【软件工程】CMMI 能力成熟度模型集成 ( 简介 | 相关术语 | CMMI 等级评估次序 )

简介: 【软件工程】CMMI 能力成熟度模型集成 ( 简介 | 相关术语 | CMMI 等级评估次序 )

文章目录

一、CMMI 简介

二、CMMI 相关术语

三、CMMI 等级评估次序





一、CMMI 简介


CMMI 全称 Capability Maturity Model Integration , 能力成熟度模型集成 ;


CMMI 是 如何做好软件的 最佳实践 集合 ;


CMMI 三种类型 : CMMI-DEV 软件开发 , CMMI-ACQ 面向采购 , CMMI-SVC 面向服务 ;



CMMI 等级 : 1 11 到 5 55 级 , 成熟度由低到高 , 成熟度越高 , 综合软件能力越强 ;


第 1 11 级 : 初始级

第 2 22 级 : 受管理级

第 3 33 级 : 已定义级

第 4 44 级 : 定量管理级

第 5 55 级 : 持续优化级


CMMI 连续式 , 阶段式 : 一套模型 , 有两种表示方法 , 一种是 连续式 , 一种是 阶段式 ;


阶段式 : 上述的 5 55 级分级 , 是以 阶段式 进行划分的 , 代表软件能力的不同阶段 ;





二、CMMI 相关术语


软件过程 ( Software Process ) : 人们在 开发和维护 软件及相关产品时 , 所涉及的各种 活动 , 方法 , 实践 , 改革 等 ;


软件相关产品包括 软件项目计划 , 设计文档 , 程序代码 , 测试用例 , 用户手册 等 ;



软件过程能力 ( Software Process Capability ) : 当 遵循某个软件过程时 , 所能 达到的期望效果 , 它可以有效 预测企业接受新的软件项目时可能得到的结果 ;



软件过程成熟度 ( Software Process Maturity ) : 一个特定的 软件过程 , 被显式 定义 , 管理 , 度量 , 控制 , 有效 的 程度 , 成熟度意味着能力上的增长潜力 ;



CMMI ( Capability Maturity Model Integration ) : 能力成熟度模型继承 , 描述了 组织过程 , 从 初级的 , 不成熟的 过程 , 提高到 有纪律 , 成熟的 过程改进路径 , 改模型包含了有效过程的典型特征点 ;



过程域 ( Process Areas ) : 互相关联 的 若干软件实践活动 , 和 有关基础设施 的 集合 ;


每个软件能力成熟度等级 , 都包含了若干 对应该成熟度等级的过程域 , 这些过程域的实施 , 对达到该成熟度等级的目标起着 保护作用 ;



实践 ( Practice ) : 对 过程域实施 , 起关键作用 的 方针 , 规程 , 措施 , 活动 , 以及 相关基础设施 的 建立 ;


过程 描述 做什么 , 不强制规定 如何做 ;


过程域 通过其 包含的实践的实施 而达到目标的 ;



过程资产 ( Process Assets ) : 组织中 , 对 实现过程域的目标 任何 有用的内容 ;



组织过程资产库 ( OPAL , Organization Process Assets Library ) : 用于 建立 , 存储 组织 有用过程资产 的库 ;


资产主要使用在 定义 , 实现 和 管理 过程中使用 ;


资产库 一般包括 方针 , 规程 , 检查单 , 培训资料 , 模板 , 已定义过程 , 计划 , 经验教训 等 ;



质量保证 ( QA , Quality Assurance ) : 为确保 实际执行中的管理 , 符合已定义的 规范 , 实践 , 过程 , 方法 , 而进行的 检查 ;



裁剪 ( Tailor ) : 指对 过程 , 活动 , 模板 使用时 , 与 标准要求存在不一致时 , 所执行的活动 ;



干系人 ( Stakeholder ) : 对一个 企业或者事件输出 , 负有责任的人 , 如 项目团队 , 供应商 , 客户 , 最终用户 ;






三、CMMI 等级评估次序


1 11 级 ( 初始级 ) : 对于该级别 , 针对该级别没有提出任何标准 , 任何公司都是 CMMI 1 11 级 初始级 ;


2 − 5 2-52−5 级 : 2 22 级 受管理级 , 3 33 级 已定义级 , 3 33 级 定量管理级 , 4 44 级 持续优化级 , 都需要有授权 , 需要有评估师进行评估 ;



CMMI 等级评估 : 如果要通过某个级别的评估 , 要满足 该级别 , 以及该级别以下的所有级别的标准 ;


如 : 公司进行 4 44 级评估 , 先查看该公司是否达到 2 22 级标准 , 然后查看是否达到 3 33 级标准 , 最终才是评估是否达到 4 44 级标准 ;


如果该公司达到 2 22 级标准 , 没有达到 3 33 级标准 , 即使达到了 4 44 级标准的要求 , 也只能算 2 22 级 ;


目录
相关文章
|
3月前
|
存储 安全 测试技术
持续集成、交付和部署简介
持续集成、交付和部署简介
44 1
|
3月前
|
API UED 开发者
如何在Uno Platform中轻松实现流畅动画效果——从基础到优化,全方位打造用户友好的动态交互体验!
【8月更文挑战第31天】在开发跨平台应用时,确保用户界面流畅且具吸引力至关重要。Uno Platform 作为多端统一的开发框架,不仅支持跨系统应用开发,还能通过优化实现流畅动画,增强用户体验。本文探讨了Uno Platform中实现流畅动画的多个方面,包括动画基础、性能优化、实践技巧及问题排查,帮助开发者掌握具体优化策略,提升应用质量与用户满意度。通过合理利用故事板、减少布局复杂性、使用硬件加速等技术,结合异步方法与预设缓存技巧,开发者能够创建美观且流畅的动画效果。
74 0
|
3月前
|
开发者 算法 虚拟化
惊爆!Uno Platform 调试与性能分析终极攻略,从工具运用到代码优化,带你攻克开发难题成就完美应用
【8月更文挑战第31天】在 Uno Platform 中,调试可通过 Visual Studio 设置断点和逐步执行代码实现,同时浏览器开发者工具有助于 Web 版本调试。性能分析则利用 Visual Studio 的性能分析器检查 CPU 和内存使用情况,还可通过记录时间戳进行简单分析。优化性能涉及代码逻辑优化、资源管理和用户界面简化,综合利用平台提供的工具和技术,确保应用高效稳定运行。
67 0
|
3月前
|
机器学习/深度学习
【机器学习】模型融合Ensemble和集成学习Stacking的实现
文章介绍了使用mlxtend和lightgbm库中的分类器,如EnsembleVoteClassifier和StackingClassifier,以及sklearn库中的SVC、KNeighborsClassifier等进行模型集成的方法。
51 1
|
4月前
|
机器学习/深度学习 分布式计算 算法
Java中的机器学习模型集成与训练实践
Java中的机器学习模型集成与训练实践
|
5月前
|
机器学习/深度学习 人工智能 Java
Java与AI集成开发:机器学习模型部署
Java与AI集成开发:机器学习模型部署
|
4月前
|
机器学习/深度学习 数据采集 TensorFlow
深度学习与传统模型的桥梁:Sklearn与Keras的集成应用
【7月更文第24天】在机器学习领域,Scikit-learn(Sklearn)作为经典的传统机器学习库,以其丰富的预处理工具、模型选择和评估方法而闻名;而Keras作为深度学习领域的明星框架,以其简洁易用的API,支持快速构建和实验复杂的神经网络模型。将这两者结合起来,可以实现从传统机器学习到深度学习的无缝过渡,充分发挥各自的优势,打造更强大、更灵活的解决方案。本文将探讨Sklearn与Keras的集成应用,通过实例展示如何在Sklearn的生态系统中嵌入Keras模型,实现模型的训练、评估与优化。
110 0
|
5月前
|
机器学习/深度学习 人工智能 自然语言处理
【机器学习】集成语音与大型语音模型等安全边界探索
【机器学习】集成语音与大型语音模型等安全边界探索
265 5
|
4月前
|
机器学习/深度学习 PyTorch TensorFlow
在深度学习中,数据增强是一种常用的技术,用于通过增加训练数据的多样性来提高模型的泛化能力。`albumentations`是一个强大的Python库,用于图像增强,支持多种图像变换操作,并且可以与深度学习框架(如PyTorch、TensorFlow等)无缝集成。
在深度学习中,数据增强是一种常用的技术,用于通过增加训练数据的多样性来提高模型的泛化能力。`albumentations`是一个强大的Python库,用于图像增强,支持多种图像变换操作,并且可以与深度学习框架(如PyTorch、TensorFlow等)无缝集成。
|
5月前
|
存储 缓存 安全
LLM应用实战:当图谱问答(KBQA)集成大模型(三)
本文主要是针对KBQA方案基于LLM实现存在的问题进行优化,主要涉及到响应时间提升优化以及多轮对话效果优化,提供了具体的优化方案以及相应的prompt。
353 1