积分商城

最新搜索： RFID SDK HFSS RDA5807 tina microBUCK和microBRICK直流/直流稳压器解决方案 嵌入式八股文
您现在的位置是：首页 > 技术资料 > 基于组合机器学习算法的软件缺陷预测模型
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

基于组合机器学习算法的软件缺陷预测模型

更新时间：2020-01-02 10:22:33 大小：2M 上传用户：zhiyao6查看TA发布的资源 标签：软件缺陷预测机器学习 下载积分：1分 评价赚积分 （如何评价?） 打赏 收藏 评论(0) 举报

资料介绍

软件缺陷预测是根据软件产品中提取的度量信息和已经发现的缺陷来尽早地预测软件可能还存在的缺陷,基于预测结果可合理分配测试和验证资源.基于机器学习的缺陷预测技术能够较全面地、自动地学习模型来发现软件中的缺陷,已经成为缺陷预测的主要方法.为了提高预测的效率和准确性,对机器学习算法的选择和研究是很关键的.对不同的机器学习缺陷预测方法进行对比分析,发现各算法在不同评价指标上有不同的优势,利用这些优势并结合机器学习中的stacking集成学习方法提出了将不同预测算法的预测结果作为软件度量并进行再次预测的基于组合机器学习算法的软件缺陷预测模型,最后用该模型对Eclipse数据集进行实验,表明了该模型的有效性.


部分文件列表

文件名 大小
基于组合机器学习算法的软件缺陷预测模型.pdf 2M

【关注视频号领20积分】   【关注公众号立即送20积分】

部分页面预览

（完整内容请下载后查看）
：
ＤＯＩ１０．７５４４ｉｓｓｎ１０００１２３９ ．２０１７ ．２０１５１０５２  
－
计 算 机 研 究 与 发 展  
?
（）： ，  
５４３ ６３３６４１ ２０１７  
－
ＪｏｕｒｎａｌｏｆＣｏｍ ｕｔｅｒＲｅｓｅａｒｃｈａｎｄＤｅｖｅｌｏ ｍｅｎｔ  
ꢀ ꢀ ꢀ ꢀ ꢀ  
ｐ ｐ  
ꢀ
基于组合机器学习算法的软件缺陷预测模型  
傅艺绮  
董
威
尹良泽 杜雨晴  
ꢀ ꢀ  
ꢀ
ꢀ
（
）
国防科学技术大学计算机学院 长沙  
ꢀ
４１００７３  
ꢀ
（ ＿  
ｆｕ３０３５０３ １６３．ｃｏｍ  
＠
）
ＳｏｆｔｗａｒｅＤｅｆｅｃｔＰｒｅｄｉｃｔｉｏｎＭｏｄｅｌＢａｓｅｄｏｎｔｈｅＣｏｍｂｉｎａｔｉｏｎｏｆＭａｃｈｉｎｅＬｅａｒｎｉｎ  
ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ  
ꢀ
ꢀ
ｇ
Ａｌｏｒｉｔｈｍｓ  
ｇ
，
，
，
ＦｕＹｉｉ Ｄｏｎ Ｗｅｉ ＹｉｎＬｉａｎｚｅ ａｎｄＤｕＹｕｉｎ  
ｇ
ꢀ ꢀ ｑ ｇ  
ꢀ ｑ  
ｇ
ꢀ
ꢀ
（
，
，
Ｃｈａｎｓｈａ４１００７３  
ｇｙ  
）
Ｃｏｌｌｅｅｏ Ｃｏｍ ｕｔｅｒ ＮａｔｉｏｎａｌＵｎｉｖｅｒｓｉｔ ｏ ＤｅｅｎｓｅＴｅｃｈｎｏｌｏ  
ꢀ
ꢀ
ꢀ
ｇ
ｆ
ｐ
ｙ ｆ  
ꢀ ꢀ  
ｆ
ｇ
ꢀ
，
Ａｂｓｔｒａｃｔ Ａｃｃｏｒｄｉｎ ｔｏｔｈｅｍｅｔｒｉｃｓｉｎｆｏｒｍａｔｉｏｎａｎｄｄｅｆｅｃｔｓｆｏｕｎｄｉｎａｓｏｆｔｗａｒｅ ｒｏｄｕｃｔ ｗｅｃａｎｕｓｅ  
ｇ ꢀ  
ꢀ ꢀꢀ ꢀｐ ꢀ ꢀ  
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
，
ｓｏｆｔｗａｒｅｄｅｆｅｃｔ ｒｅｄｉｃｔｉｏｎｔｅｃｈｎｏｌｏ ｔｏ ｒｅｄｉｃｔｍｏｒｅｄｅｆｅｃｔｓｔｈａｔｍａ ａｌｓｏｅｘｉｓｔａｓｅａｒｌ ａｓ ｏｓｓｉｂｌｅ  
ｇｙ ꢀｐ  
ꢀｐ ꢀ ꢀ ꢀ ꢀ ꢀ ｙ ꢀ ꢀ ꢀ ꢀｐ  
ꢀ
ｙ
ꢀ
ꢀ
ꢀ
ｔｈｅｎｔｅｓｔｉｎ ａｎｄｖａｌｉｄａｔｉｏｎｒｅｓｏｕｒｃｅｓａｒｅａｌｌｏｃａｔｅｄｂａｓｅｄｏｎｔｈｅ ｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔａ ｒｏｒｉａｔｅｌ ．Ｄｅｆｅｃｔ  
ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀｐ ꢀ ꢀｐｐ ｐ  
ｇ
ꢀ
ｙ
ｒｅｄｉｃｔｉｏｎ ｂａｓｅｄ ｏｎ ｍａｃｈｉｎｅｌｅａｒｎｉｎ ｔｅｃｈｎｉｕｅｓｃａｎｆｉｎｄ ｓｏｆｔｗａｒｅ ｄｅｆｅｃｔｓｃｏｍ ｒｅｈｅｎｓｉｖｅｌ ａｎｄ  
ꢀ ꢀ ꢀ ꢀ ꢀ  
ｐ
ꢀ
ꢀ
ꢀ
ｇ
ꢀ
ｑ
ꢀ
ｐ
ｙ
ꢀ
，
ａｕｔｏｍａｔｉｃａｌｌ ａｎｄｉｔｉｓｂｅｃｏｍｉｎ ｏｎｅｏｆｔｈｅｍａｉｎｍｅｔｈｏｄｓｏｆｃｕｒｒｅｎｔｄｅｆｅｃｔ ｒｅｄｉｃｔｉｏｎｔｅｃｈｎｏｌｏｉｅｓ．Ｉｎ  
ꢀꢀ ꢀ ꢀꢀ ꢀ ꢀ ꢀｐ  
ｙ
ｇ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ｇ
，
ｏｒｄｅｒｔｏｉｍ ｒｏｖｅｔｈｅｅｆｆｉｃｉｅｎｃ ａｎｄａｃｃｕｒａｃ ｏｆ ｒｅｄｉｃｔｉｏｎ ｓｅｌｅｃｔｉｏｎａｎｄｒｅｓｅａｒｃｈｏｆｍａｃｈｉｎｅｌｅａｒｎｉｎ  
ꢀ ꢀ ｐ ꢀ ꢀ  
ｙ ꢀｐ ｇ  
ꢀ
ꢀ
ｙ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
，
ａｌｏｒｉｔｈｍｓｉｓｔｈｅｃｒｉｔｉｃａｌ ａｒｔ．Ｉｎｔｈｉｓ ａｅｒ ｗｅｄｏｃｏｍ ａｒａｔｉｖｅａｎａｌｓｉｓｔｏｄｉｆｆｅｒｅｎｔｍａｃｈｉｎｅｌｅａｒｎｉｎ  
ꢀ ꢀ ꢀ ꢀｐ ꢀｐｐ ꢀ ꢀ  
ｙ ꢀ ꢀ ｇ  
ｇ
ꢀ
ｐ
ꢀ
ꢀ
ꢀ
，
ｄｅｆｅｃｔ ｒｅｄｉｃｔｉｏｎｍｅｔｈｏｄｓ ａｎｄｆｉｎｄｔｈａｔｄｉｆｆｅｒｅｎｔａｌｏｒｉｔｈｍｓｈａｖｅｂｏｔｈａｄｖａｎｔａｅｓａｎｄｄｉｓａｄｖａｎｔａｅｓ  
ꢀｐ ꢀ ｇ  
ｇ ꢀ  
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ｇ
，
ｉｎｄｉｆｆｅｒｅｎｔｅｖａｌｕａｔｉｏｎｉｎｄｅｘｅｓ．Ｔａｋｉｎ ｔｈｅｓｅａｄｖａｎｔａｅｓ ｗｅｒｅｆｅｒｔｏｔｈｅｓｔａｃｋｉｎ ｉｎｔｅｒａｔｉｏｎｌｅａｒｎｉｎ  
ꢀ ꢀ ꢀ  
ｇ
ꢀ
ꢀ
ꢀ
ｇ
ꢀ
ꢀ
ｇ
ꢀ
ｇ
ꢀ
ｇ
ꢀ
，
ｍｅｔｈｏｄａｎｄ ｒｅｓｅｎｔａｃｏｍｂｉｎｅｄｓｏｆｔｗａｒｅｄｅｆｅｃｔ ｒｅｄｉｃｔｉｏｎｍｏｄｅｌ．Ｉｎｔｈｉｓｍｏｄｅｌ ｗｅｆｉｒｓｔ ｒｅｄｉｃｔｏｎｃｅ  
ꢀｐ ꢀꢀ ꢀｐ ꢀｐ  
，
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
，
ｔｈｅｎａｄｄｔｈｅ ｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｓｏｆｄｉｆｆｅｒｅｎｔｍｅｔｈｏｄｓｉｎｔｈｅｏｒｉｉｎａｌｄａｔａｓｅｔａｓｎｅｗｓｏｆｔｗａｒｅｍｅｔｒｉｃｓ  
ꢀｐ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ｇ ꢀ ꢀ ꢀ ꢀ ꢀ  
ꢀ
ꢀ
，
ａｎｄｔｈｅｎ ｒｅｄｉｃｔａａｉｎ．Ｆｉｎａｌｌ ｗｅｍａｋｅｅｘｅｒｉｍｅｎｔｓｏｎＥｃｌｉｓｅｄａｔａｓｅｔ．Ｅｘｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗ  
ꢀｐ ꢀｇ ꢀ ｐ ꢀ ꢀ ｐ ꢀ  
ꢀ
ｙ
ꢀ
ｐ
ꢀ
ꢀ
，
ｔｈａｔｔｈｉｓｍｏｄｅｌｉｓｔｅｃｈｎｉｃａｌｆｅａｓｉｂｉｌｉｔ ａｎｄｃａｎｄｅｃｒｅａｓｅｔｈｅｃｏｓｔｏｆｔｉｍｅａｎｄｉｍ ｒｏｖｅｔｈｅａｃｃｕｒａｃ ．  
ꢀ ꢀ  
ꢀ
ꢀ
ꢀ ꢀ  
ꢀ
ｙ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ ｐ  
ꢀ
ꢀ
ｙ
； ； ； ；  
Ｋｅ ｗｏｒｄｓ ｓｏｆｔｗａｒｅｄｅｆｅｃｔ ｒｅｄｉｃｔｉｏｎ ｍａｃｈｉｎｅｌｅａｒｎｉｎ ｅｎｓｅｍｂｌｅｌｅａｒｎｉｎ ｃｏｍｂｉｎａｔｉｏｎ Ｅｃｌｉｓｅ  
ꢀ
ꢀ
ꢀ
ꢀｐ  
ｇ
ꢀ
ｇ
ｐ
ｙ
ꢀ
ｒｅｄｉｃｔｉｏｎｄａｔａｓｅｔ  
ｐ
ꢀ
软件缺陷预测是根据软件产品中提取的度量信息和已经发现的缺陷来尽早地预测软件可能还  
摘
要
ꢀ
ꢀ
，
存在的缺陷 基于预测结果可合理分配测试和验证资源 基于机器学习的缺陷预测技术能够较全面地  
．
、
，
自动地学习模型来发现软件中的缺陷 已经成为缺陷预测的主要方法 为了提高预测的效率和准确性  
．
，
，
对机器学习算法的选择和研究是很关键的 对不同的机器学习缺陷预测方法进行对比分析 发现各算法  
．
，
在不同评价指标上有不同的优势 利用这些优势并结合机器学习中的  
集成学习方法提出了将  
ｓｔａｃｋｉｎ  
ｇ
不同预测算法的预测结果作为软件度量并进行再次预测的基于组合机器学习算法的软件缺陷预测模  
，
型 最后用该模型对  
，
数据集进行实验 表明了该模型的有效性  
．
Ｅｃｌｉｓｅ  
ｐ
；
；
；
；
软件缺陷预测 机器学习 集成学习 组合  
Ｅｃｌｉｓｅ  
预测数据集  
关键词  
ꢀ
ｐ
中图法分类号  
ＴＰ３１１  
ꢀ
：
；
修回日期  
２０１５ １２ ０９  
：
收稿日期  
－
－
－ －  
２０１６ ０６ ３０  
ꢀ
ꢀ
： “ ”  
基金项目 国家 九七三 重点基础研究发展计划基金项目  
（
）；  
（
，
９１３１８３０１ ６１６９０２０３  
）
国家自然科学基金项目  
２０１４ＣＢ３４０７０３  
（ ）（ ）  
Ｔｈｉｓｗｏｒｋｗａｓｓｕ ｏｒｔｅｄｂ ｔｈｅＮａｔｉｏｎａｌＢａｓｉｃＲｅｓｅａｒｃｈＰｒｏｒａｍｏｆＣｈｉｎａ ９７３Ｐｒｏｒａｍ ２０１４ＣＢ３４０７０３ ａｎｄｔｈｅＮａｔｉｏｎａｌ  
ꢀ ꢀ  
ꢀ
ꢀ
ꢀ ｐｐ  
ꢀｙ  
ꢀ
ꢀ
ꢀ
ꢀ
ｇ
ｇ
ꢀ
ꢀ
ꢀ
（
，
）
ＮａｔｕｒａｌＳｃｉｅｎｃｅＦｏｕｎｄａｔｉｏｎｏｆＣｈｉｎａ９１３１８３０１ ６１６９０２０３ ．  
ꢀ ꢀ  
ꢀ
ꢀ
：
通信作者 董威  
（ ）  
ｗｄｏｎ ｎｕｄｔ．ｅｄｕ．ｃｎ  
ｇ＠  
ꢀ
，
（）  
２０１７ ５４３  
ꢀ
计算机研究与发展  
６３４  
，
随着软件逐渐深入人们的生活 软件质量成为  
，
改进神经网络算法 将多个弱预测器组成新的强预  
ꢀꢀ  
， ；  
测器 改善模型预测精确度和泛化能力 文献  
［］  
认
１
人们关注的重点 软件缺陷是影响软件质量的重要  
．
，
为不同的建模技术的预测性能表现出的差异较小  
， ，  
因素 它在软件的开发过程中是不可避免的 但若不  
；
而不同度量元的选择对预测性能的影响更加显著  
，
能及时发现并处理 可能会使软件发生故障无法使  
、
用于建立预测模型的度量元主要分成代码度量 复  
，
用 甚至产生严重的后果 最常用的软件质量保证活  
．
、 、  
杂性度量 面向对象度量 过程度量和历史缺陷度量  
， ，  
动就是软件测试 它能有效检查软件的错误 但同时  
［］  
８
等人 以预测的精确度和召回率作为  
，
Ｈａｌｌ  
几大类  
、
也是软件开发生命周期中花费时间 资源最多的阶  
，
评价指标 认为基于面向对象度量元的预测模型比  
，
段 因此出现缺陷预测的概念 旨在根据软件的基本  
．
，
基于复杂性度量元的模型效果更好 综合使用多类  
（ 、 、 ）  
属性 复杂度 规模 开发过程等 来尽早地预测软件  
，
度量元的预测模型效果显著提高 而用过程度量元  
，
可能还遗留的缺陷 并基于预测结果合理分配测试  
；
进行预测效果却差强人意 文献  
［］  
选用排序能力和  
９
， ， ，  
资源 给出测试的优先级 提高软件产品质量 缩短  
，
分类能力作为缺陷预测模型的评价标准 并引入了  
，
开发周期 降低开发成本  
．
，
工作量评价指标 对这些度量元的缺陷预测能力进  
当前的缺陷预测技术主要分为静态预测和动态  
，
行了比较分析 认为在不同的数据集下不同种类度  
，
预测两大类 静态预测是基于缺陷相关的度量数据  
．
，
量的预测能力不存在绝对的优劣关系 而大多数情  
；
对缺陷的数量和分布进行预测 动态预测则是对故  
，
况下 代码度量和过程度量的缺陷预测性能较好  
．
，
年以来 机器学习  
障随时间的分布进行预测  
．２００５  
方法被越来越多地用于软件缺陷预测模型的建立  
通过从以往的开发经验中抽取带有问题领域特征的  
，
在实际应用中 代码度量能从一个软件系统当  
，
，
前版本的源代码中轻松得到 而过程度量和历史缺  
，
陷度量的收集成本昂贵 需要从版本控制系统和缺  
，
数据来进行学习 建立起数据与软件缺陷之间的关  
陷追踪系统提取 因此本文主要针对构建模型的方  
．
，
联关系 并对未知的软件模块预测其可能的缺陷数  
法问题提出了一种基于组合机器学习算法的缺陷预  
量或发生缺陷的可能性 在基于机器学习技术的缺  
．
，
测改进模型 将不同机器学习算法的预测组合起来  
，
，
陷预测模型研究中 一般解决 个问题  
３
：）  
哪些机器  
１
把第 次预测的结果作为新的度量元加入数据集后  
１
；）  
哪些度量元适合缺  
２
学习方法适合建立预测模型  
， ，  
进行第 次预测 同时运用特征选择方法 提高缺陷  
２
［］  
１
；）  
哪些指标用于评估模型  
３
陷预测  
．
，
预测的效率 为了表明模型的实用性 论文对  
．
Ｅｃｌｉｓｅ  
ｐ
，
机器学习包含多种学习方法 如人工神经网络  
，
标准数据集进行了缺陷预测 验证了本文方法的有  
（
，
ａｒｔｉｆｉｃｉａｌｎｅｕｒａｌｎｅｔｗｏｒｋ ＡＮＮ  
ꢀ
）、  
贝 叶 斯 网 络  
ꢀ
效性  
．
（
，
Ｂａｅｓｉａｎｎｅｔｗｏｒｋ ＢＮ  
ꢀ
）、  
决策树  
（
，
ｄｅｃｉｓｉｏｎｔｒｅｅ ＤＴ  
ꢀ
）、  
ｙ
（
，
）
等
ｒａｎｄｏｍｆｏｒｅｓｔ ＲＦ ．Ｋｈｏｓｈｏｆｔａａｒ  
随机森林  
等
ꢀ
ｇ
基于机器学习的缺陷预测模型  
１
ꢀ
［］  
２
，
比较了 种不同的预测模型 这些模型用到了  
７
人
，
不同的回归和分类树算法 如  
， ，  
Ｃ４．５ ＣＨＡＩＤ ＣＡＲＴ  
本节将简单介绍缺陷预测与机器学习的相关概  
念 缺陷预测是从软件模块中提取合适的度量元数  
．
［］  
３
等人 提出用贝叶斯信念网络预测软件  
；
Ｆｅｎｔｏｎ  
等
［］  
４
等人 比较了一些常  
， 、 、  
据 并由机器学习的分类 回归 聚类等方法找出缺  
；
缺陷模块的方法  
Ｖａｎｄｅｃｒｕｓ  
ｙ
， ，  
陷与度量元之间的关系 建立起相应的模型 预测新  
，
用的 学 习 方 法 包 括  
、
（
支 持 向 量 机  
ｓｕ ｏｒｔ  
ｐｐ  
Ｃ４．５  
，
的软件模块是否含有缺陷或预测缺陷的分布 模型  
，
ｖｅｃｔｏｒｍａｃｈｉｎｅ ＳＶＭ  
ꢀ
）、  
逻辑回归  
、
，
最近邻等 发  
Ｋ
－
［
］
１０  
：
如图 所示  
１
，
的预测准确度最高 但在其他评价指标上  
现
Ｃ４．５  
［］  
５
；
这些方法不分伯仲  
和
Ｔｕｒｈａｎ Ｂｅｎｅｒ  
分析了朴素  
，
贝叶斯方法在缺陷预测上的应用 认为同基于决策  
、 、 、  
树 线性回归 判别分析 神经网络的软件缺陷预测  
，
模型相比较 贝叶斯方法能够获得更显著的性能提  
［］  
６
； ，  
升 常成成 引入集成学习的概念 提出了一种基于  
，
自适应增强算法的缺陷排序预测方法 弱  
Ａｄａｂｏｏｓｔ  
，
，
的优势 在  
Ａｄａｂｏｏｓｔ  
学习机选用  
该算法结合  
ＳＶＭ  
，
学习中重点关注被错误分类的实例 最终获得预测  
Ｆｉ ．１ Ｓｏｆｔｗａｒｅｄｅｆｅｃｔｓ ｒｅｄｉｃｔｉｏｎｍｏｄｅｌ  
ｇ
ꢀ ꢀ ꢀｐ ꢀ  
图 软件缺陷预测模型  
１
ꢀ
；
效果良好的强分类器 文献  
［］  
使用  
７
算法  
Ａｄａｂｏｏｓｔ  

相关下载

全部评论(0)

暂无评论
评论赚积分>>

上传资源 上传优质资源有赏金

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

热门下载

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号