陈凯论文定稿

服务业论文5000字剖析服务行业内部模型的搭建论文论文关键词：服务业;内部结构;影响因素;调整目标论文内容摘要：按照陕西省“十一五”规划中服务业的相关指标，探究了2010年陕西省服务业内部结构调整的目标。

结果显示，交通运输、仓储及邮电通信业和金融业产值占服务业产值的比重拟下降，批发和零售贸易、餐饮业和房地产业占服务业产值的比重拟上升。

本文在分析服务业内部结构影响因素的基础上，建立了各服务行业产值比重的回归模型。

本文在分析影响服务业内部结构主要因素的基础上，以陕西省为例，根据其“十一五”产业发展规划中的经济发展趋势，预测2010年陕西省服务业的内部结构情况，并据此对未来陕西省服务业内部结构的调整提出合理化建议。

服务业的发展受经济、政策等诸多因素的影响。

随着各种影响因素的变动，服务业内部结构也随之呈一定趋势变动。

影响服务业内部结构的主要因素（一）居民收入水平收入水平的变动是引起需求结构变动的最主要因素之一。

由于服务消费品的需求收入弹性比实物消费品的需求收入弹性大，而且不同的服务消费品的需求收入弹性也不同，因此服务内部结构会随着居民收入水平的变动而变动（李勇坚，2004；罗吉，2008；李慧娟，2003）。

（二）城市化水平城市是服务业发展的基地，它集中了服务业的大部分劳动力，提供了大部分服务业的产值。

同时，城市具有组织城乡商品交流、向外辐射流通服务的功能，是市场和商业相对发达的地区，也是生产和生活服务的主要对象。

因而，城市化水平高、城市人口密集，有利于生产和消费同时进行的服务业的发展（罗吉，2008；李慧娟，2003；陈凯，2006）。

（三）工业化程度随着工业的专业化程度的提高和生产关联复杂程度的提高，部门结构更加细化，促进了分工和专业化水平的提高。

一方面，工业的快速发展使物质产品极大丰富，既提高了社会生产的专业化，也提高了人们的物质生活水平；另一方面，工业劳动生产率的提高，使大量的劳动者从生产领域分离出去，从而为服务业的发展提供了丰富的劳动力资源（罗吉，2008；任振东，2007）。

答辩公告学位论文名称：1.元搜索引擎检索结果聚类技术的研究与改进2.基于NTFS文件系统的计算机取证研究3. 利用上下位关系的中文短文本分类研究4. B2C电子商务中商品推荐算法研究5. 基于兴趣点多特征融合的物体识别方法研究6. 基于转座子聚集性的转座预测工具研究生姓名：丁进标, 王石东, 王盛, 谢名亮, 赵灵芝, 叶明星指导教师：安世全，杜江,樊兴华，李大学，李伟生，谭军专业(学科)：计算机科学与技术院(系、所)：计算机科学与技术学院答辩地点：2216教室答辩时间：2010年5月29日9：00～12：00答辩委员会主席：邱玉辉答辩委员会委员：王国胤，蔡应繁，蒋溢，刘伯红重庆邮电大学研究生部2010年5月28日欢迎旁听!答辩公告学位论文名称：1.不同时延下Swarm突现计算模型的稳定性研究2.功能CT定量监测肿瘤微环境的应用研究3. DNA多态性与癌症的关联性算法研究4. 平行同源基因中内含子得失率算法研究5. 遥感图像中飞机目标的检测与识别6. 基于SOA的物流信息系统管理平台的研究和应用7. 岩石裂隙间距测量中图像处理技术的应用研究研究生姓名：王兰芬, 李婷婷, 林俊华, 向浏欣, 刘娟, 王晨光，杨民指导教师：刘群，钱鹰,谭军，王卫星专业(学科)：计算机科学与技术院(系、所)：计算机科学与技术学院答辩地点：2216教室答辩时间：2010年5月29日14：00～18：00答辩委员会主席：邱玉辉答辩委员会委员：王国胤，蔡应繁，蒋溢，苏畅重庆邮电大学研究生部2010年5月28日欢迎旁听!答辩公告学位论文名称：1.一种基于HPM的多处理器架构软件性能分析方法研究与实现2.中文短文本分类中的关联强度语言模型研究3. 基于样图的纹理合成方法研究4. 基于局部线性嵌入的人脸识别方法研究5. 基于H.264的WLAN可视电话视频编码技术研究与应用6. 嵌入式linux2.6内核实时调度研究及移植研究生姓名：罗江华, 周志伟, 王伟, 张勤, 郑幸福, 王少峰指导教师：程克非，樊兴华,金文标，李伟生，龙昭华专业(学科)：计算机科学与技术院(系、所)：计算机科学与技术学院答辩地点：2217教室答辩时间：2010年5月29日9：00～12：00答辩委员会主席：李祖枢答辩委员会委员：李银国，吴渝，豆育升，王英重庆邮电大学研究生部2010年5月28日欢迎旁听!答辩公告学位论文名称：1.无线局域网可视电话硬件设计与实现2.功能CT成像造影剂注入方法优化的研究3.偏微分方程的并行计算及应用研究4. 基于分数阶微分的岩石微裂隙检测算法研究5. Linux内核软中断机制及其在网络子系统中的应用研究6. 面向震害应急的数据集成与可视化技术研究7. 基于HMM-SVM的音频分类与检索算法研究研究生姓名：张辉, 王胜益, 邹谋, 于鑫, 韩松, 李林，杨会云指导教师：龙昭华，钱鹰,田有先，王卫星，熊安萍，袁正午，郑继明专业(学科)：计算机科学与技术院(系、所)：计算机科学与技术学院答辩地点：2217教室答辩时间：2010年5月29日14：00～18：00答辩委员会主席：李祖枢答辩委员会委员：李银国，吴渝，豆育升，刘洪涛重庆邮电大学研究生部2010年5月28日欢迎旁听!答辩公告学位论文名称：1.基于Hash的电子证据获取方法研究2.基于内容感知的图像缩放算法研究3. TD-LTE终端传输技术研究及FPGA实现4. 无线局域网可视电话信令协议SIP设计与研究5. 无线局域网视频实时传输系统的设计与实现6. 遥感图像中机场跑道的检测研究生姓名：薛垂民, 王旭松, 林丹, 李明哲, 林远华, 周宁指导教师：陈龙，金文标,李小文，龙昭华，王卫星专业(学科)：计算机科学与技术院(系、所)：计算机科学与技术学院答辩地点：2215教室答辩时间：2010年5月29日9：00～12：00答辩委员会主席：曾孝平答辩委员会委员：谢显中，李伟生，杜江，曾宪华重庆邮电大学研究生部2010年5月28日欢迎旁听!答辩公告学位论文名称：1.基于粒子系统的实时烟火场景模拟2.BBs网络舆情分类与定量评价研究3. Swarm突现计算模型的突现行为定量研究4. 时空约束的轨迹聚类方法研究与应用5. 基于快照的高效文件系统研究6. web搜索结果聚类方法研究7. 无线传感器网络路由算法研究研究生姓名：梁伟, 吴焕政, 周凯, 张旭, 唐巍, 谌强，梁均军指导教师：刘群，吴渝,夏英，熊安萍，于洪，袁正午专业(学科)：计算机科学与技术院(系、所)：计算机科学与技术学院答辩地点：2215教室答辩时间：2010年5月29日14：00～18：00答辩委员会主席：曾孝平答辩委员会委员：谢显中，李伟生，杜江，张力生重庆邮电大学研究生部2010年5月28日欢迎旁听!答辩公告学位论文名称：1.基于主动TCM-EKNN的个性化邮件过滤技术研究2.面向ATM机视频的视频取证技术研究及应用3. 并行计算技术在分子动力学模拟中的研究与应用4. 光化学反应仿真实验系统的研究与实现5. 光化学反应计算机模拟程序的并行化实现6. 非线性动力系统中的需求演化模型研究研究生姓名：李荣, 谭响林, 王亮, 羊金花, 张艳, 葛智指导教师：陈龙，豆育升，葛君伟专业(学科)：计算机科学与技术院(系、所)：计算机科学与技术学院答辩地点：2201教室答辩时间：2010年5月29日9：00～12：00答辩委员会主席：张自力答辩委员会委员：邓亚平，甘玲，胡学刚，游晓黔重庆邮电大学研究生部2010年5月28日欢迎旁听!答辩公告学位论文名称：1.以数据为中心的无线传感器网络信任评估机制的研究2.基于IEEE 802.11e的接入控制算法研究与设计3.无线传感器网络能量有效通信协议研究4. 基于贝叶斯的个性化邮件分类技术研究5. 分布式拒绝服务攻击中IP溯源技术研究6. 基于流立方体频繁模式挖掘算法研究7. 基于BIC的音频分割技术研究研究生姓名：李明明, 孟曼, 任东海, 张俊麒, 熊文柱, 程宇翔，张萍指导教师：胡建斌，刘宴兵,尚凤军，王国胤，阳小龙，袁正午，郑继明专业(学科)：计算机科学与技术院(系、所)：计算机科学与技术学院答辩地点：2201教室答辩时间：2010年5月29日14：00～18：00答辩委员会主席：张自力答辩委员会委员：邓亚平，甘玲，胡学刚，张清华重庆邮电大学研究生部2010年5月28日欢迎旁听!答辩公告学位论文名称：1.无线传感器网络路由协议的研究2.无结构P2P路由算法研究3. 基于Adaboost算法的视频车牌检测方法研究及应用4. 运动模糊车牌图像识别关键技术研究5. 嵌入式操作系统AutoOSEK配置工具的设计与实现6. 基于跨层设计的IEEE 802.16 Mesh网络带宽分配机制研究研究生姓名：陈莉, 李杰, 卢道兵, 林小晶, 叶家盛, 周琴指导教师：邓亚平，方义秋，甘玲，李银国，刘宴兵专业(学科)：计算机科学与技术院(系、所)：计算机科学与技术学院答辩地点：2202教室答辩时间：2010年5月29日9：00～12：00答辩委员会主席：朱庆生答辩委员会委员：龙昭华，于洪，瞿中，蒲兴成重庆邮电大学研究生部2010年5月28日欢迎旁听!答辩公告学位论文名称：1.面向万兆网络流量测量的快速流分类算法研究2.语音识别系统的关键技术研究3.质量管理中孤立点分析的应用研究4. 基于IEEE802.16接入控制和动态轮询算法研究5. 智能视频监控系统中目标检测分类及跟踪研究6. 模糊时间约束角色访问控制的研究与应用7. Wimax系统中频模块的设计与实现研究生姓名：闫亮, 孔浩, 刘亚辉, 谷俊, 陈安荣, 张玉林，裴俊豪指导教师：唐红，王国胤,王越，吴慧莲，吴渝，汪林林，傅承鹏专业(学科)：计算机科学与技术院(系、所)：计算机科学与技术学院答辩地点：2202教室答辩时间：2010年5月29日14：00～18：00答辩委员会主席：朱庆生答辩委员会委员：龙昭华，于洪，瞿中，杨富平重庆邮电大学研究生部2010年5月28日欢迎旁听!答辩公告学位论文名称：1.非结构化对等网络资源搜索技术研究2.无线传感器网络数据融合算法的研究3. 结构化P2P网络路由机制的研究4. 基于EM算法的半监督文本分类方法研究5. 基于MOF的面向方面建模工具的研究与实现6. 面向方面的需求识别的研究研究生姓名：高涛, 牛康, 刘世朋, 郭志毅, 贺蕾, 陈议指导教师：安世全，邓亚平，樊兴华，方义秋，葛君伟专业(学科)：计算机科学与技术院(系、所)：计算机科学与技术学院答辩地点：2206教室答辩时间：2010年5月29日9：00～12：00答辩委员会主席：涂亚庆答辩委员会委员：袁正午，尚凤军，金文标，胡峰重庆邮电大学研究生部2010年5月28日欢迎旁听!答辩公告学位论文名称：1.面向方面的开放网格服务架构研究2.基于CGA技术的MIPv6安全绑定更新方案研究与改进3.基于二型模糊分析的图像检索相关反馈机制研究4. 基于时空相关分析的短时交通流量预测方法研究5. Web用户访问路径聚类方法研究6. 基于小波变换的音频特征提取技术研究7. 移动对象K近邻查询技术的研究研究生姓名：沈玉, 刘建荣, 白露霜,梁中军, 罗虎, 王劲松，范庆林指导教师：葛君伟，黄梅根,夏英，于洪，郑继明，邹永贵专业(学科)：计算机科学与技术院(系、所)：计算机科学与技术学院答辩地点：2206教室答辩时间：2010年5月29日14：00～18：00答辩委员会主席：涂亚庆答辩委员会委员：袁正午，尚凤军，金文标，胡峰重庆邮电大学研究生部2010年5月28日欢迎旁听!答辩公告学位论文名称：1.多视频流异常事件检测方法研究2.电子证据保全的安全机制研究3. 无线传感器网络时间同步协议研究4. 下一代移动通信系统安全机制研究与改进5. IPSec VPN中NAT穿越的研究6. P2P流量识别技术的研究与实现研究生姓名：高如岱, 李鹏, 王旭, 付红, 葛洛雅柯, 易鹤声指导教师：陈龙，邓亚平，杜江专业(学科)：计算机科学与技术院(系、所)：计算机科学与技术学院答辩地点：2208教室答辩时间：2010年5月29日9：00～12：00答辩委员会主席：廖晓峰答辩委员会委员：唐红，王进，邹永贵，黄梅根重庆邮电大学研究生部2010年5月28日欢迎旁听!答辩公告学位论文名称：1.多核平台下的网格简化算法研究2.基于SMS Hubbing的短信网关漫游方案研究3. TD-SCDMA虚拟外场测试平台的研究与实现4. 基于SIP的WLAN可视电话IPv6移植研究5. 基于无线局域网的入侵检测研究6. TETRA集群系统QoS在LLC层基本链路上的实现7. 蜂窝通信网中位置更新算法研究研究生姓名：彭军超, 秦靖, 刘保林,蒿建, 黄小红,喻后强，陈凯指导教师：金文标，李秉智,龙昭华，游晓黔，袁正午专业(学科)：计算机科学与技术院(系、所)：计算机科学与技术学院答辩地点：2208教室答辩时间：2010年5月29日14：00～18：00答辩委员会主席：廖晓峰答辩委员会委员：唐红，王进，邹永贵，丰江帆重庆邮电大学研究生部2010年5月28日欢迎旁听!答辩公告学位论文名称：1.基于SIP的V oIP安全性研究2.无线传感器网络路由密钥管理方案的研究3. 交通肇事图像处理的关键技术研究4. 无线传感器网络节点定位的算法研究5. B2C电子商务环境下的库存需求预测研究6. IEEE 802.16 Mesh模式下基于协调分布式调度的接纳控制研究研究生姓名：陈锐, 彭苏，马艳春, 常新峰, 赵学斌, 康泰指导教师：杜江，甘玲，黄梅根，李大学，刘宴兵专业(学科)：计算机科学与技术院(系、所)：计算机科学与技术学院答辩地点：2209教室答辩时间：2010年5月29日9：00～12：00答辩委员会主席：余建桥答辩委员会委员：陈龙，汪林林，郑继明，程克非重庆邮电大学研究生部2010年5月28日欢迎旁听!答辩公告学位论文名称：1.彩色人体切片图中组织识别和重建技术的研究2.2D-Gabor滤波技术在掌纹识别中的应用3.复杂背景条件下运动目标彩色分割与阴影检测算法研究4. 多目标人物跟踪和监控研究5. 实景车辆导航系统中的地图匹配算法研究与实现6. 车辆导航系统中的路径规划算法研究7. 实时流数据的存储技术研究研究生姓名：程凤香, 李娟, 王玮,刘文静, 朱冠宇,梁新发，石鑫指导教师：钱鹰，吴渝,袁正午，邹永贵专业(学科)：计算机科学与技术院(系、所)：计算机科学与技术学院答辩地点：2209教室答辩时间：2010年5月29日14：00～18：00答辩委员会主席：余建桥答辩委员会委员：陈龙，汪林林，刘群，程克非重庆邮电大学研究生部2010年5月28日欢迎旁听!答辩公告学位论文名称：1.基于交通场景下的运动目标检测与分类算法研究2.基于自适应算法的视频图像清晰化研究3. 基于光流的运动估计与匹配方法研究4. 基于形态学和正则化的图像复原方法研究5. 基于RBAC扩展的网格授权认证技术研究6. 异构数据源集成及聚类挖掘的研究与应用研究生姓名：刘国庆, 谢祥华，李文羽, 吴勇, 林庆国, 刘章雄指导教师：甘玲，葛君伟，胡学刚，刘宴兵专业(学科)：计算机科学与技术院(系、所)：计算机科学与技术学院答辩地点：2315教室答辩时间：2010年5月29日9：00～12：00答辩委员会主席：曹龙汉答辩委员会委员：李秉智，夏英，熊安萍，李红波重庆邮电大学研究生部2010年5月28日欢迎旁听!答辩公告学位论文名称：1.锥形线束CT功能成像方法研究2.Bittorrent网络的突现现象研究3.万兆网络流量监测系统的研究与实现4. 二型模糊彩色图像的边缘检测方法研究5. 基于SIP协议企业级V oWLAN平台的研究与实现6. 基于虚拟突发的OBS网络业务疏导机制研究7. 基于业务和地域区分的流量测量系统研究与实现研究生姓名：周强, 黄鼎, 程群,唐在金, 杜忠燕,黄晓松，吉朝明指导教师：钱鹰，唐红,汪林林，王卫星，阳小龙，赵国锋专业(学科)：计算机科学与技术院(系、所)：计算机科学与技术学院答辩地点：2315教室答辩时间：2010年5月29日14：00～18：00答辩委员会主席：曹龙汉答辩委员会委员：李秉智，夏英，熊安萍，李红波重庆邮电大学研究生部2010年5月28日欢迎旁听!答辩公告学位论文名称：1.细粒度数据完整性检验算法研究与应用2.基于贝叶斯网络的短文本分类算法研究3. 基于聚类的主题模型短文本分类方法研究4. 基于SOA的企业信息管理系统研究5. 基于朴素贝叶斯的文本情感倾向识别方法研究6. 基于粗糙集的证据理论模型及其在集值信息系统中的应用研究研究生姓名：田健, 郭泗辉，黄鑫, 倪戈鸿, 何坤, 田冉指导教师：陈龙，樊兴华，樊兴华，李秉智，李伟生，王国胤专业(学科)：计算机科学与技术院(系、所)：计算机科学与技术学院答辩地点：2316教室答辩时间：2010年5月29日9：00～12：00答辩委员会主席：孙跃答辩委员会委员：葛君伟，赵军，杨春德，杨勇重庆邮电大学研究生部2010年5月28日欢迎旁听!答辩公告学位论文名称：1.基于Lucene的生物医学文献检索系统的研究与改进2.基于信息熵和模糊集的图像边缘检测算法研究3.面向虚拟社区和引文网络的演化研究及主题发现4. 基于决策表确定性的属性约简方法及其在空间关联规则挖掘中的应用5. 感知无线电的动态频谱分配算法研究6. 基于GIS的城市震害单元化应急医疗救助建模与仿真研究7. 语音识别技术在移动GIS中的应用研究研究生姓名：赵沛沛, 王李平, 肖开洲,王丽, 后茂森,武志涛，肖旺辉指导教师：王国胤，王卫星,吴渝，夏英，谢显中，袁正午专业(学科)：计算机科学与技术院(系、所)：计算机科学与技术学院答辩地点：2316教室答辩时间：2010年5月29日14：00～18：00答辩委员会主席：孙跃答辩委员会委员：葛君伟，赵军，杨春德，杨勇重庆邮电大学研究生部2010年5月28日欢迎旁听!答辩公告学位论文名称：1.基于结构和纹理信息的数字图像修复算法研究2.基于ENUM架构的E.164号码域名转换技术研究3. 基于SIP协议的IMS会话建立时延性能的优化研究4. 无线传感器网络节点和路由协议的研究与实现5. 大规模分簇无线传感器网络数据传输问题的研究6. 无线传感器网络中基于自适应蚁群系统的QoS路由算法研究研究生姓名：张伟, 向康，杨富良, 高明军, 闭云松, 王寅指导教师：甘玲，李秉智，龙昭华，尚凤军专业(学科)：计算机科学与技术院(系、所)：计算机科学与技术学院答辩地点：2302教室答辩时间：2010年5月29日9：00～12：00答辩委员会主席：何中市答辩委员会委员：王越，樊兴华，刘宴兵，方义秋重庆邮电大学研究生部2010年5月28日欢迎旁听!答辩公告学位论文名称：1.并行算法在图像去噪中的应用研究2.不完备信息系统中的扩充粗糙集模型和不确定性度量研究3.基于数据融合的表情识别方法研究4. 基于QoS约束的多播路由算法研究5. 基于粗糙集的数据离散化算法研究6. 基于粒子群优化的空间数据聚类算法研究7. 空间数据库中连接查询方法的研究研究生姓名：郭静, 马希骜, 邓捷方,邓超, 张文波,陈竹，徐海波指导教师：田有先，王国胤,杨春德，赵军，邹永贵专业(学科)：计算机科学与技术院(系、所)：计算机科学与技术学院答辩地点：2302教室答辩时间：2010年5月29日14：00～18：00答辩委员会主席：何中市答辩委员会委员：王越，樊兴华，刘宴兵，方义秋重庆邮电大学研究生部2010年5月28日欢迎旁听!。

本科论文致谢范文（精选8篇）本科论文致谢范文（精选8篇）论文致谢词用于论文的结尾处，写在正文末与 ___之间，用以感谢论文写作中导师对于自己的培养，让我们坐下来好好写写论文致谢吧。

到底该如何写论文致谢呢？以下是精心的本科论文致谢，欢迎大家借鉴与参考，希望对大家有所帮助。

时光飞逝，岁月如梭，转眼间，四年年的本科生生涯即将结束，这段时间的校园生活充满了温暖和快乐，感谢家人们的支持、老师们的细心指导和同学们的热情伴随我度过了这段充实的本科生岁月。

首先，我要感谢我的导师王宝庆老师。

王老师为人谦和，平易近人。

我的论文是在王老师的悉心指导下完成的。

从最初的论文选题、构思到后来的写作，王老师都给予了我细心指导。

在我初稿完成之后，王老师又在百忙之中抽出空来对我的论文认真的批改，字字句句把关，提出许多中肯的指导意见，使我在研究和写作过程中不致迷失方向。

王老师严谨的治学之风和对人生的孜孜追求将影响和激励我的一生，他对我的关心和教诲我更将永远铭记。

借此机会，我谨向王老师致以深深地谢意。

其次，我还要感谢浙江工商大学财务与会il?学院的全体任课老师，正是因为有了他们严格、无私、高质量的教导，我才能在这几年的学习过程中汲取专业知识和迅速提升能力，从而为论文的写作打下了扎实的理论基础;我还要感谢这两年多来与我一同学习与生活的会计xx级的本科生同学们以及我的室友们。

衷心地感谢他们在学习和生活中给予我的鼓励和帮助，愿友谊长青!当然，我能进入浙江工商大学进行学士的学习，必须要感谢养育了我的父母。

我的一切成长都离不开他们的关心、支持和鼓励。

最后，我还想对在百忙之中评审这篇论文的各位专家教授表示诚挚的谢意!写到这里已是论文的结篇之词，我突然没有了之前流畅的思路，敲击键盘的手指变得有些沉重起来，与回首总是令人感慨万千。

翻看着这厚厚一叠的数万文字，想起曾经为了要写六千字的论文而发愁，我不禁对自己微笑了。

四年的大学时光转瞬即逝，十六年的学子生涯亦将挥手告别。

当前经济环境下农村金融制度的创新中图分类号：f832 文献标识：a 文章编号：1009-4202（2012）11-000-01摘要农村金融体制在很大程度上制约着我国经济的整体发展，加大对我国农村金融制度的构建是当前经济环境下的首要问题，本文对我国农村金融制度的创新做了进一步的探讨，提出了农村金融体制的相应问题，并提出了相关对策。

关键词农村金融体系金融产品金融监管金融制度创新当前，农村的金融制度是否完善决定着我国农村建设的发展，解决农村金融制度的重中之重是着力给农村金融体制注入新的血液，利用制度的创新给我国农村经济带来新的生机。

一、我国农村金融制度存在的问题1.农村金融供给薄弱，无法满足实际需求近年来，随着我国农村金融制度改革的不断推进，金融机构抗风险能力普遍提高。

与此同时，金融机构出于对风险和收益的考虑，对经济不发达地区（尤其是广大农村地区）的信贷投入呈减少趋势，加剧了农村金融供给不足的问题。

2.金融产品单一，服务体系落后随着农村经济发展，各种新型农业发展模式的出现，迫切需要金融机构不断加大对农村的经济投入，以满足不同经济主体的有效信贷需求。

当前情况下农户小额信用贷款已经无法满足经济主体的需求，而较大额贷款又需有抵押担保，由于大多数类型农户没有符合条件的抵押物，使得贷款很难实现。

有些种养大户、个体工商户和小企业主既需要传统的服务项目，更需要票据融资、保险、理财、市场信息等新型服务，迫切期盼金融机构能够提供更加优质、便捷、个性化的服务手段，以满足农村多元化的金融服务需求。

3.政府金融扶持政策缺乏稳定性政府的金融政策缺乏一定的稳定性，不能给农村金融带来保障，是影响我国农村金融制度可持续发展的主要原因之一。

为了支持农村经济和社会的发展，政府于1994年组建了三大政策性银行，其中的农业发展银行和国家开发银行，出发点在于支持广大农村地区和经济落后地区的经济发展。

政策性银行的建立，在成立初期，有效地促进了农村信贷规模的迅速增长，但受亚洲金融风暴等因素的影响，这种增长速度并没有长期持续下去。

声明：下面论文由《免费论文教育网》 用户转载自互联网，版权归原作者所有，本文档仅供参考，严禁抄袭！《免费论文教育网》植物根系对低磷胁迫的反应伊霞，樊明寿基金项目：内蒙古自然科学基金重点项目“燕麦吸收利用磷的潜力与磷肥利用效率的提高（200607010302），现代农业产业技术体系建设专项资金资助（nycytx-14)作者简介：伊霞（1981-），女，硕士，主要研究方向：植物营养生理通信联系人：樊明寿（1965-），男，教授，主要研究方向：植物营养生理. E-mail: fmswh@（内蒙古农业大学农学院，呼和浩特 010019） 摘要：磷是维持生命活动、能量传递和新陈代谢所必需的，然而由于土壤中磷浓度较低，施5 入土壤的磷肥又容易被固定，且磷素在土壤中的移动性比较小，所以磷经常成为植物生长的限制因子。

一些植物在低磷胁迫下，在形态和生理等方面主动地发生变化来提高磷的有效吸收以更好地适应低磷胁迫，这为植物磷高效育种提供了可能， 本文综述了植物对低磷胁迫的适应性反应的研究进展。

关键词：低磷胁迫；根构型；根冠比；酸性磷酸酶；有机酸；通气组织10中图分类号：Q945.17The Response of Plant Phosphorus to Low PhosphorusStressYI Xia, FAN Mingshou15 (College of Agronomy,Inner Mongolia Agricultural University, Hohhot 010019)Abstract: Phosphorus is essential for life-sustaining reactions including energy transfer, activation of proteins, and regulation of metabolic processes. P is the least mobile and available to plants in most soil condition , therefore it is a major limiting factor for plant growth. However Plants developed some adaptation to low P stress. This paper reviewed the research progress for 20plant root response to low P stress.Key words: Low Phosphorus Stress; Root Architecture; Shoot:Root Ratio; Acid Phosphtase Activity; Organic Acids; Aerenchyma0 引言25 磷是植物三大必需元素之一,它在细胞膜结构、物质代谢、酶活性调节以及信号传导等方面都起着极为重要的作用[1]。

华东交通大学软件学院课程设计所属课程名称路由与交换技术题目某高校校园网的设计与配置学院软件学院班级网络工程 2014-1学生李××指导教师辅导教师年月日课程设计(论文)任务书软件学院软件（网络工程）专业2014－1 班一、课程设计(论文)题目某高校校园网的设计与配置二、课程设计(论文)工作自 2017 年 1 月2日起至 2017 年 1月 6 日止。

三、课程设计(论文) 地点: 创新大楼机房。

四、课程设计(论文)内容要求：1．本课程设计的目的通过该课程设计，使学生能够更好地掌握路由器和交换机的原理和配置，将课本上的理论知识和实践开发有机结合起来，锻炼学生分析问题、解决问题以及团队协作的能力，并能积累网络管理经验，为以后工作或者学习更高级的网络知识，为毕业生的创新创业打下基础。

2．课程设计的任务及要求1）基本要求：（1）根据用户需求确定设计方案，画出网络拓扑图；（2）确定网络配置策略和配置步骤，进行具体的代码配置。

（3）对实验结果进行测试，验证是否达到预期要求。

（4）完成课程设计报告。

2）课程设计论文编写要求：（1）将系统需求分析、系统设计方案、拓扑图、网络配置策略和配置代码、实验测试等内容以课程设计论文的形式提交，格式必须严格按照课程设计论文标准格式进行书写和装订。

（2）课程设计报告（论文）包括目录、正文（主要包括课程设计目的，课程设计内容、设备选型、网络设计与规划、各设备的配置、系统测试与结果分析等）、课程设计总结、谢辞、参考文献、附录等内容。

3）课程设计评分标准：（1）考勤与学习态度：20分。

（2）网络规划方案：20分。

（3）策略配置与系统测试：20分。

（4）回答问题与答辩：20分。

（5）课程设计报告：20分。

4）参考文献：（1）斯桃枝.路由协议与交换技术.北京：清华大学出版社,2012.（2）易建勋，姜腊林，史长琼.计算机网络设计[M].北京：人民邮电出版社，2011. （3）陈凯，胡鹏.vlan技术在校园网维护管理中的应用[J].电脑知识与技术，2009(4). （4）王魏.交换机在划分校园vlan中的应用[J].北京工业职业技术学院，2005(7). （5）Craig Hunt. TCP/IP Network Administration 3rd Edition[M]. O'Reilly.2002.5）课程设计进度安排：（1）选题和设计阶段（2天）：了解题目要求，查阅相关资料，进行问题分析和抽象，选择合理的网络规划与设计方案。

基于深度学习的软件缺陷预测模型①陈　凯, 邵培南(中国电子科技集团第三十二研究所, 上海 201808)通讯作者: 陈　凯摘　要: 为了提高软件的可靠性, 软件缺陷预测已经成为软件工程领域中一个重要的研究方向. 传统的软件缺陷预测方法主要是设计静态代码度量, 并用机器学习分类器来预测代码的缺陷概率. 但是, 静态代码度量未能充分考虑到潜藏在代码中的语义特征. 根据这种状况, 本文提出了一种基于深度卷积神经网络的软件缺陷预测模型. 首先, 从源代码的抽象语法树中选择合适的结点提取表征向量, 并构建字典将其映射为整数向量以方便输入到卷积神经网络. 然后, 基于GoogLeNet 设计卷积神经网络, 利用卷积神经网络的深度挖掘数据的能力, 充分挖掘出特征中的语法语义特征. 另外, 模型使用了随机过采样的方法来处理数据分类不均衡问题, 并在网络中使用丢弃法来防止模型过拟合. 最后, 用Promise 上的历史工程数据来测试模型, 并以AUC 和F1-measure 为指标与其他3种方法进行了比较, 实验结果显示本文提出的模型在软件缺陷预测性能上得到了一定的提升.关键词: 软件缺陷预测; 抽象语法树; 卷积神经网络; 随机过采样; 丢弃法引用格式: 陈凯,邵培南.基于深度学习的软件缺陷预测模型.计算机系统应用,2021,30(1):29–37. /1003-3254/7726.htmlSoftware Defect Prediction Model Based on Deep LearningCHEN Kai, SHAO Pei-Nan(The 32nd Research Institute of China Electronics Technology Group Corporation, Shanghai 201808, China)Abstract : In order to improve the reliability of software, software defect prediction has become an important research direction in the field of software engineering. Traditional software defect prediction methods mainly design static code metrics and use machine learning classifiers to predict the defect probability of the code. However, the static code metrics do not fully consider the semantic features hidden in the code. According to this situation, this study proposes a software defect prediction model based on convolutional neural network. First, extract the characterization vectors from the appropriate nodes in the abstract syntax tree of the source code, and construct a dictionary to map them to integer vectors to facilitate input to the convolutional neural network. Then, a convolutional neural network is designed based on GoogLeNet, and the ability of the convolutional neural network to deeply mine data is used to fully mine the grammatical and semantic features of the features. In addition, this model uses the method of random oversampling to deal with the imbalance of data, and uses the method dropout in the network to prevent the model from overfitting. Finally, the historical engineering database on Promise is used to test the model, and AUC and F1-measure are used as indicators to compare with the other three methods. The results show that the proposed model has a certain improvement in software defect prediction performance.Key words : software defect prediction; abstract syntax tree; convolutional neural network; random oversampling; dropout计算机系统应用 ISSN 1003-3254, CODEN CSAOBNE-mail: Computer Systems & Applications,2021,30(1):29−37 [doi: 10.15888/ki.csa.007726] ©中国科学院软件研究所版权所有.Tel: +86-10-62661041① 收稿时间: 2020-05-19; 修改时间: 2020-06-16; 采用时间: 2020-06-23; csa 在线出版时间: 2020-12-311 引言随着现代软件的不断发展, 软件可靠性已经成为评价软件的关键因素. 软件规模的不断扩展和功能的日益增强, 软件复杂度不断上升, 软件缺陷出现的概率也不断上升, 从而导致软件的失败. 为了帮助开发人员和测试人员及时找到软件缺陷, 软件缺陷预测已经成为软件工程领域、数据挖掘领域的研究方向之一. 软件缺陷预测技术可以在一定程度上预测软件中是否存在着缺陷, 以此帮助相关团队快速了解软件的整体情况和质量, 制定相关策略测试和改善软件, 提高软件的可靠性和稳定性.基于此, 许多研究人员前赴后继潜心研究软件缺陷预测技术并尝试通过机器学习的方法来检测软件中是否存在着缺陷. 传统软件缺陷预测[1]是以手工获取软件度量特征的基础进行分类学习, 而特征选择的方法直接影响软件缺陷预测的准确性和稳定性. 而在以往的软件缺陷预测研究中, 通常使用静态软件度量作为代码的特征, 静态软件度量[1]主要包括以下几种方法:(1)代码度量代码度量是最直接、应用最普遍的度量方式. 通过对源代码相关指标的简单计数得到度量值. 度量包括总行数、代码行数目、注释行数目、空白行数目和代码及注释行总数目等, 通过对总行数、代码行数、注释行数等不同的处理方式, 度量结果就会不同.(2) McCabe度量McCabe度量是一种基于程序流程图的复杂性度量方法, 度量的是程序的复杂性, 主要包括圈复杂度、基本复杂度、设计复杂度等.(3) Halstead度量Halstead度量考虑了程序中出现的操作数和运算符, 具体有程序长度、操作符出现的总数量、操作数出现的总数量、程序容量、程序难度、程序级别、程序工作量等.(4) CK度量CK度量是面向对象程序的度量, 具体包括类方法复杂度带权和(WMC)、类在继承树中的最大深度(DIT)、继承树中类的直接子类个数(NOC)等.根据代码的实际情况, 选择合适的度量方法, 或在各种度量方法中选择合适的指标组成新的特征集合,然后根据从历史软件源码中提取出来的特征构建如逻辑回归、随机森林、支持向量机等分类器, 对新版本的软件源码进行软件缺陷预测, 以此来帮助编程人员找到可能包含缺陷的部分.然而, 传统软件缺陷预测方法使用静态代码度量作为特征, 未能充分考虑潜藏在代码中的语义特征, 这无疑会对缺陷预测造成影响. 而抽象语法树能够表达出源代码的语义, 已经有相关的论文[2]证实了其可以用于源码的完整性和缺陷的检测. 抽象语法树是基于源代码采用树状结构来描述代码上下文之间的关系,其中包含了程序模块的语法结构和语义信息. 从抽象语法树中提取表征用于软件缺陷预测, 可以充分考虑到代码的语法语义特征.近年来, 深度学习作为数据挖掘的技术之一得到了充足的研究. 在软件缺陷预测领域, 深度学习同样可以用于挖掘代码中隐含的特征. Iqbal等[3]介绍了用静态度量的方法获得特征, 然后用4种方法对特征进行投票, 选取出最合适的特征, 然后构建一个多层感知机(MLP)网络来对样本进行学习分类. Wang等[2]介绍了用多层受限玻尔兹曼机叠加而成的深度置信网络(DBN),自动提取源代码中的语法语义特征, 并用提取出来的特征构建软件缺陷预测模型. Li等[4]利用卷积神经网络(CNN)提取源码特征后, 将其与传统静态特征进行连结, 构建逻辑回归分类器来对软件缺陷进行预测. 然而, 这些方法依然存在着数据挖掘不足的问题, 所使用的网络大多是简单模型, CNN也仅使用单层卷积层.基于这种情况, 本文以抽象语法树为特征来源, 提出了一种卷积神经网路模型来进行软件缺陷预测, 并利用Promise官网上的历史工程数据来对模型进行实验, 取得了较好的结果.2 基于抽象语法树的代码表征能否从源代码中提取到合适的特征, 是影响软件缺陷预测性能的一个关键因素. 在过去的研究中, 常常用静态软件度量的方法来处理源代码, 忽视了潜藏在代码中的语义特征. 而本文使用了一种基于抽象语法树的方法来获取代码表征.2.1 抽象语法树抽象语法树(Abstract Syntax Tree, AST)是源代码关于抽象语法结构的树状表示, 源代码中的每一种结构都表征为树上的结点. 之所以说是抽象的, 是因为AST并不会将源代码的细节表示出来, 例如, 一串For 语句, 在结点中就记录为“ForStatement”以及一些关键计算机系统应用2021 年 第 30 卷 第 1 期要素, 而具体循环的内容并不会被记录下来. 另外, 抽象语法树并不依赖源代码语言的语法, 也就是说, 语法分析时所采用的是上下文无关文法, 因为在写文法时,通常会对文法进行等价的转换(消除左递归, 二义性,回溯等), 这样会在文法分析时引入一些冗余成分, 对后续阶段造成不好的影响.抽象语法树能有效保存代码的语法结构和语义信息. 如图1所示, 代码a和代码b十分相似, 且有着几乎一样的静态代码度量, 也就是说, 他们有着几乎一样的特征, 在特征空间中, 它们的距离会非常小, 用分类器分类的话, 很有可能将两份代码归为一类, 但显然代码a是没有缺陷的, 而代码b是有缺陷的, 这就造成了错误的检测结果. 图2展示两份代码的抽象语法树, 代码a的抽象语法树比代码b的抽象算法树多了两个结点, 在提取表征向量时, 两份代码在序列上就会有一定的区别, 而这种区别就可以方便模型区分两种代码, 得到更好的软件缺陷预测性能.图1 抽象语法树示例代码2.2 提取表征向量本文使用了一款开源的Python依赖包Javalang 来对源代码进行解析, 它提供了一个基于Java语言规范的词法分析器和解析器, 可以构造Java源代码的抽象语法树. 在得到源代码的抽象语法树后, 按照深度优先的顺序来遍历AST的所有节点, 然后主要选择以下3类结点作为抽象语法树的表征向量元素:(1)表示为方法调用的结点(2)表示为声明的结点, 包括方法声明、类声明、接口声明等(3)控制流结点, 譬如说条件分支、循环控制等根据结点的类型, 我们选取不同的要素来作为结点的特征. 对于第1类结点, 我们使用结点对应的方法名来作为结点在特征向量中的标识; 第2类结点选择结点的名称来作为标识; 第3类控制流结点选择节点的类型来作为标识, 比如表征条件分支的结点, 记录结点的类型名“IfStatement”作为该结点的特征. 表1列出了本文所使用的所有的结点类型.由此, 我们可以得到一棵树即一份代码的表征向量.2.3 整数向量映射从抽象语法树中获得的表征向量不能直接用于神经网络, 训练神经网络需要输入整数向量, 所以我们需要在获得的特征和整数之间建立一个映射, 将表征向量转换为整数向量.为了在获得的特征和整数之间建立映射, 我们建立一个字典[2]将表征和正整数一一对应起来. 将训练样本和测试样本中的代码全部提取为表征向量后, 统计各个特征的频率, 将其转换为对应的整数. 假设不同的特征的数量是m, 每个特征都有着对应的整数, 那么正整数的范围也是1～m. 具体的, 在从训练样本和测试样本中提取表征向量后, 首先, 计算各个特征在所有样本中出现的频数, 并且根据频数将它们排列; 然后,为排列好的特征建立一个序列字典, 频数高的特征排在前面, 这意味着出现频率越高的特征对应的正整数越小; 构建完字典后, 就可以将之前的表征向量转化为整数向量. 但因为神经网络的输入要求有固定的长度,为了避免向量过于稀疏, 选择适当的向量长度对向量进行处理. 如果一个向量的长度小于设定的长度, 那么我们就在向量末尾添0, 而0在神经网络的计算过程中没有意义; 如果一个向量的长度大于设定的长度, 那就在向量中寻找最大的正整数将它删去, 因为最大的整数对应的是频数最小的特征, 循环往复, 直到向量的长度符合设定的长度. 由此, 我们得到了每份源代码对应的整数向量. 图3给出了从源代码到整数向量的全部流程.2021 年 第 30 卷 第 1 期计算机系统应用图2 示例代码的抽象语法树表1 使用到的所有结点类型类别结点类型方法调用结点MethodInvocation, SuperMethodInvocation声明结点PackageDeclaration, InterfaceDeclaration, ClassDeclaration, MethodDeclaration, ConstructorDeclaration, VariableDeclaration 控制流结点IfStatement,WhileStatement, DoStatement, ForStatement, SwitchStatement, AssertStatement, BreakStatement,ContinueStatement, ReturnStatement, ThrowStatement, TryStatement, SynchronizedStatement, BlockStatement,TryResource, CatchClause, EnhancedForControl其他结点FormalParameter, BasicType, CatchClauseParameter, MemberReference, SuperMemberReference, ReferenceType图3 从源代码到得到整数向量的流程图(①从源代码中解析出抽象语法树; ②从抽象语法树中提取表征向量;③根据提取的特征构建字典; ④将表征向量映射为整数向量)计算机系统应用2021 年 第 30 卷 第 1 期3 卷积神经网络设计与结构卷积神经网络是一种含卷积计算且具有深度结构的前馈式神经网络, 具有表征学习、深度挖掘数据的能力. 卷积神经网络已经被证实在图像处理、语音识别、自然语言处理等领域有着不错的性能表现. 而且,卷积神经网络的隐含层内的卷积核参数共享、层与层之间的稀疏连接使得卷积神经网络能够以较小的计算量对格点化特征.3.1 数据预处理在软件缺陷预测领域, 数据分类不均衡问题是普遍存在的, 如何处理这种不均衡问题也是具有挑战性的. 在获得的数据集中, 往往有缺陷的样本数是要少于没有缺陷的样本数, 如果直接用这样的样本对模型进行训练, 训练出来的模型往往会对样本数量较少的类别的识别能力较弱, 在软件缺陷预测时, 模型便会偏向没有缺陷的结果. 因此, 我们需要对数据进行预处理以弥补数据集分类不均衡带来的偏差.一般而言, 针对数据集中存在的样本分类不均衡问题, 通常采用过采样或欠采样的方法来使得数据集中各类的样本数量达到均衡. 欠采样是从多数样本中随机选择和少数样本一样数量的样本, 以此构建分类平衡的数据样本, 但这样会大大减少数据的训练样本,造成信息的损失, 会造成模型的欠拟合, 因此我们选择过采样的方法来处理分类不均衡问题. 由于AST数值向量并非是特征向量, 所以类似像SMOTE[5]等基于样本间的欧式距离来生成新样本的分类不均衡处理方法并不一定适用. 因此, 在这里, 我们采取简单的随机过采样的方法来对数据进行预处理, 在少数样本即有缺陷的样本中随机选择进行复制, 使得有缺陷的样本数量和没有缺陷的样本数量保持一致, 以此保证数据类别间的均衡. 具体的算法如算法1所示.算法1. 随机过采样算法输入:分类不均衡的数据集D输出: 分类均衡的数据集D＇(1)初始化已复制样本集合C为空集.(2)将数据集D复制, 组成数据集D＇.(3)在数据集D中筛选出有缺陷的样本集d.(4)在数据集d中随机选择样本a, 如果a不在已复制样本集合C中,将样本a加入数据集D＇和已复制样本集合C; 如果已复制样本集C的大小和d一样, 则清空C.(5)重复步骤(4)直至数据集D＇中无缺陷样本和有缺陷样本数量保持一致.3.2 网络结构首先介绍所要构建的网络中用到的基础卷积块Inception块[6], 这个卷积模块的结构如图4所示.图4 Inception块如图4所示, Inception块含有4条并行的网络线路. 前三条线路所使用的卷积核大小分别是1×1、3×3、5×5, 以用来抽取不同空间尺寸下的信息, 第2, 3层会先对输入做1×1卷积操作以减少输入通道数, 以降低模型复杂度. 第4条线路会先使用3×3最大池化层, 然后接一个1×1卷积层来改变通道数. 并且, 根据4条线路的具体情况, 设置合适的填充来使得输入和输出的高和宽一致. 最后将每条线路的输出在通道维上连结, 以此完成卷积的功能, 将结果输入到下一层. 相较于普通的卷积层, Inception块因为使用了3个卷积层和1个池化层, 能够更深层次的挖掘数据中的特征,以此帮助模型进行更好的学习分类.为了能够更深层次地挖掘出潜藏在向量中的语法语义特征, 本文基于GoogLeNet[7]设计了一个卷积神经网络, GoogLeNet最初设计出来是用来进行图像处理的, 在I m a g e N e t图像识别挑战赛中大放异彩, GoogLeNet串联了多个Inception块来对图像进行深度挖掘, 以此进行更好的分类. 本文基于GoogLeNet设计一个卷积神经网络, 具体的网络结构如图5所示, 除了最后的输出层使用Sigmoid函数作为激活函数外, 其他层的激活函数均使用ReLU函数, 并且根据实际情况调整网络中各个层的参数, 网络整体分为主要分为以下3个部分:(1)输入层: 输入层主要是一个嵌入层[8], 嵌入层的主要作用是将输入的整数向量中的整数元素转换成整数向量, 使得向量可以进行卷积操作. 嵌入层有两个重要参数: 嵌入层字典的大小(num_embeddings)和每个产出向量的大小(embedding_dim). 这里, 本文将num_embeddings设置为2.3节构建的字典中所含有的2021 年 第 30 卷 第 1 期计算机系统应用特征的数量, 将embedding_dim设置为2.3节中通过映射得到的整数向量的长度. 将长度为n的整数向量输入到嵌入层, 嵌入层将给出一个n×n的矩阵向量. 并且,为了提高内存利用率和训练模型的速度, 本文选择分批量进行训练, 设置每次训练样本个数(批尺寸, Batch_ Size)为16, 即一次输入16个样本进行训练.(2)卷积部分: 卷积部分是网络的主体部分, 共由5个模块组成. 模块与模块之间使用步幅为2的3×3最大池化层来减小输出高度. 第1个模块包含3层的3×3卷积层; 第2个模块使用2个卷积层, 首先接一个64通道的1×1卷积层, 然后接了一个将通道数扩大3倍的3×3卷积层; 第3个模块串联了2个完整的Inception块; 第4模块串联了5个Inception块; 第5模块串联了2个Inception块. 通过多层的不同空间尺寸的卷积操作, 来深度挖掘数据中的特征, 从而进行性能更好稳定性更高的学习分类.(3)输出层: 输出层主要是根据之前卷积层输出的结果来输出分类结果. 首先使用一个全局平均池化层来将每个通道的高和宽都变成1, 然后接上一个全连接层, 输出通道数为标签类别数, 最后, 连结一个Sigmoid 函数构建逻辑回归分类器来计算程序代码的缺陷概率,从而得到分类结果.图5 网络结构图3.3 模型优化之前, 我们在数据预处理时采用随机过采样的方法来解决数据分类不均衡问题, 提升了模型的泛化能力, 但是这样也有一定的过拟合的风险, 因此我们选择使用丢弃法(Dropout)[9], 通过随机丢弃一部分神经元来避免过拟合. 在训练过程中, 随机丢弃一部分隐藏层神经单元, 即所有神经单元都有可能被清零, 这样就减少了神经元之间的依赖性, 输出层的计算也无法过度依赖任何一个隐含层神经元, 从而在训练模型时起到正则化的作用, 用来应对过拟合. 在测试模型时, 为了拿到更加准确的结果, 我们不使用丢弃法.另外, 在训练模型的过程中, 为了得到最优的模型参数, 我们需要根据损失函数的梯度不断地对参数进行迭代, 这里我们选择使用Adam[10]优化器来更新参数. Adam算法结合了AdaGrad和RMSProp两种优化算法的优点[10], 能够自动调整学习率, 并且参数的更新不受梯度的伸缩变换影响. Adam算法能够从梯度均值及梯度平方两个角度进行自适应地调节, 综合考虑梯度的一阶矩估计和二阶矩估计计算出更新步长, 而不是直接由当前梯度决定.4 实验与结果分析4.1 数据集为了评估训练出来的模型的性能, 本文从Promise[11]上下载了5个工程, 总共11个项目, 组成6组软件缺陷预测任务, 用于模型的测试. 在同一软件工程中, 将旧版本的工程项目作为训练集, 将新版本的工程项目作为测试集, 根据测试结果来评估模型的预测能力. 例如, 对于Camel工程, 我们将Camel 1.4版本的工程代码用来训练模型, 然后用Camel 1.6版本的代码用来测试模型. 表2列出了测试时所使用的软件项目的基本信息.表2 测试使用的工程信息工程版本平均代码数平均缺陷率(%) Camel 1.4, 1.691818.1Lucene 2.0, 2.220955.7 Synapse 1.0, 1.1, 1.221225.5Poi 2.5, 3.041364.0Xalan 2.6, 2.784447.3另外, 在数据集中, 每个项目不仅含有工程的源代码, 还统计了源代码的静态代码度量和缺陷注释, 度量方法主要是针对面向对象编程的静态代码度量, 具体的指标内容如表3所示. 这些指标可以用于其他的软件缺陷预测方法, 来和本文模型进行比较.计算机系统应用2021 年 第 30 卷 第 1 期表3 数据集中所使用的20个静态代码度量简写全称LOC Lines of codeDIT Depth of inheritance treeNOC Number of childrenRFC Response for a classCBO Coupling between object classesLCOM Lack of cohesion in methodsLCOM3Lack of cohesion in methodsNPM Number of public methodsDAM Data access metricMOA Measure of aggregationMFA Measure of function abstractionIC Inheritance couplingCAM Cohesion among methods of classCBM Coupling between methodsAMC Average method complexityCa Afferent couplingsCe Efferent couplingsAvg(CC)Average McCabeMax(CC)Maximum McCabeWMC Weighted methods per class4.2 评估指标本文采用AUC[12]和F1-measure[13]这两个指标来评估模型性能, AUC主要用来评估模型的识别缺陷的能力, 而F1-measure主要用来评估模型的稳定性.在二分类的学习预测过程中, 根据分类结果可以将其分为4类: (1)若一个实例为正类且被预测为正类,即为真正类(True Positive, TP); (2)若一个实例为正类但被预测负类, 即为假负类(False Negative, FN); (3)若一个实例为负类但被预测为正类, 即为假正类(False Positive, FP); (4)若一个实例为负类且被预测为负类,即为真负类(True Negative, TN). 基于这4个数据, 可以得到击中概率(TPR)和虚报概率(FPR), 其计算公式如式(1)和式(2)所示:然后以FPR为横轴, TPR为纵轴, 就可以绘制出ROC曲线, 而ROC曲线下的面积就是AUC. 根据AUC的定义, 识别能力更好的模型对应着更高的TPR 和更低的FPR, 所以有AUC值越大的预测方法越好.F1-measure是精确率(P)和召回率(R)的调和平均, 其中精确率和召回率的计算公式如式(3)和式(4)所示:通常情况下, 我们希望精确率越高越好, 召回率也越高越好, 但事实上这两个指标在某些情况下是矛盾的, 而F1-measure则综合考虑了这两个指标. F1-measure 的计算公式如式(5)所示.另外, 用于评估软件缺陷预测模型的指标还有很多, 例如MCC[14]和G-mean[15], MCC考虑所有的有缺陷数据和无缺陷数据来综合评估预测结果和真实结果之间的关系, G-mean是在数据不平衡时十分有参考价值的一个指标, 但因为AUC和F1-measure综合评估了模型的准确性和稳定性, 具有广泛的代表意义.4.3 实验方法为了能够正确估计模型对于软件缺陷预测的性能,将本文提出的模型与以下3种方法进行比较:(1)静态代码度量+逻辑回归(LR): 以数据集中提供的20个静态代码度量作为代码特征, 并用逻辑回归的方法进行分类(2)深度置信网络+逻辑回归(DBN)[2]: 使用深度置信网络从源代码中提取特征, 然后使用逻辑回归的方法进行分类(3)卷积神经网络+逻辑回归(CNN)[4]: 利用单层卷积神经网络对源代码进行特征提取, 然后使用逻辑回归分类器得到分类结果对于传统软件缺陷预测算法, 因为使用的是20个静态代码度量所构成的特征向量, 所以在数据预处理时, 可以使用SMOTE方法进行过采样来处理数据集分类不均衡问题; 而对于DBN、CNN和本文模型, 只能简单地采用随机过采样的方法来对数据进行预处理.本文使用Python环境以及深度学习框架PyTorch 来实现本文提出的模型, 所有的实验均在一台带有NVIDIA GTX 1080的Linux服务器上运行. 此外, 因为随机过采样和丢弃法都具有一定的随机性, 因此实验中每个方法都执行10次, 取平均值来进行模型性能的比较.4.4 实验结果及分析本文采用AUC和F1-measure来比较4种方法在2021 年 第 30 卷 第 1 期计算机系统应用6组预测任务上的性能. 表4和表5分别记录了这4种方法关于AUC和F1-measure的实验结果, 每次测试任务的表现最好的已在表格中加粗.表4 4种方法关于6项测试任务的AUC 训练集测试集LR DBN CNN本文模型Camel 1.4Camel 1.60.5990.6410.6870.709Lucene2.0Lucene2.20.6280.6260.6350.641 Synapse1.0Synapse1.10.6000.6390.5940.646 Synapse1.1Synapse1.20.6370.6970.6220.674Poi2.5Poi3.00.6650.6510.7100.718Xalan2.6Xalan2.70.6510.6830.6750.674平均值0.6300.6560.6540.677表5 4种方法关于6项测试任务的F1-measure 训练集测试集LR DBN CNN本文模型Camel 1.4Camel 1.60.3550.3420.4890.513Lucene2.0Lucene2.20.6110.6660.7090.724 Synapse1.0Synapse1.10.4440.4570.4560.461 Synapse1.1Synapse1.20.4710.4930.4870.473Poi2.5Poi3.00.7070.7160.7560.776Xalan2.6Xalan2.70.6330.6420.6540.681平均值0.5370.5530.5920.605表3和表4分别列出了4种方法关于每个测试任务的AUC值和F1-measure. AUC评估了模型分类的准确性, 而F1-measure评估了模型的稳定性. 从表3和表4中我们可以看到, 总体而言, 本文提出的模型在软件缺陷预测性能方面和模型稳定性明显优于LR、DBN 和CNN的. 而本文模型的AUC和F1-measure的均值也都高于其他方法, 这也证实了本文提出模型的合理性和可行性. 此外, 从两张表中我们可以看出, 相较于传统的软件缺陷预测方法, 应用深度学习方法在软件缺陷预测性能和模型稳定性上都得到一定的提高. 这也证实了, 在软件缺陷预测性能方面, 深度学习方法优于传统的机器学习方法.综上所述, 针对传统软件缺陷预测方法中对源代码语义特征挖掘不足的问题, 本文测试实验结果表明,在软件缺陷预测领域, 相比于传统的预测方法, 应用深度学习方法得到了一定的提高. 而本文也根据前人的工作, 提出了用多层卷积神经网络对基于抽象语法树得到的表征向量进行分类学习, 有效提高了缺陷预测的准确性.5 结束语本文针对传统软件缺陷预测方法应用静态代码度量而忽视代码语义的缺点, 从代码的抽象语法树中提取出向量, 再利用卷积神经网络深度挖掘数据的能力挖掘代码中的语法语义特征, 从而对软件缺陷进行学习分类. 并且, 通过与LR、DBN、MLP方法的实验比较, 由AUC和F1_measure两个指标我们可以看出本文提出的模型在软件缺陷预测性能上得到了一定的提高. 然而, 关于数据集分类不均衡、模型优化等问题,本文的处理方法相对粗糙, 这也是未来需要继续研究的方向.参考文献刘童. 基于机器学习算法的软件缺陷预测技术研究[硕士学位论文]. 武汉: 华中师范大学, 2018.1Wang S, Liu TY, Tan L. Automatically learning semantic features for defect prediction. 2016 IEEE/ACM 38th International Conference on Software Engineering. Austin, TX, USA. 2016. 297–308.2Iqbal A, Aftab S. A classification framework for software defect prediction using multi-filter feature selection technique and MLP. International Journal of Modern Education and Computer Science, 2020, 12(1): 18–25. [doi:10.5815/ijmecs.2020.01.03]3Li J, He PJ, Zhu JM, et al. Software defect prediction via convolutional neural network. 2017 IEEE International Conference on Software Quality, Reliability and Security.Prague, Czech Republic. 2017. 318–328.4Chawla NV, Bowyer KW, Hall LO, et al. SMOTE: Synthetic minority over-sampling technique. Journal of Artificial Intelligence Research, 2002, 16(1): 321–357.5Szegedy C, Ioffe S, Vanhoucke V, et al. Inception-v4, Inception-ResNet and the impact of residual connections on learning. Proceedings of the 31st AAAI Conference on Artificial Intelligence. San Francisco, CA, USA. 2017.4278–4284.6Tang PJ, Wang HL, Kwong S. G-MS2F: GoogLeNet based multi-stage feature fusion of deep CNN for scene recognition. Neurocomputing, 2017, 225: 188–197. [doi: 10.1016/j.neucom.2016.11.023]7Mikolov T, Sutskever I, Chen K, et al. Distributed representations of words and phrases and their compositionality. Proceedings of the 26th International Conference on Neural Information Processing Systems. Red Hook, NY, USA. 2013. 3111–3119.8Ba LJ, Frey B. Adaptive dropout for training deep neural 9计算机系统应用2021 年 第 30 卷 第 1 期。