【技术实现步骤摘要】
本专利技术涉及应用开发进度监测，提供了一种基于多因子分权重的应用建设进度监测方法及系统。
技术介绍
1、应用开发进度监测的目的是增强项目进度的透明度，以便当项目进展与项目计划出现严重偏差时可以采取适当的纠正或预防措施。应用开发进度的监测对于大型团队来说，可以使用项目管理工具，例如trello、jira等；对于个人开发者来说，也可以使用一些简单的工具，例如excel表格等。合理分配工作量是监控软件项目进度中非常重要的一步。为确保项目按照软件开发计划进行，应监控项目计划参数的实际值。
2、在目前的应用开发进度监测中，主要还是采用人工填报开发进度的方式来获取应用开发进度，该方法存在填报精确率低，无法正确反映应用开发进度的问题。
技术实现思路
1、为了解决
技术介绍
中提到的至少一个技术问题，本专利技术的目的在于提供一种基于多因子分权重的应用建设进度监测方法及系统，提高应用开发进度的监测准确率，提升对应用管理的工作效率。
2、为实现上述目的，本专利技术提供如下技术方案：一种基于多因子分权重的应用建设进度监测方法，包括步骤：
3、s1：识别应用的各层级功能模块以及功能模块特征信息；
4、s2：通过人工填报和应用监测来收集应用开发进度的数据、实际性能数据和安全扫描结果；
5、s3：将应用层级功能模块中的子功能仅包含增、删、改或查功能的模块表示为原子模块，接收经步骤s2上传的人工填报数据和应用监测数据进行转换和聚合处理，并将处理后的数据与对
6、s4：构建判别矩阵，并进行一致性验证，计算各应用层级功能模块相对于应用总体的权重；
7、s5：通过功能要求分析、性能要求分析和安全要求分析对原子模块的开发进度数据、实际性能数据和安全扫描结果进行完成度比对，在完成度之间求加权平均值，得到原子模块整体的完成度；通过将各个原子模块整体的完成度与各应用层级功能模块的权重进行加权计算得到应用的整体完成度。
8、进一步地，所述步骤s1包括：
9、s11：通过卷积神经网络模型进行图像识别任务，输出对应图片的功能模块特征信息；通过阈值来确定卷积神经网络模型识别的置信度，将小于阈值的预测结果视为无效；
10、s12：通过递归神经网络模型对web应用的文本描述进行识别，输出对应文本的功能模块特征信息；通过阈值来确定递归神经网络模型识别的置信度，将小于阈值的预测结果视为无效；
11、s13：通过图神经网络模型将识别出的图片特征和文本描述特征作为节点特征，根据节点与根节点的关联关系构建树状图；
12、所述功能模块特征信息包括各级模块名称、功能要求、性能要求、安全性要求中的一种或多种；
13、所述功能要求包括原子模块的几项功能；
14、所述性能要求包括用户并发数量、支持的用户数量、接口请求成功率、并发访问用户数量、并发高峰期请求平均响应时间、并发高峰期请求最大响应时间、并发压测时间；
15、所述安全性要求包括高危漏洞数量、中危漏洞数量、低危漏洞数量。
16、进一步地，所述s4包括：
17、s41：确定web应用各层级功能模块的准则层和子准则层，构建判别矩阵来对准则和子准则进行比较，对判别矩阵进行归一化，并对判别矩阵进行列求和平均，得到每个准则和子准则的权重；
18、s42：通过一致性比例cr判断判别矩阵是否通过一致性检验，若cr值小于等于阈值时，则判别矩阵一致；若cr值大于阈值时，则判别矩阵不一致；
19、s43：提取验证后的判别矩阵权重，构建权重矩阵，权重矩阵为n行m列的矩阵；
20、其中，n表示层级功能模块的数量，m表示准则或子准则的数量；对权重矩阵进行归一化，并将归一化后的权重矩阵与判别矩阵进行相乘，得到应用层级每个功能模块的权重。
21、进一步地，所述s5包括：
22、s51：将提取到的人工填报的原子模块各项功能的开发进度数据进行平均计算，得到对应原子模块的功能开发完成度；
23、s52：通过回归分析方法将性能要求与步骤s2获取的实际性能数据进行比对，通过阈值判断每个性能要求是否已完成，并通过加权平均计算得到原子模块在性能要求方面中的开发进度；
24、s53：通过聚类分析方法将安全要求与步骤s2获取的安全扫描结果进行比对，通过规则引擎判断每个安全要求是否已完成，并通过加权平均计算得到原子模块在安全要求中的开发进度；
25、s54：将功能要求分析、性能要求分析和安全要求分析的结果进行加权平均和统计求解，计算得到原子模块在功能要求分析单元、性能要求分析单元和安全要求分析单元中的整体完成度；
26、s55：将每个原子模块的整体完成度根据与各层级功能模块的权重进行加权计算，得到整个应用各层级的整体完成度。
27、进一步地，还包括：
28、s6：存储应用拆解数据以及应用层级模块的权重，将存储的内容发送给数据库存储，在其他步骤发出数据调用请求时，从数据库中调取数据；
29、s7：接收步骤s5中的开发进度数据，以树状图、鱼骨图、条形图、三色预警中任意一种的形式展示应用整体、各层级子模块及所有原子模块的开发进度。
30、一种基于多因子分权重的应用建设进度监测系统，包括：
31、应用拆解模块：用于识别应用的各层级功能模块以及功能模块特征信息；
32、数据采集模块：通过人工填报和应用监测来收集应用开发进度的数据、实际性能数据和安全扫描结果；
33、处理模块：用于将应用层级功能模块中的子功能仅包含增、删、改或查功能的模块表示为原子模块，接收经数据采集模块上传的人工填报数据和应用监测数据进行转换和聚合处理，并将处理后的数据与对应的原子模块进行关联存储于数据库中；
34、权重分配模块：用于构建判别矩阵，并进行一致性验证，计算各应用层级功能模块相对于应用总体的权重；
35、分析模块：通过功能要求分析、性能要求分析和安全要求分析对原子模块的开发进度数据、实际性能数据和安全扫描结果进行完成度比对，在完成度之间求加权平均值，得到原子模块整体的完成度；通过将各个原子模块整体的完成度与各应用层级功能模块的权重进行加权计算得到应用的整体完成度。
36、进一步地，所述应用拆解模块包括：
37、图像数据识别单元：通过卷积神经网络模型进行图像识别任务，输出对应图片的功能模块特征信息；通过阈值来确定卷积神经网络模型识别的置信度，将小于阈值的预测结果视为无效；
38、文本数据识别单元：通过递归神经网络模型对web应用的文本描述进行识别，输出对应文本的功能模块特征信息；通过阈值来确定递归神经网络模型识别的置信度，将小于阈值的预测结果视为无效；
39、树状图构建单元：通过图神经网络模型将识别出的图片特征和文本描述特征作为节本文档来自技高网...
【技术保护点】
1.一种基于多因子分权重的应用建设进度监测方法，其特征在于，包括步骤：
2.根据权利要求1所述的基于多因子分权重的应用建设进度监测方法，其特征在于，所述步骤S1包括：
3.根据权利要求1所述的基于多因子分权重的应用建设进度监测方法，其特征在于，所述S4包括：
4.根据权利要求1所述的基于多因子分权重的应用建设进度监测方法，其特征在于，所述S5包括：
5.根据权利要求1所述的基于多因子分权重的应用建设进度监测方法，其特征在于，还包括：
6.一种基于多因子分权重的应用建设进度监测系统，其特征在于，包括：
7.根据权利要求6所述的基于多因子分权重的应用建设进度监测系统，其特征在于，所述应用拆解模块包括：
8.根据权利要求6所述的基于多因子分权重的应用建设进度监测系统，其特征在于，所述权重分配模块包括：
9.根据权利要求6所述的基于多因子分权重的应用建设进度监测系统，其特征在于，所述分析模块包括：
10.根据权利要求6所述的基于多因子分权重的应用建设进度监测系统，其特征在于，还包括
...【技术特征摘要】
1.一种基于多因子分权重的应用建设进度监测方法，其特征在于，包括步骤：
2.根据权利要求1所述的基于多因子分权重的应用建设进度监测方法，其特征在于，所述步骤s1包括：
3.根据权利要求1所述的基于多因子分权重的应用建设进度监测方法，其特征在于，所述s4包括：
4.根据权利要求1所述的基于多因子分权重的应用建设进度监测方法，其特征在于，所述s5包括：
5.根据权利要求1所述的基于多因子分权重的应用建设进度监测方法，其特征在于，还包括：
...
【专利技术属性】
技术研发人员：付信成，李玲，姜励，
申请(专利权)人：浙江省公众信息产业有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。