張 軍，米 杰，袁春花，王 柯，黃 陽，鮑自翔

（中國(guó)石油西南油氣田分公司通信與信息技術(shù)中心，四川成都 610057）

0 引言

軟件工作量評(píng)估屬于軟件工程的研究范疇，是軟件項(xiàng)目管理的核心所在，也是編制成本預(yù)算、策劃合理項(xiàng)目進(jìn)度的基礎(chǔ)［1］。特別是在大型企業(yè)中，對(duì)業(yè)務(wù)軟件需求旺盛，需要不同的業(yè)務(wù)軟件來支撐業(yè)務(wù)運(yùn)行。但在編制成本和招標(biāo)過程中，功能點(diǎn)文檔不完整，對(duì)軟件本身的工作量和成本評(píng)估始終是個(gè)難題。大多數(shù)情況下會(huì)依靠專家組成員的意見，而由于軟件技術(shù)更新迭代快，專家組自身的項(xiàng)目經(jīng)驗(yàn)和待開發(fā)項(xiàng)目可能也存在知識(shí)不對(duì)稱的情況，從而作出不準(zhǔn)確的判斷。

在需求分析還沒有完全準(zhǔn)備好之前就進(jìn)行軟件規(guī)模估計(jì)是一個(gè)很普遍的現(xiàn)象，因?yàn)樵谝粋€(gè)項(xiàng)目的開始階段，對(duì)用戶功能需求（Functional User Requirement，F(xiàn)UR）的了解僅處在一個(gè)初步、不完全、近似的狀態(tài)，但為了進(jìn)行招投標(biāo)或制定開發(fā)計(jì)劃，軟件功能的量化估計(jì)卻是非常必要的。隨著軟件開發(fā)過程的推進(jìn)，用戶功能需求規(guī)格說明書逐步完整與精確，甚至模型與代碼都已完備，高精度的度量也逐步成為可能，估計(jì)反而不再是那么必要，這就是所謂軟件功能點(diǎn)估計(jì)的悖論［2］。

傳統(tǒng)功能點(diǎn)法的核心缺陷就是在項(xiàng)目早期進(jìn)行評(píng)估的可行性問題。因?yàn)樵谟?jì)算功能點(diǎn)時(shí)不能只有用戶需求文檔，還需要完整的軟件系統(tǒng)規(guī)格說明文檔。比如在識(shí)別項(xiàng)目的范圍和邊界時(shí)，需要詳細(xì)的用例圖；在進(jìn)行功能點(diǎn)計(jì)算時(shí)，涉及到內(nèi)外部的接口文件（ILF，ELF）及數(shù)據(jù)交易文件（EI，EO，EQ）。通常在項(xiàng)目早期只有用戶需求文檔，無法真正利用傳統(tǒng)功能點(diǎn)法進(jìn)行軟件規(guī)模評(píng)估。

為解決這些問題，根據(jù)工作需要，本文在傳統(tǒng)軟件工作量評(píng)估功能點(diǎn)方法基本思路的指導(dǎo)下，采用基于歷史項(xiàng)目數(shù)據(jù)挖掘的方法對(duì)業(yè)務(wù)信息管理類軟件需求階段的工作量評(píng)估思路和方法進(jìn)行研究。首先，基于歷史項(xiàng)目數(shù)據(jù)挖掘與分析，梳理出信息管理類軟件各個(gè)功能點(diǎn)的功能特征因子，并研究其標(biāo)準(zhǔn)的描述方法；然后，建立功能點(diǎn)工作量權(quán)值回歸預(yù)測(cè)模型和項(xiàng)目總工作量預(yù)估模型；最后，以中國(guó)石油石化領(lǐng)域的業(yè)務(wù)信息管理類軟件開發(fā)項(xiàng)目為例，進(jìn)行工作量預(yù)估模型驗(yàn)證。

1 基于數(shù)據(jù)挖掘方法改進(jìn)的功能點(diǎn)法

整體思路如圖1 所示，通過建立歷史數(shù)據(jù)回歸模型、工作量預(yù)估模型與工作量調(diào)整模型共同實(shí)現(xiàn)根據(jù)軟件功能點(diǎn)需求表進(jìn)行軟件工作量評(píng)估。在該流程中，首先通過歷史數(shù)據(jù)分析提取出新的特征因子，然后逐一研究每類特征因子在所有歷史項(xiàng)目中的特征權(quán)重值，以及不同項(xiàng)目中各個(gè)特征因子的權(quán)重值，接下來利用該權(quán)重值對(duì)新項(xiàng)目的總工作量進(jìn)行預(yù)估，最后通過工作量調(diào)整模型實(shí)現(xiàn)對(duì)工作量的調(diào)整。

如圖1 所示，在工作量調(diào)整模型中，通過專家評(píng)審對(duì)功能點(diǎn)法的14 個(gè)通用特征進(jìn)行評(píng)估，完成對(duì)系統(tǒng)復(fù)雜度的判斷，采用待評(píng)審項(xiàng)目的復(fù)雜度調(diào)整因子除以歷史項(xiàng)目調(diào)整因子平均值作為本研究方法下的技術(shù)復(fù)雜度相對(duì)調(diào)整因子，以下簡(jiǎn)稱為“相對(duì)調(diào)節(jié)因子”。

Fig.1 Overall idea of function point method based on data mining圖1 基于數(shù)據(jù)挖掘的功能點(diǎn)法整體思路

2 基于數(shù)據(jù)挖掘的功能點(diǎn)法

2.1 數(shù)據(jù)收集與清洗

本次研究總結(jié)了近5 年共20 個(gè)項(xiàng)目，經(jīng)過以下規(guī)則清洗后，得到了有效的歷史功能點(diǎn)工作量數(shù)據(jù)1 649 條，可用于建立模型。具體清洗規(guī)則如下：①功能點(diǎn)各個(gè)開發(fā)階段的工作量合并處理；②每個(gè)功能模塊的工作量不包含項(xiàng)目管理人員、軟件維護(hù)部署等支撐性工作崗位的工作量。因?yàn)檫@些崗位的工作量與項(xiàng)目本身屬性等有很大關(guān)聯(lián)，可能導(dǎo)致較大誤差；③對(duì)歷史項(xiàng)目進(jìn)行三級(jí)分解，形成一、二、三級(jí)功能模塊，需要對(duì)三級(jí)功能模塊的具體功能點(diǎn)進(jìn)行工作量梳理；④刪除升級(jí)改造類項(xiàng)目。

2.2 功能特征及標(biāo)準(zhǔn)化

通過數(shù)據(jù)清洗，保證了分析的數(shù)據(jù)項(xiàng)目來源屬于同一性質(zhì)，且均為信息處理軟件系統(tǒng)，而非實(shí)時(shí)控制系統(tǒng)等其他類型，從而構(gòu)造了一個(gè)比較純粹的樣本空間。然后對(duì)梳理后功能點(diǎn)的實(shí)際工作內(nèi)容進(jìn)行總結(jié)，并結(jié)合信息系統(tǒng)的五大主要功能（輸入、存儲(chǔ)、處理、輸出和控制）對(duì)功能特征進(jìn)行分類，最終總結(jié)歸納出12 類功能特征，并規(guī)范了其特征分類及其功能描述說明如表1 所示。

Table 1 Function feature classification description表1 功能特征分類說明

2.3 回歸模型建立

本研究中，定義由數(shù)據(jù)收集與清洗形成的三級(jí)功能模塊列表中特征代碼為A1、A2、A3、A4、B1、B2、B3、C1、C2、D1、D2、D3的功能點(diǎn)數(shù)依次為a1、a2、a3、a4、b1、b2、b3、c1、c2、d1、d2、d3，功能點(diǎn)數(shù)全部為大于等于1 的整數(shù)，然后建立預(yù)測(cè)模型如下：

當(dāng)特征代碼為A1、A3、B2、C2、D2時(shí)：

其中，x表示三級(jí)模塊的功能點(diǎn)數(shù)。

當(dāng)特征代碼為B1時(shí)：

其中，m 表示每個(gè)項(xiàng)目中三級(jí)模塊功能特征為B1的功能點(diǎn)數(shù)平均值。

當(dāng)特征代碼為C1時(shí)，根據(jù)清洗后的功能點(diǎn)工作量表，通過對(duì)本課題涉及到的歷史項(xiàng)目進(jìn)行分析，發(fā)現(xiàn)C1目前僅存在功能點(diǎn)數(shù)為1 這一種情況，所涉及的工作量在1.18 人/月～0.45人/月之間。對(duì)所有功能點(diǎn)對(duì)應(yīng)工作量進(jìn)行中心平均處理后，得到中心點(diǎn)工作量為0.716人/月。

當(dāng)特征代碼為A2、A4時(shí)，A2特征的功能模塊工作量與該功能接口數(shù)量和訪問方式有關(guān)，A4特征的功能模塊工作量與綜合報(bào)表類型、圖表種類有密切關(guān)系。由于在本研究中沒有獲取到這兩類特征更深入的信息資料，故不納入本次研究范圍。

當(dāng)特征代碼為B3、D1、D3時(shí)，由于本項(xiàng)目中不涉及B3特征的功能點(diǎn)，且涉及的D1、D3由于功能特征出現(xiàn)頻次有限，無法明確特征，故不納入本次研究范圍。

綜上，由于本次研究總共獲取三級(jí)功能模塊數(shù)為1 649 個(gè)，數(shù)據(jù)量和數(shù)據(jù)顆粒度有限，因此本課題目前僅針對(duì)A1、A3、B1、B2、C2、D2和C1進(jìn)行特征權(quán)值研究。其中，C1權(quán)重采用中心值0.716 人/月，其他特征權(quán)重均采用一階線性回歸。特征權(quán)值回歸參數(shù)如表2所示。

Table 2 Regression parameters of the feature weight表2 特征權(quán)值回歸參數(shù)

然后，將每個(gè)項(xiàng)目A1、A3、B1、B2、C2、D2和C1特征的功能點(diǎn)數(shù)與工作量分別合并，形成每個(gè)項(xiàng)目中每類功能特征的總功能點(diǎn)與總工作量關(guān)系表，并對(duì)項(xiàng)目中每類特征總工作量進(jìn)行回歸預(yù)測(cè)分析。具體線性回歸參數(shù)如表3所示。

Table 3 Regression parameters of the total workload for each type of feature表3 每類特征總工作量回歸參數(shù)

3 應(yīng)用實(shí)驗(yàn)

3.1 特征標(biāo)識(shí)及統(tǒng)計(jì)

為驗(yàn)證以上回歸模型的準(zhǔn)確性，本文采用一個(gè)新項(xiàng)目進(jìn)行模型驗(yàn)證。首先對(duì)待測(cè)項(xiàng)目各個(gè)三級(jí)功能模塊的功能特征進(jìn)行識(shí)別，并映射出每個(gè)三級(jí)功能模塊的工作量，然后對(duì)同類特征功能模塊的功能點(diǎn)數(shù)相加，形成同類特征的功能點(diǎn)總數(shù)和總工作量（本文僅對(duì)A1、A3、B1、B2、C2、D2和C1七大特征的功能點(diǎn)工作量進(jìn)行模型驗(yàn)證）。待測(cè)項(xiàng)目特征統(tǒng)計(jì)如表4所示。

3.2 特征功能總工作量回歸預(yù)測(cè)

根據(jù)三級(jí)模塊總功能點(diǎn)數(shù)和總工作量回歸參數(shù)，通過總工作量回歸計(jì)算出待測(cè)項(xiàng)目未調(diào)整前的預(yù)估總工作量，如表5 所示。統(tǒng)計(jì)以上特征中預(yù)估未調(diào)整工作量總和為102.38人/月。

Table 4 Statistics of the characteristics of items to be tested表4 待測(cè)項(xiàng)目特征統(tǒng)計(jì)

Table 5 Estimation of the total workload of features表5 特征總工作量預(yù)測(cè)

3.3 工作量調(diào)整

由于此次用于驗(yàn)證的項(xiàng)目和歷史項(xiàng)目為同類級(jí)別的項(xiàng)目，故設(shè)相對(duì)調(diào)整因子為1，則項(xiàng)目預(yù)測(cè)總工作量=總工作量*相對(duì)調(diào)節(jié)因子=102.38*1=102.38。

3.4 實(shí)驗(yàn)結(jié)果

根據(jù)項(xiàng)目實(shí)際情況，在清洗后的工作量表中，符合功能特征為A1、A3、B1、B2、C2、D2和C1七大特征工作量的實(shí)際審查總量為137，可計(jì)算出本次模型驗(yàn)證的準(zhǔn)確度為七大特征調(diào)整后工作量占實(shí)際工作量的百分比，即為102.38/137*100%=74.7%。

4 結(jié)語

本研究主要通過數(shù)據(jù)挖掘理論中的回歸預(yù)測(cè)任務(wù)方法，針對(duì)中石油、中石化領(lǐng)域的信息管理類軟件歷史項(xiàng)目進(jìn)行數(shù)據(jù)清洗分析；基于軟件功能點(diǎn)法評(píng)估辦法，提取出12 個(gè)基礎(chǔ)功能特征點(diǎn)，并梳理了各個(gè)功能特征點(diǎn)的描述方法；通過歷史數(shù)據(jù)建立工作量評(píng)估的回歸預(yù)測(cè)模型，并根據(jù)實(shí)際案例對(duì)項(xiàng)目工作量回歸預(yù)測(cè)模型進(jìn)行驗(yàn)證。

該方法的優(yōu)勢(shì)在于克服了傳統(tǒng)功能點(diǎn)法在前期由于缺失項(xiàng)目設(shè)計(jì)文檔導(dǎo)致無法進(jìn)行評(píng)估的缺點(diǎn)，且不需要傳統(tǒng)方法在評(píng)估中的復(fù)雜計(jì)算過程，可幫助相關(guān)企事業(yè)單位在需求階段便捷地對(duì)項(xiàng)目總體工作量進(jìn)行評(píng)估，為管理層決策提供參考依據(jù)。另外，本文方法已應(yīng)用于各個(gè)同類項(xiàng)目的領(lǐng)域，且隨著同類項(xiàng)目數(shù)據(jù)的增多，模型參數(shù)將不斷進(jìn)行自我優(yōu)化，逐漸提高模型所覆蓋特征的廣度和準(zhǔn)確度。