Medición de Atributos Internos. Tamaño. Administración y Gestión de Proyectos de Software. Medición de Atributos Internos. Tamaño

Transcripción

1 Medición de Atributos Internos. Tamaño Administración y Gestión de Proyectos de Software (AGPS6) El tamaño del software puede ser descripto con tres atributos: 1. Longitud: mide tamaño físico del producto. 2do. Cuatrimestre Funcionalidad: mide las funciones provistas por el producto. Depto. Cs. e Ingeniería de la Computación Universidad Nacional del Sur. Complejidad: puede ser interpretada de distintas maneras Prof. Sergio Martig Clase 6-2 Medición de Atributos Internos. Tamaño Complejidad: 1. Complejidad del Problema: del problema a resolver. 2. Complejidad del Algoritmo: del algoritmo utilizado. Eficiencia del SW.. Complejidad Estructural: mide la estructura del SW implementado.. Complejidad Cognitiva: esfuerzo requerido para entender el SW. Consenso en medir longitud de programas, pero no de especificaciones. Existen trabajos para medir funcionalidad de especificaciones. Pocos avances en medición de complejidad. Medición de Atributos Internos. Tamaño Las mediciones de tamaño generalmente se rechazan debido a: 1. Esfuerzo: no tienen en cuenta redundancia y complejidad 2. Productividad: no consideran funcionalidad y esfuerzo. Costo: no contabilizan complejidad y reuso Prof. Sergio Martig Clase 6 - Prof. Sergio Martig Clase 6-1

2 Medición de Atributos Internos. Tamaño Longitud del Código: Líneas de Código Los tres productos mas importantes cuyo tamaño sería importante medir: Especificaciones Diseño Código La medida más comunmente usada son las líneas de código: LOC Se debe tener en cuenta: líneas en blanco, líneas de comentarios, declaración de datos y líneas que contienen varias instrucciones. Qué consideramos líneas de código? Prof. Sergio Martig Clase 6 - Prof. Sergio Martig Clase 6-6 Longitud del Código: Líneas de Código Longitud del Código Conte, Dunsmore & Shen: cualquier línea de texto de programa que no es comentario o línea en blanco, independientemente del número de sentencias o fragmentos de sentencias en la línea. Hewlett- Packard: una sentencia de código fuente no comentada: cualquier sentencia excepto comentarios o líneas en blanco. NCLOC - CLOC: non commented line of code - commented line of code ELOC: effective line of code longitud total LOC = NCLOC + CLOC Sería posible distinguir entre la cantidad de código entregado ( DSI: delivered source instructions) y la cantidad de código desarrollado. Formulas de Halstead: Volumen = Longitud * log2(v ocabulario) Otro enfoque es medir longitud de acuerdo a: 1. Número de bytes de almacenamiento requerido para el texto del programa. 2. Número de caracteres (CHAR) en el texto del programa. Prof. Sergio Martig Clase 6-7 Prof. Sergio Martig Clase 6-8 2

3 Longitud del Código Longitud de Especificaciones y Diseño En programación visual, entornos de ventanas, orientación a objetos lenguages de cuarta generación cambian las nociones de tamaño. Surgen dos nuevos objetivos de medición: 1. Cómo se tienen en cuenta objetos no textuales? 2. Cómo medimos componentes construidas externamente? (entorno) Pfleeger: contar objetos y métodos conduce a estimaciones más precisas. Las especificaciones y diseños consisten de textos y diagramas. Se deben medir diferentes objetos atómicos. Los objetos atómicos para DFD: procesos, entidades externas, flujos de datos, almacenamientos. Las entidades atómicas para especificaciones algebraicas son clases, funciones, operaciones y axiomas. Intuitivamente: se predice la longitud como una estimación de la longitud de productos de etapas posteriores a partir de la longitud de productos ya construidos. Prof. Sergio Martig Clase 6-9 Prof. Sergio Martig Clase 6 - Longitud de Especificaciones y Diseño Intuitivamente es tentador obtener una estimación de la longitud del código aq partir de la longitud de las estimaciones, para lo cual necesitamos conocer: Ratio de Expansión (α): tamaño de diseño / tamaño de código LOC = α tamaño del módulo i, 1 i n Walston & Felix: D: documentación medida en páginas. L: longitud del programa. D = 9L 1.01 Para estimaciones precisas, se deben recolectar datos para entornos específicos Reuso Reuso: Mejora la productividad y la calidad. Difícil de definir formalmente. Grado de Reuso: NASA/Goddard s Software Engineering Lab. Reuso Verbatim: reusado sin cambio. Ligeramente Modif.: se reusó modificando menos del 2% LOC. Extensamente Modif.: se reusó modificando más del 2% LOC. Nuevo: ninguna línea proviene de una componente previa. Ratio de Reuso = Líneas reusadas / LOC Prof. Sergio Martig Clase 6-11 Prof. Sergio Martig Clase 6-12

4 Funcionalidad Funcionalidad Muchos Ing. de SW argumentan que la cantidad de funcionalidad inherente al producto da una mejor aproximación del tamaño del mismo Prefieren estimar funcionalidad antes que tamaño Se intenta capturar una noción intuitiva de la cantidad de función contenida en un producto o en una descripción de lo que se supone que será el producto. Tres enfoques 1. Puntos de Función de Albrecht 2. COCOMO. Peso de Especificación de De Marco Idea intuitiva: Si un programa P es la implementación de la especificación S, entonces P y S deberían tener la misma funcionalidad Prof. Sergio Martig Clase 6-1 Prof. Sergio Martig Clase 6-1 Funcionalidad. Puntos Función de Albrecht Puntos de Función (PF): intenta medir la cantidad de funcionalidad de un sistema, descripta en la especificación. Pasos: 1. Calcular PFNA (Puntos de función No Ajustado) 1.1 Contar el número de ítem de cada tipo 1.2 Asignar una complejidad subjetiva a cada ítem: simple, media, compleja. 1. Asignar un peso al ítem segun tabla respectiva 2. Calcular FCT (Factor de Complejidad Técnica) 2.1 Asignar un peso a cada factor de la tabla F i. Calcular PF = PFNA * FCT Puntos Función. PFNA 1.1 Contar en la representación del producto: a) Inputs Externos. b) Outputs Externos. c) Consultas. d) Archivos Externos. e) Archivos Internos. 1.2 Asignar a cada tipo de ítem una complejidad subjetiva usando una escala ordinal: simple, o compleja 1. Pesar cada tipo de ítem según su complejidad (asociar un valor numérico n = f(ítem, complejidad)) Prof. Sergio Martig Clase 6-1 Prof. Sergio Martig Clase 6-16

5 User Inputs Externos Req. Errores encontrados Req. Palabras procesadas Documento Diccionario Personal Outputs Externos Consultas Archivos Internos Archivos Externos Diccionario Corrector Puntos Función. PFNA Corrector Palabras Diccionario Corrector Mensaje Cant. Errores encontrados Mensaje Cant. Palabras Proc. Reporte Palabras erróneas Nombre Documento Nombre Dicc. Pers. Mensaje Cant. Errores Mensaje Cant Palabras Proc Reporte Palabras error Req. Errores Enc. Req. Palabras Proc. Documento - Diccionario Personal Prof. Sergio Martig Clase 6-17 User Inputs Externos Outputs Externos Consultas Archivos Internos Archivos Externos Nombre Documento Nombre Dicc. Pers. Mensaje Cant. Errores Mensaje Cant Palabras Proc Reporte Palabras error Req. Errores Enc. Req. Palabras Proc. Diccionario Corrector Documento Diccionario Personal Puntos Función. PFNA complejo simple simple complejo Prof. Sergio Martig Clase Puntos Función. PFNA Puntos Función. FCT f(item, complejidad) Inputs Externos Outputs Externos Consultas simple complejo F1 F 2.Calcular FCT (Factor de Complejidad Técnica) 2.1 Asignar un peso a cada factor de la tabla F i Back-up y recuperación confiable Funciones distribuidas F2 F Comunicaciones de Datos Performance Archivos Internos Archivos Externos F F7 Configuración Usada Facilidad de Uso F6 F8 Captura de datos en línea Actualización en línea 1 (1) PFNA = (Nº item variedad i * peso Variedad i) i=1 Para el ejemplo: PFNA = 2* + (2* + 1*7) + 2* + 1* + 2* = 61 F9 F11 F1 Interfaz compleja Reusabilidad Sitios múltiples F F12 F1 Procesamiento complejo Facilidad de Instalación Facilidad de cambios Prof. Sergio Martig Clase 6-19 Prof. Sergio Martig Clase 6-20

6 Puntos Función. FCT Cada componente o factor de la tabla se le asigna un número entre 0 y. 0 = irrelevante, = y = escencial Luego se combinan los 1 en un Factor de Complejidad Técnica final: 1 (2) FCT = Fi 0.6 FCT 1., en el caso 1.07 i=1 Para el ejemplo: F1 F F F7 F9 F11 Back-up y recuperación confiable Funciones distribuidas Configuración Usada Facilidad de Uso Interfaz compleja Reusabilidad Puntos Función. FCT F2 Comunicaciones de Datos 0 F Performance F6 F8 F F12 Captura de datos en línea Actualización en línea Procesamiento complejo Facilidad de Instalación 0 F1 Sitios múltiples 0 F1 Facilidad de cambios FCT = (6* + 2*) = 0.9 Prof. Sergio Martig Clase 6-21 Prof. Sergio Martig Clase 6-22 Finalmente () PF = PFNA * FCT Para el ejemplo PF = 61 * 0.9 = 6.7 Puntos Función Los PF pueden ser utilizados para estimar esfuerzo. Supongamos que tenemos información del esfuerzo necesario para implementar un PF. Albrecht propone los PF como medida del tamaño independiente de la tecnología. Problemas con los Puntos Función Subjetividad en Factor de Complejidad Tecnológico: Variación de % Contar las cosas 2 veces. Valores Intuitivos: Fi = =. FCT = 1 NO FCT = 1.07 Problemas con exactitud: FCT no mejora significativamente la estimación de recursos. No se puede usar anticipadamente: requiere la especificación completa. Problemas con cambio de requerimientos: Variaciones de 00% a 2000% luego de implementación. Problemas con dominios de aplicación: Funciona bien para sistemas de información administrativos, no en sistemas de tiempo real o en aplicaciones científicas. Problemas de dependencia de tecnología: no es independiente de los métodos de análisis y diseño usados. Prof. Sergio Martig Clase 6-2 Prof. Sergio Martig Clase 6-2 6

7 Funcionalidad. COCOMO Funcionalidad. COCOMO 2.0 En los 70 Bohem derivó el COnstructive COst Model (COCOMO). Él fue el primer investigador en analizar a la ISW desde el punto de vista económico. Constituye actualmente una referencia útil para entender los modelos de costos. Conjuntamente con un grupo de colegas revisaron el modelo sugiriendo una versión actualizada COCOMO 2.0 (199) que considera los avances tecnológicos. COCOMO es un modelo utilizado para predecir esfuerzo a partir de una fórmula cuya variable independiente principal es el tamaño Prof. Sergio Martig Clase 6-2 Bohem & Colegas utilizaron puntos de función cuando el sistema estaba completamente especificado, pero eligieron puntos de objeto como medida más anticipada (COCOMO 2.0). Los puntos de objetos constituyen una síntesis del procedimiento sugerido por Kauffman, Kumar, y Banker. Para calcular los puntos de objetos, se cuentan pantallas, informes y componentes en lenguages de tercera generación involucrados en la aplicación. Se asume que estos objetos estan definidos de manera standard por el ICASE y se clasifican como simple, medio o dificultoso (alta). Prof. Sergio Martig Clase 6-26 Funcionalidad. COCOMO 2.0 Cada objeto-tipo tiene un peso según tabla respectiva. Funcionalidad. COCOMO 2.0 Luego cada indicador es pesado según la siguiente tabla Los pesos reflejan el esfuerzo relativo requerido para implementar una instancia de ese nivel de complejidad A diferencia de puntos de función, se tiene en cuenta el reuso. Asume que un r% de objetos serán reusados de proyectos anteriores. Nuevo Puntos de Objetos = Puntos de Objeto * (0 - r)/0. Prof. Sergio Martig Clase 6-27 Prof. Sergio Martig Clase

8 Funcionalidad. COCOMO 2.0 Para usar este número como estimación del esfuerzo, COCOMO 2.0 determina un ratio de productividad (nuevos puntos de objeto por mes por persona)a partir de una tabla basada en la experiencia del desarrollador, junto con madurez del ICASE. Complejidad Algunas de las medidas de funcionalidad intentan un ajuste en relación de la complejidad del problema. Un problema puede tener varias soluciones de distinta complejidad. Complejidad de la Solución <= Complejidad del Problema. Complejidad del Problema: cantidad de recursos requeridos para una solución óptima del problema. Complejidad de la Solución: cantidad de recursos necesarios para implementar una solución particular. La complejidad de la solución tiene, al menos, dos aspectos: tiempo y espacio Prof. Sergio Martig Clase 6-29 Prof. Sergio Martig Clase 6-0 Complejidad Complejidad- tiempo: el recurso es tiempo del computador. Complejidad- espacio: el recurso es memoria del computador. Para medir la eficiencia de una solución, como la solución está basada en un algoritmo se mide la eficiencia del algoritmo. Ejemplo: 1. Búsqueda Secuencial: el peor caso son n comparaciones. 2. Búsqueda Binaria: el peor caso es log 2(n). Medir tiempo de ejecución: es una medida de eficiencia externa. Depende de factores externos. Idea intuitiva: 1. Identificar un pequeño número de operaciones aritméticas primitivas relevantes del algoritmo. Ejemplo: en búsquedas/sorts: comparaciones 2. Usando esa información medir en términos del número de operaciones requeridas para un input dado. Prof. Sergio Martig Clase 6-1 Prof. Sergio Martig Clase 6-2 8

9 Se mide el producto y no el proceso. No es más dependiente de la máquina o de la implementación. Es específica de un input con respecto al algoritmo. En la mayoría de los problemas los inputs pueden caracterizarse por un solo parámetro de tamaño n. Ejemplo: algoritmo de búsqueda. Input: lista de elementos e ítem a buscar. La eficiencia del algoritmo depende de la longitud de la lista El número máximo de operaciones primitivas requeridas para cualquier algoritmo es f(n). Ejemplo: log 2(n), n 2, n,... Idea: Definir una relación empírica >: más eficiente. No es claro que pares estan en la relación. Ejemplo: n 2?? 0 * n Para precisarlo se usa un formalismo matemático notación big- O. El orden de una función. Intuitivamente: se busca el término dominante de f(n) y se ignoran constantes. Ejemplo: f(n) = n 2 + 2n + 6 O(n 2 ) Prof. Sergio Martig Clase 6 - Prof. Sergio Martig Clase 6 - Es demostrable que se cumple: O(1) O(log n) O(n) O(n*log n) O(n 2 ) O(c n ) Algunas más comunes: 1. f(n) es O(1): complejidad constante 2. f(n) es O(log n): complejidad logarítmica. f(n) es O(n): complejidad lineal. f(n) es O(n 2 ): complejidad cuadrática. f(n) es O(c n ), donde c > 1: complejidad exponencial Se define la Eficiencia de un algoritmo A como O(f(n)), donde para un tamaño de input n, A requiere al menos O(f(n)) operaciones para el peor caso. La función exhibe un comportamiento asintótico. Se aproxima La eficiencia de n y 2n, se mapean a O(n): comportamiento asintótico. A(O(n)) < A(O(n2)). Con n suficientemente grandes A(O(n2)) será más lento que A(O(n)) Prof. Sergio Martig Clase 6 - Prof. Sergio Martig Clase 6-6 9

10 En función de este cálculo de eficiencia se puede medir el tiempo de ejecución. Si se conoce el tiempo de ejecución de la operación primitiva, se determina O(g) del algoritmo y dado el valor de n de input, se obtiene la estimación del tiempo de ejecución. Un algoritmo de eficiencia O(g) < O(n i ) para algun i N se dice acotado polinómicamente. Es posible implementar un algoritmo acotado polinómicamente para un input grande. Supongamos que para solucionar todas las instancias de un problema particular un algoritmo requiere f(n) cálculos. Decimos que f(n) es asintóticamente óptima si para todo algoritmo con complejidad g que soluciona el problema, f es O(g). Complejidad de un Problema: es el orden del algoritmo asintóticamente óptimo para la solución del problema. Un problema que tiene una solución acotada polinómicamente se dice factible. Prof. Sergio Martig Clase 6-7 Prof. Sergio Martig Clase 6-8 P: la clase de todos los problemas factibles. NP: la clase de programas cuya factibilidad es desconocida. Parecieran no admitir solución, pero hay métodos (algoritmos acotados polinómicamente) para chequear una solución. NP- completo: subconjunto de programas más complejos. La jerarquía de clases de complejidad está dada por P, NP y NP- completo Prof. Sergio Martig Clase 6-9