软件构造课程总结(一)——软件构造的多维度视图和质量目标

多维度视图

请添加图片描述

Build-time Views (构造阶段)
Build-time, moment, and code-level view

描述源代码如何按基本程序块进行逻辑组织,如函数、类、方法、接口等,以及它们之间的依赖关系。(代码的逻辑组织

  • 词汇层面:面向词汇的源代码
  • 语法层面:面向语法的程序结构(AST, 抽象语法树)
  • 语义层面:面向语义的程序结构(类图)
Build-time, period, and code-level view
  • Code churn:描述一段时间内代码变化。
Build-time, moment, and component-level view

源代码如何按文件、目录、包、库以及它们之间的依赖关系进行物理组织。(代码的物理组织

  • 源代码被物理地组织成文件,这些文件进一步按目录组织
  • 文件封装在包中,从逻辑上讲,封装到组件和子系统中
  • 可重用模块采用库的形式组织
Build-time, period, and component-level view

描述各项软件实体随时间如何变化。

  • 配置项(SI),版本(Version)等
Runtime Views (运行阶段)
Run-time, moment, and code-level view

请添加图片描述

  • 代码快照图:描述程序运行时内存里变量层面的状态

  • 内存信息转储:硬盘上的文件,其中包含进程内存内容的副本,当进程因某些类型的内部错误或信号而中止时生成

Run-time, period and code-level view
  • UML中的流程图:描述在一段时间内不同程序单元的交互情况
  • Execution tracing 执行跟踪:用日志方式记录程序执行的调用次序
Run-time, moment, and component-level view
  • UML中的组件图
Run-time, period, and component-level view
  • 系统层面的事件日志:事件日志记录为系统管理员提供了对诊断和审计有用的信息

视图间的转换

请添加图片描述

软件系统的质量指标

外部与内部的质量因素
  • 外部质量因素:影响用户
  • 内部质量因素:影响软件本身和它的开发者
  • 外部质量取决于内部质量
外部质量因素
正确性

评价软件是否按照预先定义的“规约”执行,是最重要的质量指标。

  • 测试以及调试来保证正确性
  • 防御式编程:写程序时就确保正确性
  • 形式化方法:通过形式化验证来发现问题
健壮性

描述软件能否正确处理异常情况,是对正确性的补充。

  • 正确性:软件的行为要严格的符合规约中定义的行为
  • 健壮性:出现规约定义之外的情形的时候,软件要做出恰当的反应
  • “normal”和“abnormal”是主观而非客观:所谓的“异常”,取决于spec的范畴,未被spec覆盖的情况即为“异常情况”
可扩展性

评价对软件的规约进行修改是否足够容易。

问题规模越大扩展越不容易,扩展是为了应对变化。

两条原则:

  • 简约主义设计(软件结构简单)
  • 分离主义设计(解除模块耦合)
可复用性

即描述是否可以“一次开发,多次使用”

发现不同场景的共性

  • 不要重复你自己(DRY)
  • 不要重复造轮子
软件性能

描述软件系统对硬件资源提出尽可能少的需求的能力

  • 性能毫无意义,除非有足够的正确性
  • 对性能的关注 要与 其他质量属性进行折中
  • 过度的优化导致软件不再适应变化和复用
及时性

描述软件是否能够按时发布,过晚地发布将不能达到软件原本的目标。

内部质量因素
  • 与源代码相关的因素,如代码行(LOC)、循环复杂性等
  • 与体系结构相关的因素,如耦合、内聚度等
  • 可读性,易理解性,清晰/确切性,大小等

内部质量因素通常被用作外部质量因素的部分测量。

不同质量指标间折中

请添加图片描述

正确的软件开发过程中,开发者应该将不同质量因素之间如何做出折中的设计决策和标准明确的写下来。

虽然需要折中,但“正确性”绝不能与其他质量因素折中。

软件构造的五大关键质量目标

  1. 优雅的代码——易于理解
  2. 复用性设计——节约开发成本
  3. 低复杂度——易于改变,扩展
  4. 正确性和健壮性——没有漏洞,不易出错
  5. 性能和效率——高效运行
  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
图像识别技术在病虫害检测中的应用是一个快速发展的领域,它结合了计算机视觉和机器学习算法来自动识别和分类植物上的病虫害。以下是这一技术的一些关键步骤和组成部分: 1. **数据收集**:首先需要收集大量的植物图像数据,这些数据包括健康植物的图像以及受不同病虫害影响的植物图像。 2. **图像预处理**:对收集到的图像进行处理,以提高后续分析的准确性。这可能包括调整亮度、对比度、去噪、裁剪、缩放等。 3. **特征提取**:从图像中提取有助于识别病虫害的特征。这些特征可能包括颜色、纹理、形状、边缘等。 4. **模型训练**:使用机器学习算法(如支持向量机、随机森林、卷积神经网络等)来训练模型。训练过程中,算法会学习如何根据提取的特征来识别不同的病虫害。 5. **模型验证和测试**:在独立的测试集上验证模型的性能,以确保其准确性和泛化能力。 6. **部署和应用**:将训练好的模型部署到实际的病虫害检测系统中,可以是移动应用、网页服务或集成到智能农业设备中。 7. **实时监测**:在实际应用中,系统可以实时接收植物图像,并快速给出病虫害的检测结果。 8. **持续学习**:随着时间的推移,系统可以不断学习新的病虫害样本,以提高其识别能力。 9. **用户界面**:为了方便用户使用,通常会有一个用户友好的界面,显示检测结果,并提供进一步的指导或建议。 这项技术的优势在于它可以快速、准确地识别出病虫害,甚至在早期阶段就能发现问题,从而及时采取措施。此外,它还可以减少对化学农药的依赖,支持可持续农业发展。随着技术的不断进步,图像识别在病虫害检测中的应用将越来越广泛。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

梚辰

感谢支持

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值