基于复杂性的软件缺陷预测
软件工程中的缺陷预测与分析
软件工程中的缺陷预测与分析一、引言随着软件应用的普及，人们对软件质量的要求越来越高，但是软件的缺陷和错误却无处不在。
为了保证软件应用的质量，软件工程领域发展了很多技术来预测和分析软件缺陷，其中缺陷预测和分析技术是其中最重要的一项技术。
二、缺陷预测缺陷预测是通过分析软件历史数据，建立预测模型，对未来的软件缺陷进行预测。
缺陷预测技术主要分为以下两种：1. 基于统计学方法的缺陷预测技术基于统计学方法的缺陷预测技术是通过分析软件历史数据，对软件缺陷的发生概率进行统计分析，从而预测未来的软件缺陷。
该方法主要采用回归分析、决策树分析、朴素贝叶斯分类等技术来建立缺陷预测模型。
这种方法的优点是易于实施和高效，但是缺点是无法处理软件系统的复杂性和非线性关系。
2. 基于机器学习的缺陷预测技术基于机器学习的缺陷预测技术是通过分析软件历史数据，使用机器学习算法来建立缺陷预测模型，从而预测未来的软件缺陷。
该方法主要采用支持向量机、神经网络、决策树等算法来建立缺陷预测模型。
这种方法的优点是可以处理软件系统的复杂性和非线性关系，但是缺点是需要大量的历史数据和计算资源。
三、缺陷分析缺陷分析是对软件缺陷进行分析，找出产生缺陷的原因和解决方法。
缺陷分析技术主要分为以下两种：1. 基于人工的缺陷分析技术基于人工的缺陷分析技术是通过专业的质量分析师对软件缺陷进行分析，找出产生缺陷的原因和解决方法。
该方法主要采用故障树分析、质量功能展开等方法进行缺陷分析。
这种方法的优点是专业性强，可以找出产生缺陷的精确原因和解决方法，但是缺点是需要大量的人力和时间。
2. 基于自动化的缺陷分析技术基于自动化的缺陷分析技术是通过软件工具对软件缺陷进行分析，找出产生缺陷的原因和解决方法。
该方法主要采用静态分析、动态分析、模型检测等技术进行缺陷分析。
这种方法的优点是速度快、成本低，但是缺点是无法找出复杂缺陷的原因和解决方法。
四、结论缺陷预测和分析技术在软件工程领域中占据了重要位置，可以有效地提高软件质量和可靠性，并减少软件维护成本。
软件测试基于缺陷模式的软件测试
基于缺陷模式的软件测试
基于缺陷模式的软件测试概述 基于缺陷模式的软件测试指标分析 缺陷模式 基于缺陷模式的软件测试系统（DTS）
基于缺陷模式的软件测试指标分析
设P是待测程序，将缺陷模式M分成类 M={M1，M2，…Mn}，每类分成种 Mi={Mi1，Mi2，…，MiL},从P中计算出 和M相匹配的检查点的集合 IP={IP1,IP2,…,IPm},可以定义如下技术 指标：
基于缺陷模式的软件测试概述
缺陷模式必须满足下列几个条件： 1. 该模式下的缺陷是符合实际的。 2. 基于该模式的缺陷数目是可以容忍的。 3. 该模式下的缺陷是可以测试的。
基于缺陷模式的软件测试概述
基于模式的软件测试技术具有如下特点： 1. 针对性强：如果说某种模式的缺陷是经常发生的，
并且在被测软件中是存在的，则面向缺陷的测试可 以检测出此类缺陷。 2. 基于缺陷模式的软件测试技术往往能发现其他测试 技术难以发现的故障，如内存泄漏缺陷，空指针引 用缺陷。 3. 工具自动化程度高以及测试效率高。 4. 缺陷定位准确：对测试所发现的缺陷能够准确定位。 5. 易学、易使用：对一般的IT专业专科以上的毕业生， 该测试方法一般经过数天的培训即可掌握其使用方 法。
故障模式
1. 存储泄漏的故障模式（Memory Leak Fault MLF） 定义：内存泄漏故障（Memory Leak Faults）：
设在程序的某处申请了大小为M的空间，凡在程序结 束时M或者M的一部分没被释放、或者多次释放M或 M的一部分都是内存泄漏故障。
MLF有三种形式： 遗漏故障：是指申请的内存没有被释放。 不匹配故障：是指申请函数和释放函数不匹配。 不相等的释放错误：是指释放的空间和申请的空间大
小不一样。
软件工程中的质量评估与缺陷预测研究
软件工程中的质量评估与缺陷预测研究随着信息技术的迅猛发展，软件已经成为现代社会中不可或缺的基础设施。
然而，由于软件的复杂性、开发过程中的人为因素以及不断增长的需求，软件质量问题也日益凸显。
为了确保软件的可靠性和稳定性，软件工程中的质量评估与缺陷预测研究变得尤为重要。
首先，质量评估是软件工程中不可或缺的一环。
在软件开发的过程中，我们经常会遇到许多质量问题，如功能缺陷、性能问题、安全漏洞等。
通过质量评估，我们可以对软件进行全面、系统的评估，并及时发现和解决问题，从而提高软件的质量水平。
在质量评估中，一种常见的方法是通过软件度量来评估软件的质量。
软件度量是指通过定量分析软件的特定属性，来评估软件的质量和进度。
通过对软件源代码、设计文档以及项目管理数据的度量，我们可以了解软件的复杂性、可维护性、可靠性等指标，并根据这些指标做出相应的调整和优化。
软件度量可以帮助我们更好地了解软件的质量状况，从而及时采取措施，预防和解决质量问题。
同时，缺陷预测也是软件工程中的重要研究方向。
缺陷是指软件中存在的错误、缺陷或不符合需求的部分。
在软件开发的过程中，由于各种原因，如代码复杂度、开发人员的经验水平等，往往会产生一些缺陷。
为了提前发现和解决这些问题，我们可以通过缺陷预测来评估软件的缺陷风险，并制定相应的缺陷处理策略。
缺陷预测是指利用历史数据和统计方法来预测软件可能存在的缺陷数量和位置。
通过对软件开发过程、项目管理数据以及软件度量数据的分析，我们可以建立缺陷预测模型，并对软件进行缺陷预测。
这样一来，我们可以在软件开发的早期阶段就对可能存在的缺陷进行预警，从而及时采取相应的措施，提高软件的质量和可靠性。
在软件工程中，质量评估和缺陷预测是相辅相成的。
质量评估可以帮助我们全面了解软件的质量状况，及时发现和解决问题，从而提高软件的质量水平；而缺陷预测则可以帮助我们提前发现潜在的缺陷风险，制定相应的预防措施。
两者结合起来，可以使得软件开发过程更加规范和高效，同时提高软件的质量和可维护性。
软件缺陷预测模型的构建与优化方法研究
软件缺陷预测模型的构建与优化方法研究软件缺陷是开发过程中经常面临的一个问题，它可能会导致软件系统的不稳定、功能失效甚至崩溃。
因此，构建和优化软件缺陷预测模型对于降低软件开发和测试的成本，提高软件质量非常重要。
本文将探讨软件缺陷预测模型构建与优化的相关方法和技术。
一、软件缺陷预测模型的构建方法软件缺陷预测模型的构建是基于历史数据来预测软件产品在将来可能出现的缺陷情况。
以下是一些常用的软件缺陷预测模型构建方法：1. 机器学习方法：机器学习是一种常用的软件缺陷预测模型构建方法。
通过使用历史数据训练机器学习算法，可以获取模型的特征和参数，从而预测软件缺陷。
常见的机器学习算法包括决策树、朴素贝叶斯、支持向量机等。
2. 统计方法：统计方法是一种基于统计学原理的软件缺陷预测模型构建方法。
通过分析历史数据中的缺陷发生率、缺陷定位和修复时间等指标，可以预测软件缺陷的发生概率和影响程度。
3. 数据挖掘方法：数据挖掘是一种通过发现隐藏在大数据中的模式和规律来构建软件缺陷预测模型的方法。
通过对历史数据进行挖掘和分析，可以提取出与软件缺陷相关的特征和规律，从而实现软件缺陷的预测。
二、软件缺陷预测模型的优化方法软件缺陷预测模型的优化是为了进一步提高预测准确性和稳定性。
以下是一些常用的软件缺陷预测模型优化方法：1. 特征选择：特征选择是指从训练数据集中选择最相关的特征，以减少模型训练的复杂性和提高预测准确性。
通过特征选择，可以排除一些无关的特征，从而降低模型的复杂度，提高预测性能。
2. 数据平衡：软件缺陷数据通常具有不平衡性，即正常样本数量远大于缺陷样本数量。
不平衡数据会导致模型训练的偏向性，影响预测的准确性。
因此，采用数据平衡技术来平衡数据集，可以提高软件缺陷预测模型的性能。
3. 参数调优：参数调优是一种通过优化模型参数来提高软件缺陷预测模型性能的方法。
这涉及到对模型中的超参数进行调整，以使模型在某种度量标准下达到最佳性能。
深度学习技术在软件缺陷检测中的应用案例
深度学习技术在软件缺陷检测中的应用案例导言随着科技的不断进步和社会的快速发展，软件在现代社会中扮演着越来越重要的角色。
然而，由于软件开发的复杂性以及人为因素的存在，软件缺陷已成为普遍存在的问题。
传统的软件缺陷检测方法通常需要大量的人工参与，效率低下且容易出错。
然而，近年来深度学习技术的快速发展为软件缺陷检测带来了新的解决方案。
本文将介绍几个深度学习在软件缺陷检测中的应用案例，并探讨其优势和挑战。
案例一：基于深度学习的代码错误检测代码错误是软件缺陷的常见来源之一。
传统的代码错误检测方法通常依赖于人工审查或静态分析工具，但这些方法都存在着效率低下和准确性不高的问题。
最近，有研究人员提出了一种基于深度学习的代码错误检测方法。
该方法通过训练神经网络模型，使其能够自动学习代码中常见的错误模式，并对潜在的错误进行检测和识别。
实验证明，基于深度学习的代码错误检测方法能够显著提高错误检测的准确性和效率。
案例二：基于深度学习的缺陷预测缺陷预测是提前识别和修复软件缺陷的关键步骤。
传统的缺陷预测方法通常基于软件度量和统计分析，但这些方法需要手工选择特征，并且往往难以捕捉复杂的软件缺陷模式。
近年来，研究人员提出了一种基于深度学习的缺陷预测方法。
该方法利用神经网络模型自动学习软件的特征表示，并预测出潜在的缺陷。
实验证明，基于深度学习的缺陷预测方法能够提供更准确的预测结果，帮助开发人员及时发现和修复软件缺陷。
案例三：基于深度学习的模糊测试模糊测试是一种常用的软件测试方法，通过生成大量的随机输入来发现软件中的漏洞和缺陷。
然而，传统的模糊测试方法通常需要大量的人力和时间成本，并且效果不稳定。
最近，有研究人员提出了一种基于深度学习的模糊测试方法。
该方法通过训练神经网络模型，使其能够自动学习软件的输入模式，并通过生成更加有效和准确的模糊测试用例来发现软件中的漏洞和缺陷。
实验证明，基于深度学习的模糊测试方法能够显著提高测试效率和准确性。
IT行业的软件缺陷率数据分析报告
IT行业的软件缺陷率数据分析报告在当今数字化时代，软件已经渗透到我们生活的方方面面，成为现代社会的重要组成部分。
然而，由于软件开发的复杂性和技术难度，软件缺陷成为了IT行业的一大难题。
本文将从数据分析的角度，对IT行业的软件缺陷率进行深入研究，以期提供有价值的数据支持和分析结果。
数据收集和方法为了对IT行业的软件缺陷率进行分析，我们采用了以下数据收集方法：1. 定义指标：我们首先定义了软件缺陷率的概念，即在软件开发和维护过程中被发现和修复的缺陷数量与总代码行数的比率。
2. 数据源：我们从多个可靠的数据源收集了大量的软件缺陷率数据，包括开源软件项目、企业内部软件开发项目、IT服务公司的数据等。
3. 数据分析和统计方法：我们使用了统计学方法对收集到的数据进行了分析，包括描述性统计和推论统计。
此外，我们还使用了数据可视化工具，如图表和图形，来更直观地展现分析结果。
数据分析结果在进行数据分析后，我们得出了以下关键结果：1. 平均软件缺陷率：根据我们的研究，IT行业的软件缺陷率的平均值约为8%。
这意味着，平均而言，软件开发过程中会有约8%的代码存在缺陷。
2. 软件缺陷率的分布：软件缺陷率呈现一定的分布特征。
我们的数据显示，约70%的软件项目的缺陷率在5%至10%之间，而少部分项目的缺陷率超过了20%。
3. 软件缺陷率与项目规模的关系：我们发现，软件缺陷率与项目规模存在一定的关联性。
通常情况下，较大规模的软件项目往往具有更高的缺陷率，这可能与开发过程中的复杂性和人员配备有关。
4. 软件缺陷率的影响因素：我们进一步分析了软件缺陷率的影响因素，发现开发方法、工具选择、项目管理等因素对缺陷率有一定的影响。
以敏捷开发为例，相比于传统的瀑布模型，敏捷开发更容易及时发现和修复缺陷，从而降低了软件缺陷率。
数据分析报告的意义IT行业的软件缺陷率数据分析报告具有以下意义：1. 数据支持：通过数据分析，我们揭示了IT行业软件缺陷率的现状和特征，为开发人员、项目经理和决策者提供了基于数据的决策依据。
软件缺陷预测方法与模型评估
软件缺陷预测方法与模型评估1. 软件缺陷预测方法软件缺陷预测是指在软件开发过程中，通过分析和评估软件系统的特征和历史数据，预测软件中潜在的缺陷和错误。
这样的预测可以帮助开发人员在软件发布之前发现和修复缺陷，提高软件的质量和可靠性。
现代软件缺陷预测方法可以分为两种主要类型：静态预测方法和动态预测方法。
静态预测方法通常使用软件特征相关的静态度量，如代码复杂性、代码规模和代码复杂度等。
这些度量指标可以从软件开发文档或源代码中收集，并通过统计分析来预测软件缺陷。
动态预测方法则利用软件运行时的动态度量来预测软件缺陷，例如，运行时错误、异常和崩溃等。
这些数据通常通过监控软件的运行状态和收集运行时日志来获得。
然后，可以使用机器学习和数据挖掘技术对这些动态度量进行建模和预测。
除了上述两种主要类型的预测方法，还有一些其他的软件缺陷预测方法，如基于统计模型的方法、基于专家知识的方法和基于规则的方法等。
2. 模型评估模型评估是指对软件缺陷预测模型进行评估和验证，以确定模型的准确性和可靠性。
在模型评估过程中，通常需要使用一些评估指标来衡量模型的性能。
常用的评估指标包括准确率、召回率、F1 值等。
准确率是指模型正确预测的缺陷数与总样本数之比。
召回率是指模型能够正确预测出的缺陷数与实际存在的缺陷数之比。
F1 值则综合考虑了准确率和召回率，是一个综合评价模型性能的指标。
此外，还可以使用 ROC 曲线和 AUC 值来评估模型的性能。
ROC曲线是以真阳性率（TPR）为纵轴，假阳性率（FPR）为横轴，并通过改变分类模型的阈值来绘制的曲线。
AUC 值则是ROC 曲线下的面积，用于度量分类模型的性能，取值范围为 0.5 到 1，数值越高表示模型的性能越好。
在进行模型评估时，还需要使用一些统计方法来评估模型的置信区间和显著性。
例如，可以使用交叉验证、自助法（bootstrapping）和置换检验等方法来评估模型的统计显著性。
最后，在进行模型评估之前，还需要对数据进行预处理和特征选择。
软件缺陷预测及缺陷定位技术研究
软件缺陷预测及缺陷定位技术研究随着计算机技术的不断发展，软件已经渗透进入各个领域，从而成为社会经济的重要基础设施之一。
然而，随着软件规模和复杂度不断增大，软件缺陷也日益显现，给软件的稳定性和可靠性带来了很大的隐患。
因此，软件缺陷预测和缺陷定位已成为软件工程中的重要研究领域。
软件缺陷预测是指在软件开发过程中，通过分析软件的历史数据、统计特征和使用模型等手段，预测软件中可能存在的缺陷。
这项技术的主要作用是提高软件的可靠性和稳定性，减少软件开发中的成本和时间。
同时，软件缺陷预测技术还可以提高软件测试的效率和精度，避免冗余和无效的测试。
在软件缺陷预测技术中，数据挖掘和机器学习是常用的方法。
这两种方法本质上都是通过从历史数据中学习规律和模式，来预测未来可能存在的缺陷。
其中，数据挖掘技术主要是基于数据的，通过对历史数据的处理和分析，挖掘出潜在的模式和规律。
而机器学习则主要是基于算法的，通过训练模型并对未知数据进行测试，来预测软件中可能存在的缺陷。
除了数据挖掘和机器学习技术外，软件缺陷预测还可以利用统计和模型的方法。
其中，统计学方法主要是通过对历史数据进行分析和统计，找出可能存在的规律和模式，从而得出软件中可能存在缺陷的概率。
而模型方法则是基于软件开发过程的各个环节，建立相应的模型，并通过分析模型中的参数和因素，来预测软件中可能存在的缺陷。
除了软件缺陷预测，缺陷定位也是软件工程中的重要领域。
缺陷定位是指在软件开发过程中，通过分析和排查软件中的缺陷，找出并定位到具体的错误代码和模块。
这项技术的主要作用是快速、准确地找出软件中的缺陷，并及时进行修复。
这不仅可以提高软件的可靠性和稳定性，还可以减少软件测试和维护的成本和时间。
在缺陷定位技术中，静态和动态分析是常用的方法。
其中，静态分析主要是通过对软件源代码和文档等静态资源的分析和挖掘，找出软件中可能存在的缺陷。
而动态分析则是通过对软件运行时的行为和性能等数据的收集和分析，找出软件中可能存在的缺陷。
软件测试中的缺陷预测模型构建与应用
软件测试中的缺陷预测模型构建与应用引言随着软件产业的不断发展，软件测试工作变得越来越重要。
软件测试测试过程中，测试人员需要花费大量的时间和精力来寻找和定位各种缺陷，其中一项重要的工作就是缺陷预测。
缺陷预测是指测试人员利用已有的软件质量度量数据或者软件开发过程中的相关度量数据，通过建立预测模型来预测软件中特定模块的缺陷数目。
而正确有效的缺陷预测模型可以帮助测试人员更加高效精准地进行软件测试工作，提高测试工作的效率，在缩短测试周期、降低测试成本等方面也关系到软件的质量和软件团队的长远发展。
一、缺陷预测模型的构建缺陷预测模型的构建是指针对某个软件特定模块的历史数据，包括缺陷数据和度量数据，利用统计方法或机器学习算法等，构建出一个预测模型，通过该模型对未知软件缺陷数量进行预测。
建立缺陷预测模型的过程可以分为数据预处理、特征提取、特征选择、模型建立和评估等几个步骤。
1. 数据预处理缺陷预测模型的建立需要大量的数据支持。
在进行建模前，需要进行数据的预处理工作。
数据预处理主要包括数据清洗、数据集成、数据变换和数据规约。
其中，数据清洗是指去除无用或不完整的数据，数据变换是指用数学函数对数据进行转换，数据规约是指对数据进行抽样。
数据预处理的目的是提高数据的质量和准确性，为后续的特征提取和模型建立奠定基础。
2. 特征提取预测模型的成功与否很大程度上依赖度量指标的选择和特征提取能力。
在大量感性分析的基础上，确定某些软件度量指标作为特征因素。
在这些指标的基础上，通过预处理技术等方法，构造新的、更为实用和有效的软件度量指标。
特征提取的目标是提高模型的预测准确性和可解释性，并减少特征的数量，提高模型的鲁棒性。
3. 特征选择特征选择是指对所有可用的特征进行备选，然后利用各种特征选择技术对其进行评价和排序，选出最具有代表性且对预测目标影响最大的特征。
主要的特征选择方法包括过滤法、包装法和嵌入法等。
特征选择的主要目的是提高模型的泛化能力，减少模型出现过拟合的风险，提高模型的可解释性。
基于深度学习的软件缺陷预测方法研究
基于深度学习的软件缺陷预测方法研究基于深度学习的软件缺陷预测方法研究随着软件应用的广泛应用，软件的质量和稳定性成为开发者和用户关注的焦点。
软件缺陷是软件开发过程中不可避免的问题，而预测和及时修复这些缺陷可以有效提高软件质量和用户满意度。
近年来，深度学习技术的快速发展为软件缺陷预测提供了新的解决方案。
深度学习是一种通过对大量数据进行训练并自动学习特征表示的机器学习方法。
它模拟了人脑神经网络的结构和功能，能够识别和提取数据中的重要特征。
在软件缺陷预测中，深度学习可以分析软件开发过程中的历史数据、代码特征和缺陷信息，来预测未来可能出现的缺陷。
首先，深度学习可以处理多种类型的软件数据。
在软件开发过程中，我们可以从源代码、版本控制系统、缺陷追踪系统等获取大量的数据。
这些数据包括源代码的结构和语法、开发者的提交历史、缺陷报告的描述等。
传统的预测方法通常只能处理特定类型的数据，而深度学习可以同时处理这些不同类型的数据，并从中学习到更有效的特征表示。
其次，深度学习可以自动学习软件数据的潜在特征。
在传统的软件缺陷预测方法中，需要通过人工选择和提取特征，并设计适合的特征组合。
这一过程非常耗时且需要丰富的领域知识。
而深度学习可以通过训练神经网络来自动学习软件数据的潜在特征表示，不需要人工干预。
深度学习模型可以根据软件数据的特点和模式，学习适应性更强的特征表示，从而提高软件缺陷预测的准确性和可靠性。
同时，深度学习可以处理大规模和复杂的软件数据。
随着软件的规模和复杂性不断增加，软件数据也呈现出高维度、大规模和复杂多样的特点。
传统的机器学习方法在处理大规模和复杂数据时面临困难，而深度学习具有较强的数据处理和表达能力，可以应对这些挑战。
大规模的软件数据可以为深度学习模型提供更多的训练样本，从而提高预测模型的泛化性能。
最后，深度学习可以通过连续学习不断优化预测模型。
软件开发过程中的数据是动态变化的，缺陷的类型和特征也会随着时间的推移而变化。
软件缺陷预测
ISSN 1000-9825, CODEN RUXUEW E-mail: jos@Journal of Software, Vol.19, No.7, July 2008, pp.1565−1580 DOI: 10.3724/SP.J.1001.2008.01565 Tel/Fax: +86-10-62562563© 2008 by Journal of Software. All rights reserved.∗软件缺陷预测技术王青1+, 伍书剑1,3, 李明树1,21(中国科学院软件研究所互联网软件技术实验室,北京 100190)2(中国科学院软件研究所计算机科学国家重点实验室,北京 100190)3(中国科学院研究生院,北京 100049)Software Defect PredictionWANG Qing1+, WU Shu-Jian1,3, LI Ming-Shu1,21(Laboratory for Internet Software Technologies, Institute of Software, The Chinese Academy of Sciences, Beijing 100190, China)2(State Key Laboratory of Computer Science, Institute of Software, The Chinese Academy of Sciences, Beijing 100190, China)3(Graduate University, The Chinese Academy of Sciences, Beijing 100049, China)+ Corresponding author: E-mail: wq@Wang Q, Wu SJ, Li MS. Software defect prediction. Journal of Software, 2008,19(7):1565−1580./1000-9825/19/1565.htmAbstract: Software defect prediction has been one of the active parts of software engineering since it wasdeveloped in 1970’s. It plays a very important role in the analysis of software quality and balance of software cost.This paper investigates and discusses the motivation, evolvement, solutions and challenges of software defectprediction technologies, and it also categorizes, analyzes and compares the representatives of these predictiontechnologies. Some case studies for software defect distribution models are given to help understanding.Key words: software defect; metric; defect prediction; defect model; classification technology摘要: 软件缺陷预测技术从20世纪70年代发展至今,一直是软件工程领域最活跃的内容之一,在分析软件质量、平衡软件成本方面起着重要的作用.研究和讨论了软件缺陷预测技术的起源、发展和当前所面临的挑战,对主流的缺陷预测技术进行了分类讨论和比较,并对典型的软件缺陷的分布模型给出了案例研究.关键词: 软件缺陷;度量;缺陷预测;缺陷模型;分类技术中图法分类号: TP311文献标识码: A所谓缺陷(defect),目前为止,学术界、产业界有很多相关的术语和定义,比如故障、缺陷、bug、错误、失误、失效、失败等.根据ISO 9000对缺陷的定义“未满足与预期或者规定用途有关的要求”,缺陷是软件中已经存在的一个部分,可以通过修改软件而消除.另一个重要的概念是失效(failure).当系统或者软件运行时,出现不正确的输出,则称为失效.严格地说,失效可能由软件缺陷引起,也可能由其他诸如人为因素、硬件故障等引起.如果我∗ Supported by the National Natural Science Foundation of China under Grant Nos.60573082, 90718042 (国家自然科学基金); theNational High-Tech Research and Development Plan of China under Grant No.2007AA010303 (国家高技术研究发展计划(863)); theNational Basic Research Program of China under Grant No.2007CB310802 (国家重点基础研究发展计划(973))Received 2007-06-27; Accepted 2008-03-121566 Journal of Software软件学报 V ol.19, No.7, July 2008们每观察到一次失效,就可以发现一个或者多个软件缺陷,那么纠正这些缺陷就可以避免类似失效的重复出现.软件已经成为影响国民经济、军事、政治乃至社会生活的重要因素.高可靠和复杂的软件系统非常依赖于其采用的软件的可靠性.软件的缺陷是导致相关系统出错、失效、崩溃甚至机毁人亡的潜在根源.例如,1996年6月,欧洲“阿丽亚娜”号航天飞机因导航系统的计算机软件出现故障,致使航天飞机坠毁,造成了数亿美元的巨大损失;2005年3月31日,欧空局的SMART-1月球探测器和NASA的“雨燕”太空望远镜的使用状态均因软件故障而受到了很大影响;2005年4月,软件失灵、继而导航失误,导致耗资1.1亿美元的NASA自主交会任务DART实验失败.然而软件技术发展至今,任何检验、验证手段都不可能发现并排除所有的缺陷,软件作为一种无形的产物,虽然不会磨损用坏,却随时可能因为我们不易查知的原因出现故障甚至失效.CeBASE(Center for Empirically-Based Software Engineering)[1]是美国国家科学基金支持的经验软件工程中心,拥有世界范围著名的专家和学术机构的合作组织.2002年,CeBASE组织了几次著名的网上研讨,并在加拿大渥太华的第8届度量大会(METRICS 2002)上组办了名为“What we have learned about fighting defects”的研讨会.会后根据大家研讨的结果,整理出了软件缺陷所带来的影响及缺陷分布和检测问题:软件发布后发现和修复缺陷的成本大幅增加(例如,对于一个严重问题,其成本较之需求和设计阶段增加了100倍);软件项目返工工作量比例居高不下,但随着过程成熟度的提高而减少;软件工程中返工工作量与缺陷、软件失效与缺陷,以及缺陷在软件模块中的分布都是符合2-8原则的;同行评审、评审准备工作等有助于发现更多的缺陷;有经验的开发人员可以显著减少缺陷的引入率.上述讨论结果表明,缺陷对软件质量甚至对软件经济有重要影响;同时也说明缺陷分布问题的复杂性和差异性,以及现有的缺陷预测技术在解决实际问题上的不足等.事实上,从第一个软件诞生,就伴随出现软件缺陷的检测和预测技术.检测技术在于发现缺陷,而预测技术则在于预测还未发现的缺陷.20世纪70年代,出现了利用统计学习技术,根据历史数据以及已经发现的缺陷等软件度量数据预测软件系统的缺陷数目及类型.缺陷预测技术的目的在于统计计算软件系统的缺陷数、没有发现但还可能存在的缺陷数,以决定系统是否可以交付使用.缺陷预测技术为软件质量的提高和保证起着非常重要的作用,同时,也促进了软件工程技术向前大大地发展了一步.纵观软件缺陷预测技术的发展,从20世纪70年代起,软件缺陷预测技术大体上分为静态和动态两种缺陷预测技术,如图1所示.静态预测技术,主要是指基于缺陷相关的度量数据,对缺陷的数量或者分布进行预测的技术;而动态技术则是基于缺陷或者失效产生的时间,对系统缺陷随时间的分布进行预测的技术.Fig.1 Classification of software defect prediction technologies图1 软件缺陷预测技术分类王青 等:软件缺陷预测技术15672+1 静态的缺陷预测技术静态缺陷预测技术起源较早,早期集中在基于软件规模等度量元的缺陷预测方面,亦即研究缺陷和软件规模、复杂度等基本属性之间的关系,以此预测软件可能存在的缺陷数量.20世纪90年代初,人们发现缺陷并非在软件中平均或者完全随机地分布,出现了针对缺陷分布的预测技术.此外,缺陷在软件生命周期不同阶段的引入和移除对遗留缺陷也有严重的影响,一些相应的软件缺陷预测模型也取得了非常好的成果和应用.下面按照时间顺序给出基于度量元的缺陷预测技术、缺陷分布预测技术以及缺陷预测模型技术.1.1 基于度量元的缺陷预测技术1.1.1 基于软件规模的缺陷预测技术最早的软件缺陷预测技术可以追溯到20世纪70年代.早期的缺陷预测技术认为缺陷的多少取决于软件规模的大小,典型的代表有:1) 早期的软件缺陷估算主要根据经验来估计,如人们普遍认为一个软件模块中缺陷数量约为每60行代码1个缺陷(或乐观地估计为100行代码1个缺陷),并据此来估计项目验证和测试阶段所需要的人力和计算机资源;最早的量化关系式由Akiyama [2]提出,他明确给出了软件缺陷与代码行的关系式:D=4.86+0.018L ;同时,他还探讨了复杂度度量元(如the number of decisions,subroutine calls 等)对于缺陷的影响;在Akiyama 的关系式中,估算的软件缺陷是指在程序验证开始阶段之前,程序中所可能有的软件缺陷数量;2) Halstead [3]提出的缺陷与软件体积度量元(volume metric)的关系:D=V /3000,其中软件体积V 与开发语言相关,,n 2121(log ()),,V N n N N N n n n ==+=1代表不同操作符数量,n 2代表不同操作数数量,N 1代表总的操作符数量,N 2代表总的操作数数量;在Halstead 的关系式中,估算的软件缺陷是指在程序验证阶段发现的软件缺陷数量;Ottenstein [4,5]使用上述关系式来估算在测试和集成阶段开始前系统中仍然存在的缺陷数,以及在验证阶段发现和修复缺陷所耗费的时间等;3) Lipow [6]在Halstead 的基础上进行了改进,提出了缺陷与可执行代码行L 的关系:D /L =A 0+A 1ln L +A 2ln 2L , 其中系数A i 与语言相关,不同的语言有着较大的差异(例如,对高级语言来说,系数较大,如Fortran 语言:A 0= 0.0047,A 1=0.0023,A 2= 0.000043;而汇编语言:A 0=0.0012,A 1=0.0001,A 2=0.000002);4) Takahashi [7]将代码与具体的文档数量对应起来,给出了缺陷密度的估计式:12ˆB 67.980.469.69f f =+−− 30.08,f 其中为缺陷率(单位:The number of errors/KLOC,KLOC 为千行代码),f ˆB1为程序规约变更的频率(单 位:The number of pages/KLOC),f 2为程序员技能(单位:Years),f 3为程序设计文档(单位:The number of pages/KLOC);5) Malaiya 等人[8]在假设模块规模符合指数分布的情况下,给出了缺陷密度估算公式:缺陷密度D (s )=a /s +b +cs ,其中s 为规模,a ,b ,c 为经验值,它们取决于程序员能力、过程成熟度以及测试程度等.1.1.2 基于软件复杂度的缺陷预测技术随着软件规模的增加,软件的复杂度也在逐步攀升,人们开始意识到软件的缺陷不仅与规模有关,还与软件的复杂度有关.从20世纪70年代后期,出现了许多关于软件规模和复杂度的度量,其中最著名的是McCabe Cyclomatic Complexity 复杂度度量元[9],简称 用两种方法来度量软件模块中控制流的复杂度,一种是通过图理论中的节点和边的数量来计算(CC =e − n +2,e 代表边数,n 代表节点数);另一种是通过决策路径数来计算(CC=bd +1,bd 代表控制图中2项决策数;如果控制图中有n 条决策路径,该控制图就有n −1个2项决策数);两种计算方式得到的CC 数据是一致的.Aivosto 公司的经验研究[10]给出了CC 与误修复概率(bad fix probability)的关系:CC (1~10),5%;CC (20~30),20%;CC (>50),40%;CC (接近100),60%;该研究表明,当CC 在1~10时,修复缺陷可能引入新缺陷的概率是5％,随着复杂度的提高,这个概率也越高,当CC 接近100时,修复缺陷引入新缺陷的概率高达60％.1.1.3 基于多维软件度量元的缺陷预测技术20世纪90年代,随着软件规模和复杂度的不断增长,出现了面向对象的软件开发技术,从而诞生了许多面1568 Journal of Software软件学报 V ol.19, No.7, July 2008向对象的度量元来衡量软件规模和复杂度等.对于软件模块复杂度的度量也从原来的模块内部度量发展到模块外部度量,如内聚性、耦合度、继承深度等.缺陷预测开始关注更多的度量元,如OO度量元、Web类度量元,或者是产品、过程、技术等度量元,称为基于度量元(metrics-based)的缺陷预测技术[11−13].特别是随着软件过程技术的发展,人们逐渐认识到软件过程对于质量的影响,基于过程的缺陷度量成为人们关注的焦点,如:CMM等级与遗留缺陷密度关系的经验结果[14],采用净室(cleanroom)方法得到的遗留缺陷密度参考数据[15]等.这一类的技术往往强调预测结果的准确性与实际情况的符合.尽管缺陷预测技术发展了30多年,但是预测结果与实际情况相比远没有达到人们期望的那样令人满意.早期的模型虽然简单、易用,但是由于不同的组织特点和过程成熟度、人员经验以及技术类型,建立的缺陷与规模、复杂度的关系式都不一样,无法将另一组织的预测模型及结果拿来简单地对照使用.所以,从20世纪90年代开始,对缺陷的预测也从仅仅关注缺陷数量的估计,发展到关注缺陷的分布、移除、遗留等问题,以求对软件质量的理解更加准确.1.2 缺陷分布预测技术Kitchenha,Basili,Khoshgoftaar等人通过采集缺陷与软件产品度量(software product metrics)、软件技术(OO,Web)、软件过程和执行程序等关联的度量数据,采用分类或回归技术研究缺陷的分布问题.研究结果表明,缺陷在软件模块中的分布符合2-8原则,要识别或者预测这些包含大多数缺陷的少量模块,就需要分类或者回归技术来进行判定.分类技术和回归技术都属于学习问题[16],在学习问题上常常将分类技术划分到解决模式识别问题上,即用于估计指示函数集合(指示函数即只有0或1两种取值的函数);而回归技术则用于解决回归函数估计问题,即用于估计实函数.具体到缺陷预测方面,分类技术通常用于识别模块是不是高缺陷率或低缺陷率的,而回归技术更多地用于估算缺陷数量.所以说两类技术都可以用来指导测试和其他质量保证活动的计划及执行,节省昂贵的测试及评审的时间和成本.常见的分类技术(也常被称为质量分类技术)有:线性判别分析(linear discriminant analysis,简称LDA),布尔判别函数(Boolean discriminant function,简称BDF),分类回归树(classification and regression tree,简称CART),优化集精简方法(optimized set reduce,简称OSR),聚类分析(clustering analysis,简称CA),支持向量机(support vector machine,简称SVM)等,简单描述如下:LDA也称作费舍尔(Fisher)判别方法.LDA的优点是易于实现,计算复杂度低,它的学习过程是根据训练数据估计高斯分布参数的过程,其假设是预测对象的每个分类都服从具有相同协方差矩阵的多元高斯分布;在缺陷预测领域中,LDA主要用于高缺陷风险的程序识别[17].BDF类似于LDA,不同之处是,它针对每一个度量元设置了一个关键值(阈值),如果有任意一个度量元超过这个值,则将这个模块判定为高缺陷率模块,否则判定为低缺陷率模块;在训练过程中,BDF可以人为地调整I类错误和II类错误的比例;BDF的缺点在于判定低风险模块的条件过于苛刻,虽然很少产生II类错误,但I类错误率非常高,造成项目有限的资源浪费在大量错判为高风险的模块上,因此,Khoshgoftaar提出改进的BDF方法,在一定程度上放宽了对于低风险模块的判别条件[18].CART是一个统计工具,它能够挖掘数据中的模式和关系,并自动进行分类;使用该工具时,需要进行训练,根据训练数据集构造决策二叉树;该树的所有非叶子节点均有两个子节点和一个判定准则,所有叶子节点均包含一个预测输出值;训练完成后,决策树的结构不再改变,当输入新的度量数据时,就能够按照事先确定的非叶子节点的判定准则决定转向哪一个子节点,直到叶子节点,也就是输出的预测值;由于分类树的思想容易被人理解,而且其决策判定准则是给定的门限值,因此可以用于变量间的非线性和非单调关系建模,在缺陷分布预测方面得到一定的应用,如Khoshgoftaar等人将其用在通信软件中预测使用时缺陷,以及分类树中I类错误和II类错误率的优化分析等[19].OSR与CART方法类似,也是使用分类回归树作为预测模型,其主要思想是通过对训练集进行适当的裁剪来获得更好的分类回归树结构;与CART使用所有的训练集数据相比,OSR主要集中于训练集的裁剪[20].CA的目标是将输入的数据按照其自身的特点分为几个类别.在缺陷预测领域中使用的聚类分析算法主要有两种,K-均值聚类和Neural-Gas聚类.首先利用聚类分析将软件模块按照预先设定的分类数进行自动分类,然王青等:软件缺陷预测技术1569后由度量人员手工将这些类标定为高缺陷率或低缺陷率[21].SVM是一种通用的前馈神经网络,由Vapnik在1992年首先提出,可以用于模式分类和非线性回归[16];SVM 的学习算法来自于统计学理论,其核心是经验风险最小化原则;在2005年北京师范大学郭平的一篇论文[22]中,给出了基于SVM的软件质量预测,主要依据模块复杂度进行软件缺陷分类.一些回归技术也用来预测缺陷和度量元之间的关系.由于不同度量元之间存在数据相关性等问题,通常使用主成分分析技术压缩和降低这些度量元的维度,选取正交的度量元来估算软件缺陷.常见的回归技术有:人工神经网络(artificial neural network,简称ANN)、逻辑回归(logistic regression,简称LR)、多元线性回归(multiple linear regression,简称MLR)、基于用例推理(case-based reasoning,简称CBR)等.以下是对这些回归技术的介绍: ANN起源于对生物神经系统的研究和模仿,目前,在软件缺陷预测领域使用的神经网络主要是基于误差反向传播算法(error back propagation,简称BP)或者该算法的某个分支/变种[23];BP算法的基本思想是将训练集的输入数据放入ANN进行运算,将运算结果与期望的输出进行比较,根据两者的误差反向调整ANN的权值等参数.LR是对线性回归的进一步改善,针对线性回归难以解决分类时出现的0~1之外的非法概率值,采用对数变换,其结果值将不再局限于0~1的区间,而是负无穷大和正无穷大之间的任意值;与线性回归一样,需要找出能与训练数据匹配得较好的权值,这里使用模型的对数似然最大化的权值来测量匹配的良好程度,这在软件缺陷分类技术中应用得非常广泛[24].MLR是一种统计学方法,用于估计或者预测自变量为一系列已知变量的函数;其训练过程也就是确定模型参数的过程,为了提高回归分析的适应能力,通常会对自变量集合进行优化调整,首先决定选用或者不选用某些自变量,然后按照最小平方的原则估计参数;Khoshgoftaar在1992年时提出用相对最小平方和平均相对误差作为误差函数进行线性回归建立缺陷预测模型[25],并针对两个已完成的实际项目数据进行验证,其结果表明,应用这种改进的回归方法在预测性能上和数据拟合方面都比原来有所提高,但却未能验证该模型在新项目中的预测结果.CBR是通过获取过去相似的事例来解决预测问题;其预测模型是由训练数据和一些相关的参数如相似度函数组成,欧几里德距离、绝对差都可以作为相似度函数;使用CBR进行缺陷预测,其优点主要是使用的度量元可多可少,依据数据收集情况而定;而且,该方法是依据人们的经验和直觉来判断,易于理解,应用比较方便;在CBR方法中,还可以集成半数投票(majority voting)和数据聚类(data clustering)的规则来更好地预测缺陷,Khoshgoftaar在2003年就缺陷估算给出了Analogy-Based 实际分类规则的CBR方法[26].对于上述技术,我们通常用I类和II类错误率来进行评价,相关的概念和计算方法见表1[27].I类错误就是指将原本没有缺陷的模块划分到高缺陷率的模块当中;II类错误就是指将原本有缺陷的模块划分到低缺陷率的模块当中.I类和II类错误率所带来的成本是不一样的,就I类错误来说,耗费了测试和评审资源却对没有缺陷的模块进行大量的重点测试和评审;而II类错误缺乏对高缺陷率的模块进行必要的测试和评审,从而造成维护和返工工作量的增加.Table 1Type I and Type II misclassification表1I类和II类错误率Module actually has defectsYesNoClassifier predicts no defects No a bClassifier predicts some defects Yes c dAccuracy=(a+d)/(a+b+c+d)Probability of detection=d/(b+d)Probability of false alarm=c/(a+c)Type I error of misclassification=c/(a+c)Type II error of misclassification=b/(b+d)目前,对于各类预测技术的评价和比较分析还很少,NASA[28]专门提供了一些缺陷数据以方便人们使用不1570 Journal of Software 软件学报 V ol.19, No.7, July 2008同的模型和方法进行训练和预测,用于各类模型和技术在缺陷分类技术上的比较.如Zhong 等人[21]就引用了NASA 上提供的数据以及近20种预测方法的预测性能.Khoshgoftaar 在2004年的两篇经验研究文章中[29,30]对7类分类技术和6类回归技术进行了比较和评价:由于不同的分类方法产生不同的I 类和II 类错误率,单纯凭借某类错误率来评价不同的技术是难以得到大家认同的,需要在两类错误类之间取得平衡;如果按照I 类和II 类错误率的总计来评价这几类预测技术也存在一定的问题,因为I 类和II 类错误的成本是不同的,所以Khoshgoftaar 按照经验值给出了I 类和II 类错误的成本对比,使用ECM(expected cost of misclassification)的概念将成本因素考虑进去来对这7类技术进行评价;对于回归技术,Khoshgoftaar 给出了这些技术在相同测试数据上其AAE(average absolute errors)和ARE(average relative errors)的对比结果,从而得到了这些回归技术相对优劣比较分析的经验结果.在实际使用过程中,还需要考虑更多的因素,如不同分类和回归技术的适用性、它们对于训练数据的要求程度、预测精度要求、系统的可靠性和安全要求(要求高的系统尽量选择II 类错误低的技术)、资源消耗、算法的效率以及各类技术其验证是否简单、可理解性方面、稳定性方面等等.表2给出了上面介绍的分类及回归技术在缺陷预测方面的比较.Table 2 Comparison of the classification and regression methods表2 常用分类及回归方法比较Methods Accuracy error rateresources Others LDA Low Unchangeable Low Only be applicable to the classificationBDF Low Changeable Low High of Type I error rate; Only be applicable to the classificationCART High Changeable Medium Easy to over fittingOSR High Changeable Medium Similar with which of the CARTCA High Unchangeable High Need the personnel for the analysis; Low of the repeatability; High cost of prediction and easy to make mistakenSVM High Unchangeable High Lack of effective methods to determine the best parametersANN High Unchangeable Medium Low speed of the convergence during the modelingMLR Low Unchangeable Low (stepwise selection, forward elimination, etc.)LR High Changeable High classificationCBR High Unchangeable High Can take advantage of availability of new or revised information1.3 缺陷预测模型技术前面介绍的两类技术都是基于一些选取的度量元,通过经验、分类回归等方法找到缺陷和主度量元之间的关系,以通过采集这些度量元的数据来预测软件的缺陷和缺陷的分布.但事实上,引起软件缺陷的因素非常多,任何单一或者回归后简化的预测算法都不可避免地会理想化约束缺陷产生的环境,从而导致缺陷估计上的不准确.此外,随着人们开发软件工作量的增大,人为原因造成缺陷的增加或者减少,比如需求、编码等工作会引入更多的缺陷,而评审、测试工作会减少缺陷数量等,但总的来说,假定过程、人的能力技术等因素是稳定的,则缺陷与软件规模是一个正比变化关系.一些模型技术开始用来建立较为复杂和综合的软件缺陷预测模型,旨在通过比较全面的缺陷影响因素,基于历史和当前的缺陷数据预测软件的缺陷.这些模型主要考察影响缺陷引入和排除的因素,建立缺陷随这些因素变化而受影响的关系.一方面指导人们采取措施减少缺陷的引入,另一方面增加缺陷排除的能力.1.3.1 COQUALMO美国南加州大学的Boehm 等人[31−33]认为,缺陷是随着软件产品的开发而引入进来,又伴随着此过程逐渐被移除出去的.他们认为缺陷和软件规模有着直接的关系,此外,还有一些其他因素对软件缺陷产生影响.1997年,Boehm 在其经典的软件成本估算模型(constructive cost model,简称COCOMO)的基础上提出软件质量估算模型COQUALMO(constructive quality model),如图2所示.王青等:软件缺陷预测技术1571Fig.2 COQUALMO model图2 COQUALMO模型COQUALMO包括两个子模型,分别为缺陷引入模型(defect introduced model,简称DI)和缺陷移除模型(defect removal model,简称DR).DI模型有23个可裁剪的成本驱动参数,以软件规模为输入,估算软件在需求、设计、编码、文档等过程引入的缺陷.DR模型则考虑软件开发过程中采用的自动分析技术、评审技术、测试技术等参数,估算可能排除的缺陷,最后得到交付时的缺陷率.1.3.2 DRE模型缺陷移除矩阵(defect removal matrix)是业界流行的一种缺陷模型方法,最早出现在IBM公司的内部技术报告中[34];该方法统计软件生命周期各个阶段引入和移除的缺陷,以计算整个系统的缺陷移除率DRE(defectremoval efficiency),见表3中一组数据.Table 3 DRE model used in practice表3 DRE模型实例数据Defect injection phaseDefect removal stepTotalRequirements High-Level design Low-Level design CodingHigh-Level design inspections 2 8 10Low-Level design inspections 2 3 7 12Code inspections and testing 2 2 1 18 23Customer detected 1 1 1 2 5206394Total 20整个系统的缺陷移除效率=(13+10+12+23)/63=92%.各个阶段的缺陷移除效率:需求阶段DRE=13/(13+2+2+2+1)=0.65;概要设计阶段DRE=10/((2+2+2+1)+(8+3+2+1))=0.33;详细设计阶段DRE=12/((2+2+1)+(3+2+1)+(7+1+1))=0.6;代码评审与测试阶段DRE=23/((2+1)+(2+1)+(1+1) +(18+2))=0.82;用户发现DRE=5/(1+1+1+2)=1.00.从以上的缺陷移除效率可以看出,对这组数据样本而言,设计移除缺陷的效率最低,测试在缺陷移除过程中最有效.这样就可以有针对性地改进过程,提高软件开发过程中缺陷的移除效率.该方法对于软件过程的控制和改进非常有效,业界通常称为DRE模型.最早的缺陷移除效率这一概念出自IBM公司,后来Jones作了进一步的改进[35],Remus和Zilles在1979年ICSE上详细给出了DRE模型的计算方法、过程和应用[36].DRE模型常与正交缺陷分类(orthogonal defect classification,简称ODC[37])方法结合使用.ODC方法提供了一个从缺陷中提取关键信息的测量范例,用于评价软件开发过程,提出过程改进方案.ODC分类方法主要包括缺陷的8个属性特征:发现缺陷的活动、缺陷影响、缺陷引发事件、缺陷载体、缺陷年龄、缺陷来源、缺陷类型和缺陷限定词.该方法覆盖的语义信息包括缺陷的位置、缺陷产生的征兆、最终影响以及缺陷的形成机制等.湖南大学也在软件正交缺陷分类方面做了一些研究[38].。
基于深度学习的软件缺陷预测模型
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。
软件开发中的缺陷管理与修复策略
软件开发中的缺陷管理与修复策略随着科技的迅猛发展，软件已经成为了人们生活中不可或缺的一部分。
然而，由于软件的复杂性和不可预测性，软件开发中的缺陷问题也变得越来越常见。
在软件开发中，缺陷管理和修复策略是至关重要的，它们能够帮助开发团队更好地处理缺陷问题，提高软件的质量和可靠性。
本文将从以下几个方面详细介绍软件开发中的缺陷管理和修复策略。
一、缺陷管理的重要性缺陷管理是指对软件开发过程中发现的缺陷进行分类、记录、追踪和解决的过程。
它是软件开发的关键环节之一，对于提高软件可靠性和用户满意度非常重要。
下面是缺陷管理的几个重要作用：1. 提高软件质量：通过详细记录和分析缺陷，开发团队可以了解软件中存在的问题，及时修复缺陷，提高软件的质量。
2. 优化开发流程：缺陷管理可以帮助开发团队找出软件开发过程中的问题，改进流程，减少缺陷的产生。
3. 提高用户满意度：通过及时修复用户反馈的缺陷，可以提高用户对软件的满意度，增强用户粘性。
二、缺陷管理的步骤缺陷管理通常包括以下几个步骤：1. 缺陷分类和优先级确定：对于发现的缺陷，需要进行分类，确定其优先级。
常见的分类包括功能性缺陷、性能缺陷、界面缺陷等。
2. 缺陷记录和跟踪：开发团队需要使用专门的工具或系统，将发现的缺陷进行记录和跟踪。
记录中需要包括缺陷的描述、重现步骤、截图等详细信息，以便开发人员能够快速定位和解决问题。
3. 缺陷分析和修复：开发团队需要根据缺陷的记录和跟踪信息，分析缺陷的原因，并制定相应的修复策略。
修复策略可以包括代码重构、重新测试、修改配置等。
4. 缺陷验证和关闭：修复缺陷后，开发团队需要对修复结果进行验证，确保缺陷已经被完全解决。
验证通过后，可以将缺陷状态设置为关闭，并记录相关的测试结果。
三、缺陷修复策略在软件开发中，缺陷的修复策略是提高缺陷修复效率和质量的关键。
下面列举一些常见的缺陷修复策略：1. 及时修复高优先级缺陷：对于严重影响软件功能或性能的高优先级缺陷，开发团队需要及时分配资源进行修复。
软件开发过程中的缺陷检测与预警技术研究
软件开发过程中的缺陷检测与预警技术研究随着信息时代的到来，软件已经成为了人们生产、生活中必备的基础工具。
而软件开发过程中的缺陷问题也是难以避免的，因此，缺陷检测和预警是软件开发过程中的重要环节之一。
一、缺陷检测技术的发展在软件开发过程中，缺陷检测技术的应用已经相当成熟。
最早期的软件错误检测技术是手动检测，但这种方法显然不能满足大型软件项目的需求。
为解决这个问题，自动化缺陷检测技术得到了广泛应用。
近年来，基于机器学习的缺陷检测技术也得到了广泛的应用和发展。
机器学习技术可以通过对程序代码进行分析和学习，找出其中的错误和缺陷。
不过，在实际应用中，机器学习技术还面临一些挑战，比如误报率、误判率高、无法处理复杂的代码等问题。
二、缺陷预警技术的发展除了缺陷检测技术外，缺陷预警技术也是软件开发过程中的重要环节。
缺陷预警可以及时的发现潜在的缺陷，并提前进行处理，防止其发展成为真正的问题。
目前，缺陷预警技术主要分为静态分析和动态分析两种。
静态分析技术可以在不执行程序的情况下进行分析，找出代码中的错误和缺陷。
而动态分析技术是在程序执行的过程中进行分析，可以实时发现问题。
三、缺陷检测与预警技术的局限性虽然缺陷检测和预警技术已经相当成熟，但在实际应用中仍然存在一些局限性。
首先，缺陷检测技术不能完全做到“零缺陷”，因此，在实际开发中，还需要进行人工测试等其他方式的验证。
其次，在缺陷预警技术方面，由于软件项目本身的复杂性，存在一定的误报风险。
这种误报会影响到实际的开发效率和质量。
最后，缺陷检测和预警技术的应用普及也需要面临一定的推广和普及难度。
比如，许多企业和开发人员对于自动化工具的使用还比较陌生，需要进行深入的培训和推广。
四、总结综上所述，软件开发过程中的缺陷检测和预警技术已经具有了相当的成熟度和应用价值。
虽然技术还存在一些局限性，但这些问题相信随着科技的不断发展和进步，很快就能够得到解决。
最终，希望能够通过缺陷检测和预警技术的应用，为软件开发质量和效率的提升做出贡献。
基于深度学习的软件缺陷预测与优化模型研究
基于深度学习的软件缺陷预测与优化模型研究深度学习技术在软件工程领域的应用越来越受到关注，其中之一就是利用深度学习模型来预测和优化软件缺陷。
软件缺陷是软件开发过程中不可避免的问题，它可能导致软件的功能不完善，影响用户体验甚至造成系统崩溃。
因此，准确预测和及时修复软件缺陷对于软件质量的提升至关重要。
本文将探讨基于深度学习的软件缺陷预测与优化模型的研究现状和方法。
首先，深度学习在软件缺陷预测中的应用已经取得了一定的成果。
传统的软件缺陷预测方法多基于统计学技术和机器学习算法，但由于软件的复杂性和非线性特征，其预测性能有限。
深度学习作为一种强大的模式识别算法，可以学习软件代码中的高级抽象特征，并从大规模的训练数据中挖掘出潜在的模式和规律。
例如，使用卷积神经网络（CNN）对代码进行特征提取，或者使用长短时记忆网络（LSTM）对代码中的序列信息进行建模，这些方法都取得了较好的预测效果。
其次，深度学习在软件缺陷优化中也展现了潜力。
软件缺陷优化旨在减少或避免软件缺陷的产生，提高软件开发过程的效率和质量。
深度学习可以通过学习大规模软件开发过程中的经验和模式，提供相应的优化建议。
例如，可以使用生成对抗网络（GAN）生成高质量的测试用例，进而发现和修复潜在的软件缺陷。
另外，也可以利用深度学习方法对软件开发过程中的代码质量进行分析和优化，例如自动化代码重构、静态分析和自动化修复等。
然而，基于深度学习的软件缺陷预测与优化模型研究仍面临一些挑战。
首先，软件代码的特征表示和学习是一个关键问题。
传统的软件代码往往是结构化和符号化的，但深度学习模型更擅长处理数值型和分布式表示的数据。
因此，如何将软件代码转化为深度学习可接受的形式，是一个具有挑战性的任务。
其次，缺乏大规模高质量的软件缺陷数据集也限制了深度学习模型在软件工程中的应用。
软件缺陷数据往往是难以获取和标注的，因此如何利用现有的有限数据进行模型训练和泛化是一个重要的研究方向。
软件缺陷的严重程度标准定义
软件缺陷的严重程度标准定义软件缺陷的严重程度标准定义一、引言在软件开发和测试过程中，软件缺陷是不可避免的。
然而，确定缺陷的严重程度对于制定优先级和决定修复方案至关重要。
本文将探讨软件缺陷的严重程度标准定义，并根据深度和广度的要求进行全面评估。
二、软件缺陷的严重程度标准定义1. 严重程度分类软件缺陷的严重程度常常被分为严重、一般和轻微三种。
严重的软件缺陷会导致系统崩溃或功能无法正常使用，影响用户的核心体验；一般的缺陷可能会导致某些功能无法正常工作，但并不影响整体的使用；轻微的缺陷通常是一些小问题或界面上的不适，对系统功能影响较小。
2. 影响范围除了将缺陷分为严重、一般和轻微外，对缺陷的影响范围也是评定严重程度的重要因素。
一个缺陷可能只在特定条件下出现，仅影响少数用户，也可能是系统性的缺陷，影响广泛。
对于影响范围广泛的缺陷，即使影响程度较轻，也应该被视为严重的。
3. 修复难度修复软件缺陷的难度也是评估严重程度的重要因素之一。
一些看似严重的缺陷可能很容易修复，而一些看似轻微的问题可能需要大量的时间和资源。
评定软件缺陷的严重程度时，需要考虑修复的成本和时间。
4. 用户反馈用户反馈也是评估软件缺陷严重程度的重要指标。
对于影响用户使用体验的缺陷，即使在技术上可能属于轻微问题，也应该被重视。
三、对软件缺陷严重程度标准的个人观点和理解在评定软件缺陷的严重程度时，需要综合考虑多个因素，而不是仅仅依靠技术层面的评估。
从用户角度出发，对软件缺陷的影响程度可能和技术人员的评估有所不同，因此用户反馈应该被优先考虑。
修复难度和影响范围也是评定严重程度的重要因素，在制定软件缺陷的修复计划时，需要根据这些因素综合评估，确定优先级。
四、总结与回顾软件缺陷的严重程度标准定义涉及到多个方面，包括缺陷分类、影响范围、修复难度和用户反馈等。
在评定软件缺陷的严重程度时，需要综合考虑以上因素，并根据具体情况确定优先级和修复计划。
对于公司来说，确立明确的严重程度标准定义，能够帮助更好地管理和优化软件开发和测试过程，提高产品质量和用户满意度。
软件缺陷预测模型的构建及其效果评估
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。
《2024年融合代码静态特征和频谱的软件缺陷定位技术》范文
《融合代码静态特征和频谱的软件缺陷定位技术》篇一一、引言随着软件系统的日益复杂化，软件缺陷的定位与修复变得愈发重要。
传统的软件缺陷定位技术主要依赖于动态分析，如代码审查、测试驱动开发等，但这些方法往往需要大量的人力资源和时间成本。
近年来，随着机器学习和人工智能技术的发展，基于静态分析的缺陷定位技术逐渐成为研究热点。
本文提出一种融合代码静态特征和频谱的软件缺陷定位技术，旨在提高缺陷定位的准确性和效率。
二、代码静态特征提取代码静态特征是指不依赖于程序执行过程即可获取的特征，主要包括代码的结构、语法、语义等信息。
这些特征对于识别潜在的缺陷具有重要作用。
在本文中，我们采用以下几种方法来提取代码静态特征：1. 抽象语法树（AST）分析：通过解析源代码生成抽象语法树，提取节点的类型、数量等统计信息。
2. 复杂度度量：计算代码的循环复杂度、模块复杂度等指标，以评估代码的复杂性和可维护性。
3. 语义分析：利用语义分析工具提取代码中的函数名、变量名等信息，分析代码的语义含义。
三、频谱分析技术频谱分析是一种常用的信号处理方法，可用于分析程序的执行频率和周期性行为。
在软件缺陷定位中，频谱分析技术可用于识别程序中潜在的缺陷模式和异常行为。
本文采用以下频谱分析技术：1. 程序执行频谱：统计程序中各模块、函数的执行频率，识别执行异常的模块或函数。
2. 异常行为频谱：通过监控程序的异常行为（如空指针异常、数组越界等），提取异常行为的频谱特征。
四、融合静态特征和频谱的缺陷定位技术本文提出的融合代码静态特征和频谱的软件缺陷定位技术，是将上述两种技术进行有机结合，以实现更准确的缺陷定位。
具体步骤如下：1. 特征融合：将代码静态特征和频谱特征进行融合，形成统一的特征向量。
2. 模型训练：利用机器学习算法（如支持向量机、随机森林等）对融合特征进行训练，构建缺陷定位模型。
3. 缺陷定位：利用训练好的模型对程序进行缺陷定位，根据模型预测的缺陷位置和优先级进行修复。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
２３ １
基于复 杂性 的软件缺 陷预测
冯 大 成 ， 陈 丽 容
（ 中国航 天 科 工 集 团第二 研 究 院 ７ ６所 ，北京 １０ ５ ） ０ ０ ８ ４
种 新 的 机 器 学 习 方 法 。它 建 立 在 统 计 学 习 理 论 的 Ｖ 维 和 结 Ｃ 构 风 险最 小化 原 理 （ 图 １ 示 ） 础 上 ， 过 适 当地 选 择 函 数 如 所 基 通
子 集 ，根 据 有 限样 本 信 息 在 模 型 的 复 杂 性 和 学 习 能 力 之 间 寻
Ａｂ ｔ ａ ｔ ｏｓ ｌｅ ｈ ｐ ｏ ｌ ｏ ｓ ｆ ｒ ｄ ｆｃ ｐ ｅ ｉｔ ｎ ｅ ｓｓ ｕ ｒｓ ｕ ｐ ｒｖ ｃ ｒ ｃ ｉｅ（ Ｓ Ｓ ｓｒ ｃ ：Ｔ ｖ ｔｅ ｒｂｅ ｆ ｏｔ ｅ ｅｅ ｔ ｒ ｄｃｉ ，ｌ ｔ ｑ ａｅ ｐ ｏｔ ｅ ｔ ｍａｈｎ Ｌ —ＶＭ） ｉｅ ｌｙ ｄ ｃ ｅｅａ ｏ ｍ ｗａ ｏ ａ ｓ ｏ ｓ ｍｐｏ ｅ ，ａ ｃ ｌ ｔ ｒｅ
直 探 索 的 问 题 。 解 决 此 类 问 题 的 基 本 统 计 方 法 就 是 回 归
分析 ， 目前 多 采 用 多 元 线 性 回 归 和 人 工 神 经 网 络 方 法 进 行 建 模 。多 元 线 性 回 归 方 法 在 理 论 上 和 应 用 上 都 已 经 非 常 成 熟 ， 但 是 它 只 能 处 理 线 性 关 系 。 显 然 把 参 数 之 间 具 有 某 种 非 线
ｗｉ ｅ ｒ ｌ ｅｗ ｏ ｋ ｔ ｅｎ ｗ ｄ ｌ ａ ｅｔｒｐ ｅ ｉｔｏ ｍａ ｌ ａ ｌｓｃ ｎ ｉ ｏ ． Ａｃ ｏ ｄ ｎ ｅｕ ｎ ｄｔ ｅ ｒ ｓ ｉ ｎ ｆ ｎ ｔ ｎ ｔ ｔ ｎ ｕ ａ ｔ ｒ ， ｈ ｅ ｍｏ ｅ ｓａｂ ｔｅ ｒ ｄｃ ｉ ｎ ｉ ｓ ｌ ｓ ｍｐ ｅ ｏ ｄ ｔ ｎ ｈ ｎ ｈ ｎ ｉ ｃ ｒ ｉ ｇｔ ｒ ｔ ｒ ｅ ｒ ｇ ｅ ｓｏ ｃｉ ｏ ｏ ｕ ｏ ｏ
中 图法分 类号 ： Ｐ １． Ｔ ３１ ５
文 献标 识码 ： Ａ
文章编 号 ：０ ０７ ２ ２ １） １０ １—５ １０ —０ ４（０ １ ０ —２ ３０
Ｃｏ ｐｌ ｘ ｔ — ｓ ｄ ｓ ｆｗ ａ ｅ ｄ ｆ ｃ ｒ ｄ ｃ ｉ ｎ ｍ ｅ ｉｙ ｂａ ｅ ｏ ｔ ｒ ｅ ｅ ｔ ｅ ｉ ｔｏ ｐ
Hale Waihona Puke ｔｅ ｈ ｉｅ ｒｃ ｓ ｏ ｔｅ ｙ ｅ－ａａ ｔ ， ａｄ ｏｎ ｈ ｅ ｍｐｅ ａｔ ｄ ｒｏ ｈ ｄｌ ｏｒｃ．Ａｎｎｔｎ ｅ ｈ ｗｓｈ ｔｏ ｐ ｒｄ ｈ ｏｃ ｏ ｅｓ ｆｈ ｐ ｒ ｒ ｃ ｐ ｈ ｐ ｍｅ ｒ ｎ ｊｉｔｅ ｗｓ ｅ ｎ ａ ｌｌｓｙｉ ｏ ｅ ｅ ｌ ｎ ｒ ｔ ｔ ｍｏ ｅ ｃｒ ｔ ｅ ｓ ｃ ｏ ａｃ ｍ ａｅ ｉ ａ ｓ ｔ
性特 征的规 律假 设成特 定的线 性关系 ， 很多 时候无法 满足 客
观 事 实 。 工 神 经 网络 方 法 经 过 多 年 的 发 展 ， 许 多 领 域 都 人 在
求最佳 折 中， 学习机 的实际风 险达到最 小 。 使
最 小 二 乘 支 持 向 量 机 方 法 是 由 Ｓ ｙ ｅｓ ｕ ｋｎ 提 出 的 ， 种 方 这 法 采 用 最 小 二 乘 线 性 系 统 作 为 损 失 函数 ，求 解 过 程 变 成 了 解
０ 引 言
如 何 利 用 软 件 复 杂 性 信 息 合 理 的 预 测 软 件 缺 陷 是 人 们
一
预测模型， 并通过具体实例说明了模型的有效性。 １ 最 小 二 乘 支 持 向量 机
支 持 向量 机 是 Ｖ ｐ ｉ 人 … 据 统 计 学 习 理 论 提 出 的一 ａ ｎｋ等 根
ｃ ｒｙ ｈｅｓ ｎｓｔｖｉ ａ ｌ ｉ． ａ ｏｎｔ ｅ ｉｉ ｔ ｎａｙｓｓ ｙ Ｋｅ ｙｗ ｏ ｄｓ ｏｆｗａ ｅｃ ｍ ｐ ｅ ｉｙ；ｓ ｔ ｒ ｅ ｅ ｔ ｒ ｄｉｔ ａ ｔ ｒａ ｌ ｉ ；ｌ ａ ｔ ｑｕ ｒ ｓｓ ｐｏ ｔ ｃｏ ｒ ：ｓ ｔ ｒ ｏ ｌ ｘ ｔ ｏｆｗａ ｅｄ ｆ ｃ ｐ ｅ ｃ ；ｆ ｃ ｏ ｎａｙｓｓ ｅ ｓ ａ ｅ ｕｐ ｒ ｖｅ ｔ ｒｍ ａ ｈｎｅ ｓ ｃ ｉ ；ＦＬＳ— ＳＶＭ ；ｎｅ ａ ｎ ｔ ｏ ｋ ｕｒ ｌ ｅ ｗ ｒ
摘 要 ： 解 决 软 件 缺 陷 预 测 问 题 引 入 了 最 小 二 乘 支 持 向 量 机 算 法 （ ＳＳ 为 Ｌ ．ＶＭ） 加 速 了超 参 数 的 选 择 过 程 ， 出 了逐 个 加 入 ， 给
新 的 样 本 用 以模 型 校 正 的 快 捷 方 法 ， 以软 件 复 杂 性 度 量 为 线 索 ， 立 了基 于 Ｆ ＳＳ Ｍ 的 软 件 缺 陷 预 测 模 型 。 通 过 具 体 实例 建 Ｌ —Ｖ
ＦＥＮ Ｇ — ｈｅ ， ＣＨＥＮ — ｏ Ｄａ ｃ ｎｇ Ｌｉｒ ｎｇ
（ ｓｔｔ ７ ６ Ｓ ｃｎ ａ ｅ ｆ ｈｎ ｅｏｐ ｃ ｃ ｎｅ ｎ ｄ ｓ ｙ ｏｐ ｒｔ ｎ Ｂ ｉｎ ０ ８ ４ ｈｎ） Ｉ ｔｕｅ ０ ， ｅｏ ｄ ｎｉ Ａｃｄ ｍｙｏ ｉａ ｒｓａｅＳ ｉ ｃ ｄ ｎ ｕｔ ｒｏａ ｏ ， ｅ ｉｇ１０ ５ ，Ｃ ｉａ Ｃ Ａ ｅ ａ Ｉ ｒＣ ｉ ｊ
阐 明 了模 型 的执 行 过 程 及 小 样 本 情 况 下 比 神 经 网 络 更 为 出 色 的 预 测 能 力 ， 根 据 回 归 方 程 指 出 了对 软 件 缺 陷 影 响 显 著 的 复 并
杂性度量 。
关 键 词 ： 件 复 杂 性 ； 软 件 缺 陷 预 测 ； 因子 分 析 ； 最 小二 乘 支 持 向 量 机 ； Ｆ ＳＳ 软 Ｌ —ＶＭ； 神 经 网 络