МАТЕМАТИЧНІ МОДЕЛІ ДЛЯ ОЦІНЮВАННЯ РОЗМІРУ JAVA-ЗАСТОСУНКІВ
DOI:
https://doi.org/10.35546/kntu2078-4481.2024.2.28Ключові слова:
розмір програмного забезпечення, кількість рядків коду, Java-застосунок, нелінійна регресій- на модель, нормалізуюче перетворення, негаусівські дані.Анотація
У статті розглядається застосування математичних моделей для оцінювання розміру Java-застосунків. Мова програмування Java є однією з найбільш поширених у світі та широко використовується в розробці різноманітних програмних проєктів. Оцінювання розміру Java-застосунку є актуальною задачею, яка невідʼємно повʼязана з життєвим циклом розробки програмного забезпечення на ранніх стадіях проєктування. Метою роботи є підвищення достовірності оцінювання кількості рядків коду Java-застосунків на ранніх стадіях розробки програмних проєктів за метриками діаграми класів шляхом побудови нелінійних регресійних моделей. Об’єктом дослідження є процес оцінювання розміру Java-застосунків з відкритим кодом. Предметом дослідження є математичні моделі для оцінювання розміру Java-застосунків. Для досягнення поставленої мети було зібрано 2 вибірки метрик Java-застосунків із відкритим програмних кодом – нвчальна, розміром 286, та тестова, розміром 285 точок даних, проведено аналіз та порівняння існуючих математичних моделей і рівнянь для оцінювання розміру Java-застосунків на тестовій вибірці. Доведено, що існуючі регресійні рівняння та моделі мають незадовільний рівень якості прогнозування розміру Java-застосунків або не можуть бути застосовані для наведеного набору даних через обмеження регресійних моделей. Із використанням навчальної вибірки, побудовано однофакторні нелінійні регресійні моделі для оцінювання розміру Java-застосунків на основі нормалізуючих перетворення десяткового логарифму, Бокса-Кокса та Джонсона сімейства SB за метрикою кількості класів (CLASS) та двофакторна нелінійна регресійна модель на основі нормалізуючого перетворення десяткового логарифму за метриками кількості класів (CLASS) та загальна кількість видимих методів (VMQ). Отримана двофакторна нелінійна регресійна модель на основі перетворення у вигляді десяткового логарифму має меншу середню величину відносної похибки, вище значення відсотка передбачення для рівня відносної похибки та вище значення коефіцієнту детермінації, що у порівнянні з існуючими моделями дозволяє підвищити достовірність оцінювання кількості рядків коду Java-застосунків.
Посилання
TIOBE Index. URL: https://www.tiobe.com/tiobe-index/ (дата звернення 08.04.2024).
Munialo S.W. A Review of Agile Software Effort Estimation Methods. International Journal of Computer Applications Technology and Research. Association of Technology and Science. 2016. Vol. 5. pp. 612–618. DOI:10.7753/IJCATR0509.1009.
Tan H.B.K., Zhao Y., Zhang H. Estimating LOC for information systems from their conceptual data models. Proceedings – International Conference on Software Engineering. 2006. pp. 321-330. DOI:10.1145/1134285.1134331.
Tan H.B.K., Zhao Y., Zhang H. Conceptual Data Model-Based Software Size Estimation for Information Systems, ACM Transactions of Software Engineering and Methodology. 2009. Vol. 19. DOI:10.1145/1571629.1571630.
Приходько Н.В., Приходько С.Б. Нелінійна регресійна модель для оцінювання розміру програмного забезпечення промислових інформаційних систем на Java. Моделювання та інформаційні технології. 2018. Вип. 85. С. 81–88. URL: http://nbuv.gov.ua/UJRN/Mtit_2018_85_14
Макарова Л.М., Приходько Н.В., Кудін О.О. Побудова нелінійної регресійної моделі для оцінювання розміру веб-додатків, реалізованих мовою Java. Вісник Херсонського національного технічного університету. 2019.№2 (69). С. 145–153. URL: http://eir.nuos.edu.ua/handle/123456789/4443
Приходько С.Б., Приходько Н.В., Смикодуб Т.Г. Чотирьохфакторна нелінійна регресійна модель для оцінювання розміру JAVA-застосунків з відкритим кодом. Вчені записки ТНУ імені В.І. Вернадського. Серія: технічні науки Том 31 (70) №2 Частина 1. 2020. С. 157–162. DOI:10.32838/2663-5941/2020.2-1/25
Port D., Korte M. Comparative studies of the model evaluation criterions MMRE and PRED in software cost estimation research. Proceedings of the 2nd ACM-IEEE International Symposium on Empirical Software Engineering and Measurement, New York, 2008. pp. 51–60. DOI:10.1145/1414004.1414015
Jia J., Qiu W. Research on an Ensemble Classification Algorithm Based on Differential Privacy. IEEE Access. 2020. P. 99. DOI:10.1109/ACCESS.2020.2995058
Mardia K. V., Measures of multivariate skewness and kurtosis with applications, Biometrika. 1970. Vol. 57. pp. 519–530. DOI:10.1093/biomet/57.3.519
Prykhodko S., Prykhodko N., Mathematical Modeling of Non-Gaussian Dependent Random Variables by Nonlinear Regression Models Based on the Multivariate Normalizing Transformations, Mathematical Modeling and Simulation of Systems (MODS'2020). Advances in Intelligent Systems and Computing. 2021. Vol. 1265. PP. 166–174. DOI:10.1007/978-3-030-58124-4_16
Prykhodko S., Prykhodko N., Makarova L., Pukhalevych A. Outlier Detection in Non-Linear Regression Analysis Based on the Normalizing Transformations, 2020 IEEE 15th International Conference on Advanced Trends in Radioelectronics, Telecommunications and Computer Engineering (TCSET). Lviv-Slavske, Ukraine, 2020. pp. 407–410, DOI:10.1109/TCSET49122.2020.235464.
Olkin I., Sampson A.R. Multivariate Analysis: Overview. International encyclopedia of social & behavioral sciences (eds.) 1st edn., Elsevier, Pergamon, 2001. pp. 10240–10247.
