مشخصات مقاله:
عنوان فارسی مقاله:
پیش بینی شکست در توسعه نرم افزار چابک از طریق تجزیه و تحلیل داده ها
عنوان انگلیسی مقاله:
Predicting failures in agile software development through data analytics
کلمات کلیدی مقاله:
تحلیل های داده ، چابک، زمینه، هوش مصنوعی
مناسب برای رشته های دانشگاهی زیر:
مهندسی کامپیوتر
مناسب برای گرایش های دانشگاهی زیر:
مهندسی نرم افزار، طراحی و تولید نرم افزار
وضعیت مقاله انگلیسی و ترجمه:
مقاله انگلیسی را میتوانید به صورت رایگان با فرمت PDF از باکس زیر دانلود نمایید. ترجمه این مقاله با فرمت WORD – DOC آماده خریداری و دانلود آنی میباشد.
فهرست مطالب:
چکیده
1. مقدمه
2. سابقۀ چابک و زمینۀ آن
2.1. چرخه حیات نرم افزار چابک
2.2. فرایند توسعه اسکرام
2.3. تست زمینه-محور
2.4. کارهای مرتبط در تست نرم افزار
3. پیش بینی شکستهای نرم افزاری
3.1. مقدمه ای مختصر برای تحلیلهای داده
3.2. اندازه گیری زمان سپری شده بین شکستهای نرم افزاری (MTBF)
3.3. تست تحلیل-محور (ADT)
4. ارزیابی آزمایشی
5. سابقه آزمایشی
5.1. فرایند آزمایشی
5.2. نتایج آزمایشی
6. نتیجه گیری
6.1. خلاصه
6.2. کارهای آینده و نوآوریها
منابع
قسمتی از مقاله انگلیسی و ترجمه آن:
Abstract
Artificial intelligence-driven software development paradigms have been attracting much attention in academia, industry and the government. More specifically, within the last 5 years, a wave of data analytics is affecting businesses from all domains, influencing engineering management practices in many industries and making a difference in academic research. Several major software vendors have been adopting a form of ‘‘intelligent’’ development in one or more phases of their software development processes. Agile for example, is a well-known example of a lifecycle used to build intelligent and analytical systems. The agile process consists of multiple sprints; in each sprint a specific software feature is developed, tested, refined and documented. However, because agile development depends on the context of the project, testing is performed differently in every sprint. This paper introduces a method to predict software failures in the subsequent agile sprints. That is achieved by utilizing analytical and statistical methods (such as using Mean Time between Failures and modelling regression). The novel method is called: analytics-driven testing (ADT). ADT predicts errors and their locations (with a certain statistical confidence level). That is done by continuously measuring MTBF for software components, and using a forecasting regression model for estimating where and what types of software system failures are likely to occur. ADT is presented and evaluated.
چکیده
پارادایم های توسعه نرم افزاری مبتنی بر هوش مصنوعی، توجه زیادی را در دانشگاه ها، صنعت و دولت به خود معطوف کرده اند. بخصوص اینکه در طی 5 سال گذشته، موجی از تحلیل داده ها بر کسب و کارهای همه حوزه ها تاثیر گذاشته و شیوه های مدیریت مهندسی را در بسیاری از صنایع تحت تاثیر قرار داده و تحقیقات دانشگاهی متفاوتی را ایجاد کرده است. چندین نفر از فروشندگان عمده نرم افزار، یک شکل از توسعه “هوشمند” را در یک یا چند مرحله از فرایندهای توسعه نرم افزاری خود اتخاذ کرده اند. برای مثال، چابک یکی از نمونه های شناخته شده از چرخه حیات مورد استفاده برای ساخت سیستمهای هوشمند و تحلیلی است. فرایند چابک متشکل از چندین اسپرینت است که در هر یک از آنها یک ویژگی نرم افزاری خاص طراحی شده، و آزموده، پالایش و اثبات شده اند. با این حال، از آنجاییکه توسعه نرم افزاری به زمینه پروژه بستگی دارد، آزمودن آن نیز به گونه متفاوتی در هر اسپرینت انجام می شود. این مقاله با استفاده از روشهای تحلیلی و آماری (مانند استفاده از زمان میانگین بین شکستها و مدلسازی رگرسیونی)، روشی را برای پیش بینی شکستهای نرم افزاری در اسپرینهای بعدی چابک معرفی می کند. این روش جدید، تست تحلیل محور (ADT) نامیده می شود. ADT خطاها و محل آنها را (با یک سطح اطمینان آماری معین) پیش بینی می کند. این امر با اندازه گیری مداوم MTBF برای قطعات نرم افزاری و استفاده از یک مدل رگرسیونی پیش بینی کننده برای برآورد احتمال وقوع انواع خطاهای سیستم نرم افزاری و همچنین محل وقوع آنها انجام می شود. ADT ارائه شده و مورد ارزیابی قرار می گیرد.