平均
16
高
20
叠加器
低
3
平均
9
高
15
表2 不同类别和复杂性方法的加权系数
下一步是怎么样辨别哪些方法高于平均值哪些低于平均值。通过回顾上面的数据,发现系统的响应数(方法预期响应的消息数)和被方法作用的属性数越高,方法就有高于平均数值的加权系数,相反地,这两个数据低,方法的加权系统也会低于平均值。重要的是要注意我们收集到的数据标本足够我们进行分析却不足以只通过对他们分析得出这样的结论。 所以我们也应用了一些专家的知识。研究的结果引发了确定每类方法权重的开发过程,它包括分析方法功能的同时指出它基于对象间通信的低、平均或高的复杂性。 表2显示了不同类别方法的复杂性,表3显示了计算规则(基于响应消息和影响属性数),它来确定方法所属类别。
响应消息
属性数
0->1
2->6
7 or more
0->1
低
低
平均
2->3
平均
平均
平均
4 or more
平均
高
高
表3 复杂性分配
一旦确定了常量的值,我们可以用这些数值计算每类的加权平均方法数(WMC)。
加权平均方法数(WMC)将会联合TLC、NOC 、DIT进行计算。
我们对这些不同形态的数据进行了归约,综合形成下面形式一个方程式。在方程式中,
f1 计算整个系统的规模, f2计算通过重用的影响。我们开始有了一个相当小规模的数据点集合,我们用jack-knifed方法进行数据分析。我们将拿出一小百分比数据进行查证确认,其他剩余的部分进行归约(按上面的方程式),接着对比衰退计算结果和经过提出查证确认情况。我们再三重复地做,用不同的例子不断地做,直到方程式的集合能得到最好的变更系数。我们用来做归约的工具是Jandel提供得SigmaPlot。
我们的数据显示了很好的相关性,变更系数在我们采用的例子中变化范围为5~19%内。我们知道研究到今天这些结果只是初步地给了一个数据总量。研究还要进一步进行,需要收集其他类型的软件和用其他开发语言开发的应用程序的数据。
延伸阅读
文章来源于领测软件测试网 https://www.ltesting.net/