软件缺陷预测技术_王青

基于大数据的软件缺陷预测与修复研究

随着软件应用范围的不断扩大和复杂化，软件缺陷问题逐渐成为影响软件质量和可靠性的重要因素。传统的软件缺陷检测方法往往需要大量的人力和时间投入，而且存在检测精度不高的问题。为了解决这个问题，基于大数据的软件缺陷预测与修复研究得到了广泛的关注。

大数据技术的快速发展为软件缺陷预测与修复提供了新的机遇和挑战。通过对大规模软件项目的历史数据进行分析，可以发现软件缺陷的潜在模式和规律，从而预测和修复潜在的软件缺陷。以下是基于大数据的软件缺陷预测与修复研究的一些关键方向和方法。

首先，基于大数据的软件缺陷预测方法可以通过构建预测模型来准确预测软件缺陷的发生。这些模型通常利用机器学习和数据挖掘技术，通过分析历史软件数据中的缺陷信息和其他相关因素，来预测未来软件缺陷的发生概率。例如，可以利用大规模的软件项目历史数据，通过训练分类器来识别和预测软件缺陷的类型和发生概率。

其次，基于大数据的软件缺陷修复方法可以通过利用现有软件的历史缺陷修复经验，来快速定位和修复软件缺陷。这种方法通常利用数据挖掘和统计分析技术，来分析并提取与软件缺陷修复相关的特征和模式。例如，可以通过比较已修复软件缺陷的修复方案和未修复软件缺陷的特征，来找到潜在的缺陷修复策略。

此外，基于大数据的软件缺陷预测与修复研究还可以结合其他相关领域的技术，进一步提高预测和修复的准确性和效率。例如，可以利用自然语言处理技术分析软件文档和开发者的交流，来获取更多与软件缺陷相关的信息。同时，可以利用云计算和分布式计算等技术，提高大规模软件项目的数据处理和计算效率。

然而，基于大数据的软件缺陷预测与修复研究面临着一些挑战和问题。首先，要准确预测软件缺陷需要大量的软件项目历史数据和高质量的标注信息，但这些数据往往难以获取并且耗费大量资源。其次，软件缺陷的发生受多个因素的影响，如开发人员的经验、开发过程的复杂性等，如何准确把握这些因素并建立合适的模型也是一个挑战。此外，由于软件系统的动态性和复杂性，软件缺陷的修复往往需要综合考虑多个因素，包括用户需求、时间和成本等，如何综合这些因素进行决策也是一个难题。

改进的软件缺陷预测模型研究

刘恺;包月青;赵先锋

【摘 要】为了提高软件缺陷预测模型的准确性,利用改进的频繁项集挖掘算法(IMMFIA)的低时间开销特点和改进的支持向量机(EDSVM)的优化能力提出改进的软件缺陷预测模型(FREDSVM).利用IMMFIA获取频繁项集,并产生满足置信度和支持度阈值的关联规则;根据相关度和新的规则排序度量提高小类(带缺陷的软件模块)的优先级,得到分类器;运用EDSVM针对规则匹配无果问题和规则匹配溢出问题进行分类.实验证明:与当前的软件缺陷预测方法相比,FREDSVM方法具有较高的准确性.

【期刊名称】《浙江工业大学学报》

【年(卷),期】2019(047)002

【总页数】5页(P225-229)

【关键词】软件缺陷;IMMFIA;频繁项集;EDSVM;规则匹配

【作 者】刘恺;包月青;赵先锋

【作者单位】浙江工业大学信息工程学院,浙江杭州310023;浙江工业大学信息工程学院,浙江杭州310023;浙江工业大学信息工程学院,浙江杭州310023

【正文语种】中 文

【中图分类】TP311

随着智能工具不断发展，软件的更新迭代越来越频繁，软件缺陷[1]预测问题也受到社会的广泛关注。比如2009年出现的Gmail故障，由于测试小组遗漏了一个软件缺陷，造成了极大的损失和不便，因此有效地预测软件缺陷模块成为亟待解决的问题。而应用机器学习的软件缺陷预测模型能够尽早地预测和发现软件缺陷，保证软件质量，减小损失，是一种高效的软件缺陷预测手段。软件缺陷问题也属于不平衡数据[2-4]问题。软件缺陷只存在于小部分软件模块中，缺陷模块数量远小于正常模块数量。目前应用在软件缺陷预测模型中的算法主要有支持向量机[5-8](Support vector machine，SVM)、朴素贝叶斯算法[9](Naive bayes，NB)、人工神经网络[10]和马尔可夫链[11]等，结合SVM的改进算法存在泛化能力不足的问题，结合朴素贝叶斯的改进算法由于朴素贝叶斯假定特征向量的各个分量独立地作用于决策变量而同样存在泛化能力不足的问题，结合人工神经网络的改进算法存在容易陷入局部最优和网络结构需要多次调整的问题。

软件缺陷预测模型的构建及其效果评估

随着互联网和计算机技术的飞速发展，软件已经成为现代信息社会不可或缺的一部分。然而，软件往往存在着各种各样的缺陷，这些缺陷导致的软件故障和漏洞给用户带来诸多不便和安全隐患。因此，研究如何准确地预测软件缺陷，成为了软件工程领域的一个重要研究方向。

一、软件缺陷预测模型构建的基本思路

软件缺陷预测模型的目的是通过统计和分析已经发布的软件中存在的缺陷，构建出一种可预测软件缺陷的数学模型。构建软件缺陷预测模型一般分为以下几个步骤：

1. 数据采集与预处理

首先，需要采集软件的相关数据，包括代码行数，开发者数量以及软件的缺陷数量等。然后，需要对这些数据进行预处理，如数据清洗、特征提取和数据标准化等。

2. 特征工程

特征工程是指将原始数据转换为可用于机器学习算法的特征向量集合，以提高学习算法的性能。在软件缺陷预测中，特征通常包括代码复杂性、程序规模、代码质量等。

3. 模型选择 根据特征工程的结果，可以选择适当的机器学习算法进行建模，如线性回归、支持向量机等。

4. 模型调优

在模型选择后，需要对模型进行调优，调整参数以提高模型的性能和准确性。

5. 模型评估

最后，需要对模型的效果进行评估，常用的评估方法包括交叉验证、ROC曲线等。

二、软件缺陷预测模型效果评估的方法与指标

软件缺陷预测模型的评估是对构建好的模型进行定量化分析，比较其在预测上的准确性、可靠性、稳定性等方面的优劣。常用的评估指标有以下几种：

1. 真阳性率（TPR）和假阳性率（FPR）

真阳性率（TPR）指将缺陷预测为缺陷的概率，假阳性率（FPR）指将非缺陷预测为缺陷的概率。

2. 准确率（ACC）

准确率（ACC）是模型预测正确样本数与总样本数之比。

3. 召回率（REC） 召回率（REC）是指模型预测所有正样本中，正确预测的个数占应预测个数的比例。

4. F值（F-Measure）

F值（F-Measure）是准确率（Precision）和召回率（Recall）的调和平均数，用于综合考虑两者的性能。

第４１卷第１期　２０１８年１月　计　算　机　学　报　ＣＨＩＮＥＳＥ　ＪＯＵＲＮＡＬ　ＯＦ　ＣＯＭＰＵＴＥＲＳ　Ｖｏ１．４１　Ｎｏ．ｉ　Ｊａｎ．２０１８　

跨项目软件缺陷预测方法研究综述　

陈　翔　王莉萍”　顾　庆　王　赞。’　倪　超　刘望舒　王秋萍”　

（南通大学计算机科学与技术学院江苏南通２２６０１９）　。　（南京大学计算机软件新技术国家重点实验室南京　２１００２３）　（天津大学软件学院　天津３００３５０）　

摘　要　软件缺陷预测首先通过挖掘与分析软件历史仓库，从中抽取程序模块并进行类型标记．随后通过分析软　件代码的内在复杂度或开发过程特征，设计出与软件缺陷存在强相关性的度量元，并对这些程序模块进行度量．最　后借助特定的机器学习方法基于上述数据构建出缺陷预测模型．因此该方法可以在项目开发的早期阶段，通过预　先识别出项目内的可疑缺陷模块，达到优化测试资源分配的目的．但在实际软件开发场景中，需要进行缺陷预测的　项目可能是一个新启动项目，或这个项目的历史训练数据比较稀缺．一种简单的解决方案是利用其他项目已经搜　集的训练数据来构建缺陷预测模型．但不同项目之间因所处的应用领域、采用的开发流程、使用的编程语言、开发　人员经验等并不相同，因此对应数据集间会存在较大的分布差异性并造成该方案的实际性能并不理想，因此如何　通过有效迁移源项目的相关知识来为目标项目构建预测模型，吸引了国内外研究人员的关注，并将该问题称为跨　项目软件缺陷预测问题．论文针对该问题进行了系统综述．根据预测场景的不同，将已有方法分为３类：基于有监　督学习的方法、基于无监督学习的方法和基于半监督学习的方法．其中基于有监督学习的方法主要基于候选源项　目集的程序模块来构建模型．这类方法根据源项目与目标项目采用的度量元是否相同又可以细分为同构跨项目缺　陷预测方法和异构跨项目缺陷预测方法．针对前者，研究人员主要从度量元取值转换、实例选择和权重设置、特征　映射和特征选择、集成学习、类不平衡学习等角度展开研究．而后者更具研究挑战性，研究人员主要基于特征映射　和典型相关分析等方法展开研究．基于无监督学习的方法直接尝试对目标项目中的程序模块进行预测．这类方法　假设在软件缺陷预测问题中，有缺陷模块的度量元取值存在高于无缺陷模块的度量元取值的倾向．因此研究人员　主要基于聚类方法展开研究．而基于半监督学习的方法则会综合使用候选源项目集的程序模块和目标项目中的少　量已标记模块来构建模型．这类方法通过尝试从目标项目中选出少量模块进行标记，以提高跨项目缺陷预测的性　能．研究人员主要借助集成学习和ＴｒＡｄａＢｏｏｓｔ方法展开研究．论文依次对每一类方法的已有研究成果进行了系统　梳理和点评．随后论文进一步总结了跨项目缺陷预测研究中经常使用的性能评测指标和评测数据集，其统计结果　可以辅助研究人员针对该问题进行合理的实验设计．最后总结全文，并分别从数据集搜集、数据集预处理、模型构　建和评估、模型应用这４个维度对未来值得关注的研究方向进行了展望．