月前
|
数据采集 存储 监控
数据驱动开发:如何将数据分析融入开发流程
【8月更文挑战第14天】数据驱动开发是一种高效、智能的软件开发方法论,它通过将数据分析深度融入开发流程中,实现了精准决策、提升效率和持续改进的目标。为了成功实施数据驱动开发,团队需要明确数据需求、设计合理的数据架构、集成数据收集工具、实施CI/CD流程、进行数据分析与决策支持以及建立反馈循环机制。同时,还需要应对数据质量、技术和组织与文化等挑战。通过不断努力和实践,团队可以逐步建立起完善的数据驱动开发体系,推动产品不断迭代升级和业务持续增长。
|
3月前
|
机器学习/深度学习 前端开发 数据挖掘
基于Python Django的房价数据分析平台,包括大屏和后台数据管理,有线性、向量机、梯度提升树、bp神经网络等模型
本文介绍了一个基于Python Django框架开发的房价数据分析平台,该平台集成了多种机器学习模型,包括线性回归、SVM、GBDT和BP神经网络,用于房价预测和市场分析,同时提供了前端大屏展示和后台数据管理功能。
|
3月前
|
机器学习/深度学习 数据采集 数据可视化
【python】python母婴数据分析模型预测可视化(数据集+论文+PPT+源码)【独一无二】
【python】python母婴数据分析模型预测可视化(数据集+论文+PPT+源码)【独一无二】
|
3月前
|
机器学习/深度学习 数据采集 数据挖掘
【2023年第十一届泰迪杯数据挖掘挑战赛】B题:产品订单的数据分析与需求预测 建模及python代码详解 问题二
本文提供了第十一届泰迪杯数据挖掘挑战赛B题问题二的详细解题步骤,包括时间序列预测模型的建立、多元输入时间预测问题的分析、时间序列预测的建模步骤、改进模型的方法,以及使用Python进行SARIMA模型拟合和预测的具体实现过程。
66 1
|
3月前
|
供应链 算法 数据挖掘
【2023年第十一届泰迪杯数据挖掘挑战赛】B题:产品订单的数据分析与需求预测 23页论文及实现代码
本文介绍了2023年第十一届泰迪杯数据挖掘挑战赛B题的解决方案,深入分析了产品订单数据,并使用Arimax和Var模型进行了需求预测,旨在为企业供应链管理提供科学依据,论文共23页并包含实现代码。
92 0
【2023年第十一届泰迪杯数据挖掘挑战赛】B题:产品订单的数据分析与需求预测 23页论文及实现代码
|
4月前
|
机器学习/深度学习 算法 数据挖掘
从零到精通:Scikit-learn在手,数据分析与机器学习模型评估不再难!
【7月更文挑战第25天】在数据科学中,模型评估是理解模型泛化能力的关键。对新手来说,众多评估指标可能令人困惑,但Scikit-learn简化了这一过程。
55 2