|
Аннотация.
В работе приводятся основные процедуры контроля качества требований и основные направления инструментальной поддержки контроля качества требований. Перечисляются недостатки существующих средств инструментальной поддержки. Для преодоления этих недостатков предложено применить алгоритмы машинного обучения. Предложены основные потенциальные направления исследований в области применения алгоритмов машинного обучения в задачах контроля качества требований. Также представлены полученные автором экспериментальные результаты, демонстрирующие реализуемость предложенного подхода. В отдельных задачах удалось достичь качества оценки, сравнимого с экспертным.
Ключевые слова:
инженерия требований; качество требований; машинное обучение.
Стр. 87-96.
DOI 10.14357/20718632230109 Литература
1. В.К. Батоврин, К.И. Гайдамака, Инженерия требований — ключевой фактор успеха проектов // Управление проектами и программами. 2017. № 01(49). С. 6–20. 2. SAE Standard ARP 4754A Guidelines for Development of Civil Aircraft and Systems. - Revised: 2010-12-21. URL: http://standards.sae.org/arp4754a/ 3. Radio Technical Commission for Aeronautics RTCA/DO-178B "Software Considerations in Airborne Systems and Equipment Certification". - 1992. 4. ISO 26262-9:2011(en), Road vehicles — Functional safety 5. EN 50128 Railway applications - Communication, signalling and processing systems - Software for railway control and protection systems 6. Гуд Г. Х., Макол Р. Э. Системотехника. Введение в проектирование больших систем. М.: Советское радио, 1962. 384 с. 7. Холл А. Д. Опыт методологии для системотехники. М.: Советское радио, 1975. 448 с. 8. Hooks I. Writing Good Requirements // Proceeding’s of the Third International Symposium of the INCOSE. 1993. Volume 2. 9. IEEE/ISO/IEC 29148-2018 - ISO/IEC/IEEE International Standard - Systems and software engineering -- Life cycle processes -- Requirements engineering, Dec. 2020. 10. INCOSE, “Guide for writing requirements INCOSE TP-2010-006-02,” 73, 2015. 11. Pohl K. Requirements Engineering: Fundamentals, Principles, and Techniques. – Springer-Verlag. – 2010. 12. John C. Knight and E. Ann Myers. 1991. Phased inspections and their implementation. SIGSOFT Softw. Eng. Notes 16, 3 (July 1991), 29–35. 13. Sharma, Meena & Vishwakarma, Rajeev. (2012). Evaluation & Validation Of Work Products In Unified Software Development Process. International Journal of Software Engineering & Applications. 3. 10.5121/ijsea.2012.3208. 14. Génova G., Fuentes J., Llorens J. et al. A framework to measure and improve the quality of textual requirements // Requir. Eng. 2013. № 18:25–41. С. 25–41 15. Femmer H - “Requirements quality defect detection with the qualicen requirements scout” CEUR Workshop Proceedings 2018 vol: 2075 16. Post, Amalinda and Thomas Fuhr. “Case study: How Well Can IBM's "Requirements Quality Assistant" Review Automotive Requirements?” REFSQ Workshops (2021). 17. Gallego, Elena & Chalé, Hugo & Llorens, Juan & Fuentes, José M. & Alvarez-Rodríguez, Jose & Génova, Gonzalo &Fraga, Anabel. (2017). Requirements Quality Analysis: A Successful Case Study in the Industry. 10.1007/978-3-319-49103-5_14. 18. Batrovrin V., Gaydamaka K. Automated System for Requirements Assessment // Proceedings - 2019 Actual Problems of Systems and Software Engineering, APSSE 2019, 2019, стр. 58–62. 19. Mitchell T. Machine Learning. — McGraw-Hill Science/ Engineering/Math, 1997. 20. Белоногова А.Д., Огнянович П.А., Гайдамака К.И. Применение методов машинного обучения для обеспечения качества спецификаций требований // International Journal of Open Information Technologies. 2021. vol. 9, no. 8. 21. Гайдамака К.И. Метод оценки качества технических требований на основе частеречных шаблонов и метрического классификатора // Информатизация и связь. 2021. №8. 22. Ramos J. Using TF-IDF to determine word relevance in document queries // Proceedings of the first instructional conference on machine learning. 2003, 4 p. 23. Rong X. Word2vec parameter learning explained // arXiv preprint arXiv:1411.2738. 2014 Nov 11. 24. Lau J. H., Baldwin T. An empirical evaluation of doc2vec with practical insights into document embedding generation // arXiv preprint arXiv:1607.05368. 2016 Jul 19. 25. Devlin J., Chang M. W., Lee K., Toutanova K. Bert: Pretraining of deep bidirectional transformers for language understanding// arXiv preprint arXiv:1810.04805. 2018 Oct 11. 26. Sravanthi P., Srinivasu B. Semantic similarity between sentences // International Research Journal of Engineering and Technology (IRJET), 2017, vol. 4, no. 1, pp. 156—61. 27. F. Koto, M. Adriani, “The Use of POS Sequence for Analyzing Sentence Pattern in Twitter Sentiment Analysis,” Proceedings - IEEE 29th International Conference on Advanced Information Networking and Applications Workshops, WAINA 2015, (March), 547–551, 2015, doi:10.1109/WAINA.2015.58. 28. K. Gaydamaka, A. Belonogova. Applying Unsupervised Machine Learning Algorithms to Ensure Requirements Consistency // "Программная инженерия" Том 13, № 4, 2022.
|
