دانلود ترجمه مقاله مشخصه های کیفی در ارزیابی قابلیت اطمینان محصول نرم افزاری

1. مقدمه 2. پیشرفت های اخیر 3. روش سنجش مشخصه های کیفی 4. مروری بر مشخصه های کیفی 5. ارزیابی روش 6. نتیجه گیری و چشم انداز آتی

پیشرفت های اخیر: به طور کلی، کیفیت به عنوان درجه ای مطرح می گردد که مجموعه ای از ویژگی های ذاتی یک شی مورد نیاز را تعریف می کند (ISO 2015). در زمینه رقابت جهانی و سیستم های هوشمند، سیستم های بسیار پیچیده ای بر اساس الزامات پر اهمیت بایستی توسعه داده شوند. این سیستم ها، حاوی اجزای مکانیکی، الکتریکی و پردازش اطلاعات می باشند که هوش و ویژگی های اتوماسیون را به وسیله ی تعامل به دست می آورند، برای مثال؛ سنسور های هوشمند و بازیگران، از این ویژگی ها بهره می برند (jazdi 2014). به ویژه این که نرم افزار بایستی برای نیاز های ویژه ی مربوط به " صنعت چهارم" و موارد اینترنتی طراحی گردد (Weyrich 2016). این نیازها در اهداف عمومی با سیستم های مرسوم متفاوت می باشند (Lee 2008). جنبه ی ذاتی در تعیین کیفیت به توضیح این حقیقت می پردازد که چنین ویژگی هایی همواره ارائه شده و می توانند اندازه گیری شوند. این امر منجر به نیازی می شود که ویژگی های کیفی ضروری را مجبور به تعیین کمیت می کند. بدون اندازه گیری و مقدار سنجی، هیچ گونه توضیحی در رابطه با کیفیت ممکن نیست. برای مثال، یک نرم افزار با کیفیت، خطاهای کمتری را نشان داده و از قابلیت اطمینان بالایی برخوردار است. بر این اساس، قابلیت اطمینان نرم افزاری می تواند به عنوان یک نوع اندازه برای کیفیت نرم افزاری مطرح گردد (jazdi 2012). امکان تخمین کمی قابلیت اطمینان نرم افزاری یکی از جنبه های مهم برای سیستم های کیفی سطح بالاست. قابلیت اطمینان سیستم به عنوان قابلیت یک سیستم و یا یک جزء برای انجام عملیات تحت شرایط اعلام شده برای یک دوره ی زمانی ویژه است (IEEE 1990). یک سیستم در رابطه با " صنعت چهارم" سیستم خودکاری است که امکان اتصال عملیات فیزیکی واقعی را در سخت افزار، به همراه محاسبه و زیر ساخت های ارتباطی و همچنین در نرم افزار (Lee 2008 )، (Bahati 2011)، (GNACE 2011) فراهم می نماید. قابلیت اطمینان سخت افزاری با در نظر گرفتن عوامل تاثیر گذاری همانند درجه حرارت، ولتاژ بالا، جریان بیش از حد یا رزونانس مشخص می شود. بر اساس داده های تجربی و دانش در دسترس مرتبط با میزان اشتباه مکانیکی و اجزای الکتریکی، قابلیت اطمینان سخت افزاری می تواند با استفاده از یک مدل احتمالی محاسبه گردد (jazdi 2012). در مقابل سخت افزار، قابلیت اطمینان نرم افزاری در معرض متغیر های بسیاری قرار دارد که نیازمند روش های دیگری برای محاسبه می باشد. با توجه به این واقعیت، در اشتباهات نرم افزاری هیچ علت فیزیکی دخالت نداشته، هیچ داده ی تجربی وجود ندارد، به خصوص در مراحل اولیه ی توسعه، هیچ نوع مدل احتمالی ای وجود ندارد که قادر به تخمین قابلیت اطمینان از قابلیت اطمینان نرم افزاری را ارائه نماید. علاوه بر این، خطایی که منجر به شکست نرم افزار می شود، بستگی به شرایط فرعی مختلف در حالت اجرایی دارد. بنابراین، قابلیت اطمینان نرم افزاری با عدم اطمینان های بسیاری روبروست.

STATE OF THE ART: Quality in general is defined as the degree to which a set of inherent characteristics of an object fulfils requirements (ISO 2015). In the context of globalized competition and smart systems, more and more complex systems on basis of high demanding requirements have to be developed. These systems contain mechanical, electrical and information processing components which gain intelligence and autonomous characteristics by the integration of, for example, smart sensors and actors (Jazdi 2014). Especially the software has to be designed for the special needs of "Industry 4.0" and the internet of things (Weyrich 2016). These needs differ from those of conventional systems in general purpose (Lee 2008). The aspect of inherence in the quality definition describes the fact that these characteristics are always present and can be measured. This leads to the need that the essential quality characteristics have to be quantified. Without measurement and quantification no statement about quality is possible. For example a high-quality software shows fewer errors and has a high reliability. On basis of that, the software reliability can be considered as a metric for the software quality (Jazdi 2012). The possibility to quantitatively estimate the software reliability is therefore an important aspect to develop high qualitative systems. The reliability of a system is defined as the ability of a system or a component to function under stated conditions for a specific period of time (IEEE 1990). A smart system in the context of "Industry 4.0" is an automated systems that enables connection of the operations of the physical reality, in hardware, with computing and communication infrastructures, in software (Lee 2008), (Bahati, 2011), (GNACE 2011). Therefore a separated view for the hardware and the software is necessary. Hardware reliability is determined by the consideration of influencing factors like temperature, overvoltage, overcurrent or erosion. On basis of empirical data and the associated available knowledge about the error rate of mechanical and electrical components, the hardware reliability can be calculated with the usage of a probability model (Jazdi 2012). In contrast to hardware, the software reliability is exposed to many variables which requires another methods to calculate. Due to the fact, that software errors has no physical causes and no empirical data is available, especially in early development stages, there are no probability models which can provide a reliable estimation of the software reliability. Furthermore, an error which leads to a failure of the software is depending on various additional conditions in the execution context. Therefore, the software reliability depends on many uncertainties.