Академический Документы
Профессиональный Документы
Культура Документы
Salah Bouktif
Plan de la prsentation
n Introduction n Dfinition
de la qualit (points de vue) n valuation de la qualit n Modles de qualit n Exemples de modles n Typologie des modles de qualit n Problmes des modles n Conclusion
2/25
Introduction
n n
En gnie logiciels
75% des efforts pour faire la maintenance Maintenance : correction, perfectionnement, adaptation, prvention, nouvelles versions Cause : performance, fiabilit, nouveaux besoins, etc.
3/25
Introduction
n n
Cycle de vie = 1 cycle de dveloppement + k cycles de maintenance un moment donn du cycle de vie on a besoin
Dvaluer ce qui sest pass (processus) / ce qui est produit (produit) De prvoir ce qui va se passer ou se produire
n n
Faire la bonne chose la premire fois tant donn les changements constants des besoins, un logiciel avec un niveau de qualit lev est plus facile maintenir
4/25
5/25
Concentration sur la tche (fonctionnalits et utilisation) Facteurs : fiabilit et facilit dutilisation Problme : une vue trop ferm
6/25
Conformation aux
spcifications
Concentration sur le processus Facteurs : taux de dfauts Problme : qualit du produit contre qualit du processus
7/25
8/25
9/25
METRIQUES
MODELES
Attributs internes
10/25
Les mtriques
n n
Dfinition (ISO9126) Une chelle quantitative et une mthode, qui peuvent tre employes pour dterminer la valeur que prend une proprit pour un produit logiciel spcifique Pourquoi les mtriques
prdire le cot ou leffort de dveloppement prdire la qualit du produit
Exemples de mtriques
LOC pour prdire le cot, leffort et la qualit (dbut des annes 60) Mtriques OO de Chidamber (DIT)
11/25
de la taille du logiciel rend le dveloppement plus complexe et augmente le risque de lchec n Cette mme complexit rend toute forme de prdiction ou destimation (cot et qualit) extrmement difficile n Ncessit de construire des modles prdictifs de qualit
12/25
METRIQUES
MODELES
Attributs internes
13/25
Un modle de la qualit
Attribut A Attribut B Attribut C Attribut D Attribut E Attribut F Sous-attribut p Sous-attribut q Sous-attribut r
14/25
n n
Un modle peut tre dfini par un ensemble de vues concernant le produit Chaque vue est dcompose en plusieurs facteurs Un facteur est dcompos en plusieurs critres, les facteurs sont en gnral des attributs externes (mais aussi des attributs internes : testabilit, efficacit) Chaque critre est dfini par un ensemble de mtriques Par exemple, dans le modle de McCall le facteur de fiabilit est dcompos en cohrence, prcision, tolrance aux erreurs et simplicit
15/25
Le fonctionnement du produit
Fiabilit Efficacit Intgrit Facilit demploi
Les changements
Maintenabilit Testabilit Flexibilit
La transition
Portabilit Rutilisabilit Interoprabilit
16/25
Modularit Maintenabilit
Documentation interne
Simplicit
17/25
mtriques pour mesurer des critres de qualit n Mesurer un facteur revient a considrer une liste de conditions vrifier n La liste de conditions peut s'appliquer aux besoins (R), la conception (D) et l'implmentation (I) n Une condition est vraie ou fausse
18/25
n n
Il y a 6 conditions qui s'appliquent aux besoins, 8 la conception et 8 l'implmentation La mesure de la compltude est : 1 / 3 (nv(R) / 6 + nv(D) / 6 + nv(I) / 8) 19/25
driv du modle de McCall n valuation de produits logiciels (six facteurs appels caractristiques) n Caractristique, sous-caractristiques
Fonctionnalit : convenance, exactitude, interoprabilit, scurit Fiabilit : maturit, tolrance aux pannes, possibilit de rcupration
20/25
21/25
22/25
* Effort (Cocomo) E = aS
b
22/25
22/25
LCOMB
<=16
>16
Stable
NPPM
<=10
>10
Unstable
stable
nArbre de classification
22/25
<=435 Loc
>435 Loc
Temps de dveloppement
Nombre dcrans
<=900 Hr
>900 Hr
<=10
>10
Nbr crans
Arbre de rgression
<=15
>15
22/25
nRgles floues
22/25
nRseau bayesien
22/25
nBase de cas
22/25
Fix davance, modle spcifique Bote blanche, Bote noire Classification, rgression Classique, techniques dI.A. Donnes historiques, expertise (thorique) Constat
Certains types de modles viennent palier aux problmes spcifiques des autres types (acceptation, incertitude, etc.) La tendance est de proposer des modles boites blanches bass sur des techniques dI.A.
23/25
Constat
Grand nombre de modles de qualit propos dans la littrature mais faible utilisation Les plus propos sont des modles statistiques Faible acceptation
Causes
Absence des outils pour construire des modles Raret des donnes provenant de vrais logiciels pour construire ou valider les modles Modles existants ne tenant pas compte de laspect des entres (incertitude, manque, distribution) Chaque modle reflte un contexte particulier Difficult de gnraliser, valider, et rutiliser les modles
24/25
Conclusion
n n
Pas de modle universel Certains types de modle viennent palier aux problmes spcifiques des autres types La tendance est de proposer des modles boites blanches bass sur des techniques dI.A. Rsoudre les problmes gnraux comme la raret de donnes, ladquation du modles un contexte particulier, sont sujets de recherches
25/25