基于Gompertz增长模型的BUG预测基于Gompertz增长模型的BUG预测背景我们在⽇常的软件测试过程中会发现，在测试的初始阶段，测试⼈员对测试环境不很熟悉，因此⽇均发现的软件缺陷数⽐较少，发现软件缺陷数的增长较为缓慢；随着测试⼈员逐渐进⼊状态并熟练掌握测试环境后，⽇均发现软件缺陷数增多，发现软件缺陷数的增长速度迅速加快；但随着测试的进⾏，软件缺陷的隐藏加深，测试难度加⼤，需要执⾏较多的测试⽤例才能发现⼀个缺陷，尽管缺陷数还在增加，但增长速度会减缓，同时软件中隐藏的缺陷是有限的，因⽽限制了发现缺陷数的⽆限增长。
这种发现软件缺陷的变化趋势及增长速度是⼀种典型的‘S’曲线，满⾜Gompertz增长模型的应⽤条件。
模型表达式为：Y=a*b(c T)其中Y表⽰随时间T发现的软件缺陷总数，a是当T→∞时的可能发现的软件缺陷总数，即软件中所含的缺陷总数。
a*b是当T→0时发现的软件缺陷数，c表⽰发现缺陷的增长速度。
我们需要依据现有测试过程中发现的软件缺陷数量来估算出三个参数a，b，c的值，从⽽得到拟合曲线函数.实际使⽤1. 统计项⽬每天的累积BUG数,获得若⼲递增的数据2. 根据数据获得拟合曲线,计算出a,b,c的值,其中a为可能的软件缺陷总数3. 根据a,b,c的值,计算时间T,其中可按95%的a或者90%的a来计算需要发现95%/90%的bug所需要的时间4. T-已花费的时间=为了达到质量所仍需的天数原型代码如下(python)# coding: UTF-8import mathimport numpy as npfrom scipy.optimize import leastsq###采样点#project 1yi=np.array([2,4,4,6,12,15,21,27,39,45,50,54])#project 2yi=np.array([6,11,15,20,25,31,33,41,42,44,49,52,53])ti=np.array(xrange(1,yi.size+1))total=yi[-1]def func(p,t):a,b,c=preturn a*b**(c**t)def error(p,t,y,s):print sreturn func(p,t)-ydef extra(thread,a,b,c,total,day):expect=a*thread/100T=(math.log(math.log(expect/a)/math.log(b)))/math.log(c)if T>day:return T-dayelse:return 0#初始值p0=[1500,0.078,0.874]s="Test the number of iteration"para=leastsq(error,p0,args=(ti,yi,s))a,b,c=para[0]print 'a=',a,'b=',b,'c=',cprint '预期bug总数:',aprint '已发现bug总数:' ,totalprint '已发现bug占⽐:',total/aday=yi.sizeprint '已花费天数:' ,dayT=extra(95,a,b,c,total,day)print '为达到发现95的bug还需要%d天'%TT=extra(90,a,b,c,total,day)print '为达到发现90的bug还需要%d天'%Timport matplotlib.pyplot as pltplt.figure(figsize=(8,6))plt.scatter(ti,yi,color='red',label='Sample Point',linewidth=3)t=np.linspace(0,yi.size*2,1000)y=a*b**(c**t)plt.plot(t,y,color='orange',label='fitting Point',linewidth=2)plt.legend()plt.show()意义评估当前项⽬测试的程度评估可能线上问题的数⽬评估达到发布质量所额外需要的⼯时不⾜这个⽅法使⽤前提是产品的整个测试活动中测试能⼒保持相对稳定，⽐如分轮次提测或者测试⼈⼒投⼊时间不均匀,数值可能误差较⼤对测试过程中发现的缺陷只做数量上的处理，不做等级上的划分未来可以考虑优化这个预测模型或者采⽤更好的模型去判断测试退出时间点以及预测漏侧数量。
