7、基于机器学习的复杂系统稳健需求分析

基于机器学习的复杂系统稳健需求分析

1. 引言

需求工程（RE）的目标包括确定目标系统要实现的目标，将这些目标转化为服务和约束条件，并将产生的需求责任分配给人类、设备和软件等主体。RE涉及多个过程，如领域分析、需求获取、规格说明、评估、协商、文档编制和演化。信息来源大多用自然语言表达，需要手动分析，获取高质量的需求既困难又关键，成本还高。在新系统设计时，所有这些阶段都必须执行，而且通常不会复用以前系统的分析结果。

在这种情况下，搜索系统通常是必要的，以帮助分析师定位和访问文档中存储的信息，但基于关键字的搜索可能不够。例如，搜索“attack scenario”时，包含“assail”的文档可能因查询词与文本不匹配而无法找到。因此，需要更具语义感知的过程来提高RE中自动搜索的效益。此外，设计选择的验证也可以自动化，例如检查需求前置条件的一致性。然而，将用自然语言描述的用户需求和问题领域转化为目标应用的一致建模仍然具有挑战性。

自然语言处理（NLP）方法在软件工程领域引起了广泛关注。一些相关工作包括使用基于语言信息的相似性度量对相关软件工件进行聚类、根据文本描述对Web服务的可用性进行自动分类等。但这些系统在探索NLP适用性的同时，也继承了NLP的传统局限性，如设计和开发过程成本高、大型知识库维护复杂以及跨领域、系统和场景的可移植性差等。

本文提出将统计学习方法嵌入大规模自然语言处理系统，以支持RE。采用先进的NLP技术与机器学习能力相结合，即统计信息提取，是提高该技术大规模适用性的关键进展。此外，还在信息检索场景中评估了所获取信息的有效性，其中定义了一个稳健的搜索引擎，用于通过自然语言表达的用户需求在特定领域中搜索现有的软件功能。

2. 用