1. شاخص هاي فرايند و پروژه درس مهندسي نرم‌افزار 2
فصل 22
دكتر احمد عبداله زاده بارفروش
تهيه كننده : پويا جافريان
Artificial Intelligent Systems Laboratory

2. يك مدير خوب موارد زير را اندازه گيري مي‌كند:
اندازه گيري بر چه مبنايي انجام مي شود ؟
size ؟
function ؟
شاخص هاي فرايند
فرايند
اندازه گيري
شاخص هاي پروژه
محصول
شاخص هاي محصول
Artificial Intelligent Systems Laboratory

3. اندازه گيري براي چه انجام مي‌شود‌؟
براي :
شناسايي
ارزيابي
پيش بيني
توسعه و بهبود
امكان دستيابي به اهداف فوق با اندازه گيري برآورده مي‌شود.
Artificial Intelligent Systems Laboratory

4. اندازه گيري براي چه انجام مي‌شود‌؟
ارزيابي وضعيت پروژه جاري
ردگيري ريسك‌هاي بالقوه
كشف موضوعات مشكل زا قبل از اينكه دچار وضعيت بحراني شوند.
بهبود فرايند كاري يا وظايف
ارزيابي توانايي تيم نرم افزار به منظور كنترل كيفيت محصولات كاري نرم افزار
Artificial Intelligent Systems Laboratory

5. Artificial Intelligent Systems Laboratory
اندازه گيري فرايند
كارايي فرايند نرم افزار معمولاً به صورت غير مستقيم اندازه گيري مي‌شود.
براي اين منظور تعدادي شاخص برمبناي خروجي‌هايي كه از فرايند مشتق مي‌شوند تعيين مي‌گردند.
خروجي‌هايي كه از فرايند مشتق مي‌شوند عبارتند از :
ميزان خطا‌هايي كه قبل از ارائه نرم‌افزار، پوشيده مانده‌اند.
Defect هايي كه توسط كاربران نهايي گزارش داده شده اند.
محصولات كاري ارائه شده (Productivity)
ميزان كار نيروي انساني
ميزان كار بر اساس تاريخ
ميزان هماهنگي با برنامه زماني
اندازه گيري هاي ديگر ...
همچنين، شاخص‌هاي فرايند با اندازه گيري ويژگي‌هاي خاص يك فعاليت مهندسي نرم‌افزار نيز به دست مي‌آيند.
Artificial Intelligent Systems Laboratory

6. توصيه‌هايي براي استفاده از شاخص‌هاي فرايند
در هنگام تفسير داده‌هاي شاخص از common sense و organizational sensivity استفاده كنيد.
به طور معمول، بازخورد هايي به افراد و تيم‌هاي جمع آوري كننده اندازه گيري‌ها و شاخص‌ها ارسال نماييد.
از شاخص‌ها براي ارزيابي افراد استفاده نكنيد.
با همكاري كاركنان و تيم‌هاي اهداف روشني را تعيين كرده و شاخص‌هايي براي دستيابي به اهداف مشخص كنيد.
هرگز از شاخص‌ها براي تهديد افراد يا تيم‌ها استفاده نكنيد.
داده‌هاي شاخص كه مشخص كننده مشكلي هستند نبايد با ديد منفي لحاظ گردند. بلكه اين داده‌ها مشخص‌كننده فرصت‌هايي براي بهبود فرايند هستند.
از اطلاعات مربوط به يك شاخص خاص براي حذف ديگر شاخص‌هاي مهم استفاده نكنيد.
Artificial Intelligent Systems Laboratory

7. توصيه هايي براي بهبود فرايند نرم افزار
مدل فرايند
SPI
توصيه هايي براي بهبود فرايند نرم افزار
اهداف بهبود
شاخص هاي فرايند
Artificial Intelligent Systems Laboratory

8. Artificial Intelligent Systems Laboratory
شاخص هاي فرايند
مرتبط با كيفيت (Quality Related)
بر كيفيت محصولات كاري و قابل تحويل تاكيد دارد.
مرتبط با توليد (Productivity Related)
بر ميزان كار صرف شده براي توليد محصولات كاري تاكيد دارد.
داده هاي آماري SQA
طبقه بندي خطاها و آناليز
كارايي رفع Defect (Defect Removal Efficiency)
انتشار خطا‌ها از فعاليت هاي فرايند به فعاليت‌ها
استفاده مجدد از داده
تعداد اجزاء (Component) هاي توليد شده و درجه استفاده مجدد از آن‌ها
Artificial Intelligent Systems Laboratory

9. Artificial Intelligent Systems Laboratory
شاخص‌هاي پروژه
براي حداقل نمودن برنامه توسعه نرم‌افزار، با ايجاد اصلاحات لازم براي جلوگيري از تاخير و كاهش ريسك ها، مورد استفاده قرار مي‌گيرد.
براي ارزيابي كيفيت محصول به طور مداوم مورد استفاده قرار گرفته و هنگامي كه لازم باشد تغييرات لازم براي بهبود كيفيت انجام مي‌شود.
در هر پروژه موارد زير بايد اندازه گيري شود:
ورودي‌ها : اندازه گيري منابع لازم براي انجام كار
خروجي‌ها : اندازه گيري موارد قابل تحويل و محصولات كاري كه در حين فرايند نرم افزار توليد شده اند.
نتايج : اندازه گيري‌هايي كه نمايانگر موثر بودن موارد قابل تحويل هستند.
Artificial Intelligent Systems Laboratory

10. Artificial Intelligent Systems Laboratory
انواع شاخص‌هاي پروژه
كار(Effort)/زمان براي هر فعاليت مهندسي نرم افزار
تعداد خطا‌هاي كشف شده در هر ساعت بازبيني
مايل استون‌هاي برنامه ريزي شده در مقابل مايل استون‌هاي واقعي
تغييرات (تعداد) و ويژگي‌هاي آن‌ها
توزيع كار بر روي فعاليت‌هاي مهندسي نرم‌افزار
Artificial Intelligent Systems Laboratory

11. Artificial Intelligent Systems Laboratory
نرمال سازي شاخص‌ها
داده‌هاي نرمال شده براي ارزيابي فرايند و محصول (و نه افراد) به كار مي‌روند :
نرمال سازي مبتني بر ساير : رويكرد تعداد خط كد
نرمال سازي مبتني بر كاركرد : رويكرد Function Point
Artificial Intelligent Systems Laboratory

12. انواع شاخص‌هاي مبتني بر سايز
errors per KLOC (thousand lines of code)
defects per KLOC
$ per LOC
pages of documentation per KLOC
errors per person-month
Errors per review hour
LOC per person-month
$ per page of documentation
Artificial Intelligent Systems Laboratory

13. انواع شاخص‌هاي مبتني بر Function
errors per FP (thousand lines of code)
defects per FP
$ per FP
pages of documentation per FP
FP per person-month
Artificial Intelligent Systems Laboratory

14. Artificial Intelligent Systems Laboratory
مقايسه LOC و FP
Artificial Intelligent Systems Laboratory

15. Artificial Intelligent Systems Laboratory
مزاياي انتخاب FP
مستقل از زبان برنامه نويسي است.
توجه به محدوده مسئله
عدم جلوگيري از نوآوري (ارائه راه حل‌هايي با LOC كمتر) در برنامه نويسي
منطبق با روش شيء گرا و مفهوم استفاده مجدد
Artificial Intelligent Systems Laboratory

16. Artificial Intelligent Systems Laboratory
شاخص‌هاي شيء گرا
تعداد سناريو‌ها (Use Case ها)
تعداد كلاس‌هاي پشتيبان (كه براي پياده سازي لازم هستند ولي به طور مستقيم با حوزه مسئله در ارتباط نيستند)
ميانگين تعداد كلاس‌هاي پشتيبان به ازاي هر كلاس كليدي (كلاس آناليز)
تعداد زير سيستم‌ها (مجموعه اي از كلاس‌ها كه يك كاركرد قابل مشاهده براي كاربرنهايي را انجام مي‌دهند)
Artificial Intelligent Systems Laboratory

17. Artificial Intelligent Systems Laboratory
شاخص‌هاي محصول
تاكيد آن بر كيفيت محصولات ارائه شده است.
شامل اندازه گيري مدل آناليز مي‌شود.
شامل اندازه گيري پيچيدگي طراحي مي‌شود.
پيچيدگي الگوريتم
پيچيدگي معماري
پيچيدگي جريان داده
اندازه گيري كد
اندازه گيري كارايي فرايند
Defect Removal Efficiency
Artificial Intelligent Systems Laboratory

18. Defect Removal Efficiency
E تعداد error هاي كشف شده قبل از تحويل محصول به كاربر نهايي است.
D تعداد defect هاي كشف شده پس از تحويل محصول به كاربر نهايي.
DRE = E /(E + D)
Artificial Intelligent Systems Laboratory