CLA-2016: استفاده از سیستم های هوشمند و تجزیه و تحلیل ساختاری برای اطمینان از عملکرد منظم پلتفرم های معاملاتی و مبادلات مدرن

Exactpro بخشی از بخش خدمات فناوری LSEG است. این شرکتی است که با یک مدل دسترسی باز فعالیت می کند که بر تست عملکردی و عملیاتی امنیت داده ها، سیستم های معاملاتی، مدیریت ریسک، نظارت بر بازار و زیرساخت های پس از تجارت تمرکز دارد. این شرکت اتوماسیون تست موثر را با پوشش گسترده و کارایی هزینه، نگهداری و پایداری فوق العاده ارائه می دهد. در طول سال ها، Exactpro مجموعه ای منحصربفرد از ابزارهای اتوماسیون تست را توسعه داده است که آن را قادر می سازد واقعاً در زمینه خدمات آزمایشی برتر باشد. علاوه بر این، ما به طور مداوم در جستجوی روش های مختلف از جمله تحقیقات علمی هستیم تا استانداردهای کیفیت بالایی را که صنعت ارائه می کند برآورده کنیم. آخرین حوزه های تحقیقاتی ما نظارت بر بازار و مدیریت نقص است.

دو جهت کار ما

پلتفرم های تجارت الکترونیک در سال های اخیر به بخش مهمی از بازار تبدیل شده اند. در عصر تجارت با فرکانس بالا و الگوریتمی، فناوری های مورد استفاده توسط پلتفرم های معاملاتی باید بسیار پیچیده و کارآمد باشند. واضح است که مسیریابی سفارشات الکترونیکی و انتشار اطلاعات تجاری نیاز به توجه بیشتری دارد. بنابراین توالی عملیات موضوع مالی مهمی است که اخیراً توجه محققین را به خود جلب کرده و می تواند کیفیت بسترهای معاملات الکترونیکی را بهبود بخشد.

اعتبارسنجی یک دنباله از عملیات را می توان از طریق دو حالت اجرا کرد. اولین مورد، تشخیص رفتار سوء در بازار از طریق نظارت و تجزیه و تحلیل همه رویدادهای بازار است. توسط سیستم های نظارتی انجام می شود که تشخیص و جلوگیری از سوء استفاده از بازار را تضمین می کند، به عنوان مثال. توزیع اطلاعات نادرست، دستکاری قیمت، معاملات داخلی و غیره.

مورد دوم بررسی ثبات فنی است. مدیریت نقص بخش اساسی بهبود قابلیت اطمینان نرم افزار از طریق ابزارهای تست است. موسسه تضمین کیفیت در تحقیقات خود بیان می کند که مدیریت نقص شامل شش عنصر است: کشف یک نقص، پیشگیری از نقص، خط مقدم، حل نقص، بهبود فرآیند، گزارش مشکل.

مدیریت نقص نقص نرم افزار Brecause بسیار مهم است. به عنوان مثال ، انستیتوی ملی استاندارد و فناوری (NIST) تخمین زده است که نقص نرم افزار برای اقتصاد ایالات متحده حدود 60 میلیارد دلار در سال هزینه دارد. مطالعه NIST همچنین نشان داد که شناسایی و تصحیح این نقایص در اوایل می تواند تا 22 میلیارد دلار در سال پس انداز شود.

با توجه به "بررسی تحقیقات در گزارش نقص نرم افزار" ، پنج زمینه تحقیق در مدیریت نقص وجود دارد:

• رفع نقص خودکار
• تشخیص نقص خودکار
• معیارها و پیش بینی گزارش های نقص
• کیفیت گزارش های نقص
• گزارش های نقص

هدف ما امروز به دست آوردن بینش بهتری از معیارها و پیش بینی های گزارش های نقص است. ایجاد و استفاده از معیارها یک کار مهم است زیرا آنها می توانند به مدیران پروژه کمک کنند تا تصویری جامع از خطرات عمومی را ببینند و از آنها جلوگیری کنند.

به طور معمول ، شرکت های نرم افزاری برای مدیریت نقص از سیستم های ردیابی اشکال (BTS) استفاده می کنند. اطلاعات ساختاری در مورد نقص یک مزیت بزرگ BTSS است که در آن یک اشکال به عنوان مجموعه ای از ویژگی ها نشان داده می شود. بنابراین ، چنین برنامه ای می تواند به جمع آوری داده ها برای تحقیقات ما کمک کند و به ما امکان جمع آوری آمار و استفاده از آنها را برای پیش بینی ها و تجزیه و تحلیل داده ها می دهد.

2. رویکرد و کار مرتبط.

سیستم های نظارتی.

بیشتر محققان در زمینه سیستم های نظارت ، موافق هستند که به طور کلی ، ویژگی های این سیستم ها را می توان به سه دسته تقسیم کرد:

• تجزیه و تحلیل زمان واقعی ویژگی ها ، برای اطمینان از کنترل کامل در مبادله.
• با شناسایی خودکار معاملات و رویدادهایی که منجر به هشدار ، زمان واقعی و آفلاین می شود ، هشدارها ایجاد می کنند.
• پخش مجدد بازار آفلاین برای تجزیه و تحلیل عمیق تر از رفتار مشتری ، برای تأیید یا رد ماهیت سوءاستفاده آن.

تأمین کنندگان نرم افزار مدرن سیستم های نظارتی محصولات قدرتمندی را برای تجزیه و تحلیل و گزارش رفتارهای سوءاستفاده در زمینه بازارهای بی ثبات ارائه می دهند. این ابزارها می توانند جریان داده های فرکانس بالا را پردازش کنند ، نظارت ، ذخیره و بازیابی داده های تجارت ، داده های سفارش و داده های بازار ، ارائه تجزیه و تحلیل بازار متقابل ، اجازه پخش مجدد بازار و غیره.

در نتیجه ظاهر مداوم ابزارها و ویژگی های جدید ، سیستم های نظارت بر بازار مدرن حجم عظیمی از داده ها را جمع می کنند. بسیاری از هشدارهای تولید شده ، اطلاعات زیادی در مورد مشتری و رفتار آنها برای تصمیم گیری باید به صورت دستی پردازش شود. بنابراین ، از یک طرف ، ویژگی های مدرن که توسط تأمین کنندگان سیستم های نظارتی ارائه می شود ، اجازه می دهند تجزیه و تحلیل های عمیق تر و بهتری از رفتار بازار انجام دهند ، اما از طرف دیگر ، حجم کامل این اطلاعات و هشدارها باید با کارآمدتر پردازش شود. این امر ما را به این نتیجه می رساند که یکی از نقاط ضعف سیستم های نظارت ، حجم عظیمی از داده های درمان نشده است. برای حل این مشکل ، ما می توانیم روش های داده کاوی را در این داده ها اعمال کنیم ، یعنی سعی کنید برخی از وابستگی های ضمنی را پیدا کنیم یا برخی از قوانین را برای تولید ممکن از راه حل های مدیریتی تهیه کنیم.

علاوه بر این ، بازار مدرن بسیار ناپایدار است. برنامه های جدید مختلفی که هر دو تجارت را بهبود می بخشند و هر دو به صورت روزانه تهیه می شوند. بنابراین ، یک ضرورت برای سازگاری با شرایط در حال تغییر مشکل دیگری است. یک سیستم نظارتی ایده آل باید بتواند به صورت یک طرفه نسل بعدی دستکاری را پیش بینی کند ، و همچنین از طرح های سوء استفاده از بازار بشناسد و از آن جلوگیری کند. مشخص می شود که یک سیستم نظارتی مدرن باید سازگار تر و مستقل تر باشد و در نتیجه قابل کنترل تر باشد.

روش های داده کاوی در امور مالی بسیار مورد استفاده قرار گرفته و مورد استفاده قرار می گیرند. محققان به منظور پیش بینی حرکات قیمت به روشهای مختلف هوش مصنوعی متوسل می شوند. آنها از شبکه های عصبی عمیق برای پیش بینی بازار مالی ، شبکه های دولتی اکو به منظور پیش بینی قیمت سهام ، تکنیک های داده کاوی و یک سیستم فازی عصبی خود سازماندهی برای مدل سازی و پیش بینی پویایی بازار استفاده می کنند. این درک کلی است که روشهای داده کاوی برای پیش بینی های مختلف در امور مالی مناسب تر هستند زیرا آنها از رویکردهای آماری و نمودار مؤثرتر هستند ، که مانند هر روش استاندارد ، نتوانند عامل انسانی را در تصمیم گیری در مورد بورس سهام در نظر بگیرند. به منظور این مقاله ، ما می خواهیم ادعا کنیم که می توانیم از داده های کاوی و سیستم های فازی عصبی در پیش بینی دستکاری های بازار بهره مند شویم. این مدل پیش بینی کننده می تواند دقت و تفسیر بیشتری از نتایج را فراهم کند و در نهایت منجر به تولید خودکار تصمیمات مدیریتی شود.

مدیریت نقص

با توجه به "بررسی تحقیقات در گزارش نقص نرم افزاری" ، روش های داده کاوی و روش های استخراج متن در مدیریت نقص محبوب هستند. بسیاری از محققان برای پیش بینی معیارهای آزمایش از انواع مختلف طبقه بندی کننده استفاده می کنند ، مواردی از جمله موارد زیر است.

• رگرسیون لجستیک ،
• بیوها بیوه ،
• مولتینومین بی نظیر Bayes ،
• پشتیبانی از ماشین های بردار ،
• نزدیکترین روش همسایه و غیره

یکی دیگر از دلایلی که استفاده از معدنکاری متن محبوب است به این دلیل است که برخی از اطلاعاتی مانند خلاصه و توضیحات فقط در قسمت های متن قابل یافت است. بسته به کارها ، در هر مورد باید مجموعه های مختلفی از ویژگی ها تعریف شود. با این حال ، در "تولید مثل بررسی گزارش نقص در توسعه نرم افزار صنعتی" و "چه چیزی گزارش اشکال خوبی را ایجاد می کند؟" ، تحقیقات در مورد مفیدترین ویژگی ها از دیدگاه کیفیت گزارش اشکال ، که عبارتند از:

• مراحل تولید مثل ،
• ردیابی پشته ،
• اجزاء،
• مورد انتظار و
• رفتار مشاهده شده

همه آنها در قالب متن هستند. بنابراین روش های استخراج متن برای پردازش نقص برای اهداف طبقه بندی یا پیش بینی مناسب است. برای ترسیم بیشتر این زمینه ها در یک وکتور ، در بیشتر موارد ، دانشمندان از مدل "کیف کلمات" از طریق TF-IDF و همچنین تکنیک های پردازش زبان طبیعی مانند حذف توقف ، نشانگر ، لیماتیزاسیون و بزرگ استفاده می کنند. همه این روش ها و تکنیک ها به ما امکان می دهد تا کلاس بزرگی از مشکلات مربوط به گزارش اشکال را حل کنیم ، از جمله پیش بینی ویژگی های مختلف گزارش نقص و معیارهای آزمایش.

انواع مختلفی از معیارهای آزمایش وجود دارد: زمان رفع ، که نقص ها دوباره بازگشایی می شوند ، که نقص آنها را رد می کند ، که نقص ها برطرف می شوند و غیره. تحقیقات عظیم در این زمینه بیشتر نقص های پروژه های منبع باز را بررسی می کند. این پروژه ها از BTSS استفاده می کنند که در آن می توان گزارش اشکال را توسط هر کسی ارسال کرد. بر خلاف آن ، نرم افزار ما منبع باز نیست و گزارش های اشکال ما فقط توسط تحلیلگران QA ارسال می شود. بنابراین ، مدل های شرح داده شده در این مقالات ، مناسب ما نیستند زیرا ما ویژگی های دیگری داریم. تحقیقات مشابهی در نرم افزار تجاری (سیستم عامل ویندوز) وجود دارد ، اما این مدل پیش بینی فاقد برخی از ویژگی ها است که مربوط به ما است. بنابراین ما می خواهیم مجموعه دیگری از ویژگی ها را انتخاب کنیم و مدل های پیش بینی دیگری را بسازیم.

برای استفاده از انواع معیارها، باید مجموعه کامل اشکالات را ارزیابی کنیم. با این حال، یک پروژه می تواند هزاران نقص داشته باشد که پردازش همه باگ ها را دشوار می کند. تجزیه و تحلیل خوشه ای، امکان فشرده سازی داده ها با گروه بندی مجموعه ای از اشیاء در یک خوشه، راه حل مفیدی برای این مشکل است. نقص های گروه بندی می تواند به ما در درک ضعف های نرم افزار و بهبود استراتژی تست، از جمله مزایای دیگر کمک کند.

ما برای خوشه بندی گزارش های اشکال به ویژگی های زیر نیاز داریم: اولویت (طبقه بندی مطلق برای بسیاری از کارها)، وضعیت، وضوح، زمان حل (نشانگر هزینه های یک گزارش اشکال)، حوزه آزمایش، تعداد نظرات (یعنی یک پروکسی)برای برخی از مفاهیم محبوبیت). با این حال، برخی از انواع ویژگی های نقص به طور ضمنی تعریف می شوند. به عنوان مثال، زمان حل یا منطقه آزمایش. زمان حل، تعداد روزهایی است که برای رفع شدن گزارش های اشکال ضروری است. حوزه آزمایش گروهی از اجزای نرم افزار است. معمولاً قسمت "Component/s" حاوی اطلاعات مربوط به آنها است، اما گاهی اوقات این قسمت ممکن است خالی باشد یا برخی از عناصر لازم را نداشته باشد. در آن صورت، فیلد "Summary" مفید خواهد بود زیرا اطلاعات مختصری در مورد اشکال دارد. ما به فیلدهای «خلاصه» و «مؤلفه ها» نیاز داریم تا عیوب را بر اساس حوزه آزمایش طبقه بندی کنیم.

هر باگ متعلق به یک یا چند ناحیه است. به عنوان مثال، در پروژه GTP خود، هشت ناحیه آزمایش را تعریف کردیم. متعاقباً، یک مهندس دانش برچسب هایی را به هر ناحیه و هر نقص نسبت می دهد. داده های علامت گذاری شده به عنوان یک مجموعه آموزشی استفاده می شود. بنابراین، طبقه بندی سند (هر نقص یک سند جداگانه است، مجموعه ای از عیوب یک پیکره است) شامل مراحل زیر است:

1. نشانه گذاری،
2. حذف کلمات توقف،
3. ساقه،
4. با استفاده از مدل "کیف کلمات" از طریق TF-IDF،
5. کاهش ابعاد از طریق InfoGain،
6. با استفاده از مدل رگرسیون لجستیک (آموزش + آزمایش)، درخت تصمیم و خلیج ساده (برای هر کلاس یک مدل جداگانه وجود دارد)،
7. مقایسه نتایج از طریق معیارهای دقیق فراخوان

مراحل تا حدی در WEKA انجام شد. پس از طبقه بندی عیوب بر اساس حوزه آزمایش، باید از تحلیل خوشه ای استفاده کنیم. پیشنهاد ما استفاده از الگوریتم های مختلف خوشه بندی و مقایسه نتایج است.

کار بعدی روی پیش بینی معیار «کدام نقص ها دوباره باز می شوند» کار می کند. این معیار به عنوان نشانگر ضعف نرم افزار عمل می کند. با توجه به "مشخص سازی و پیش بینی اینکه کدام باگ ها برطرف می شوند: مطالعه تجربی مایکروسافت ویندوز"، دلایل بازگشایی مجدد نقص عبارتند از:

1. گزارش اشکال با اطلاعات ناکافی،
2. درک نادرست توسعه دهندگان از علل اصلی نقص ها،
3. الزامات مبهم در مشخصات

استفاده از معیارهایی که اشکالات بازگشایی شده را ارزیابی می کند، امکان تعریف نقاط ضعف در آزمایش، مشخص کردن کیفیت واقعی فرآیند رفع اشکال و همچنین تعریف نقاط ضعف در مستندات را فراهم می کند.