异质软件缺陷预测技术研究

发布时间：2021-05-11 17:06

　　近年来,软件缺陷预测在软件工程领域引起了研究者的广泛关注,基于机器学习的缺陷预测技术成为了研究的热点。软件缺陷预测主要是基于软件项目中的历史缺陷数据构建出预测模型,以识别出被测项目中潜在的缺陷,从而达到优化测试资源配置和提高软件产品质量的目的。最近,研究者提出了异质软件缺陷预测,是指利用其它项目（即源项目）中的数据来预测目标项目中的缺陷,解决了源与目标项目数据之间的度量不一致（即度量的类型不同或数目不同）问题。虽然现有的异质缺陷预测方法取得了不错的效果,但在实际应用中仍然存在着一些亟待解决的问题。本文主要研究基于机器学习的新技术、新方法用于处理异质软件缺陷预测中的一些问题。（1）缺陷数据通常包含不同类型的软件度量,不同的度量具有不同的物理意义及分布,这些事实表明了缺陷数据常位于非线性的特征空间中,具有线性不可分的特性,存在着线性不可分的问题。（2）缺陷数据通常是类不平衡的,即一个项目中所包含无缺陷模块的数量远远多于缺陷模块的数量,呈现出类不平衡的分布。不平衡的数据分布会使得预测模型给缺陷类带来不同程度的误分,进而会影响预测模型的性能。（3）由于目标项目内的数据与源项目中的数据具有不同的... 

【文章来源】：武汉大学湖北省 211工程院校 985工程院校 教育部直属院校

【文章页数】：128 页

【学位级别】：博士

【文章目录】：
论文创新点
摘要
Abstract
第1章 绪论
    1.1 课题研究背景与意义
    1.2 研究现状与存在的问题
        1.2.1 同项目缺陷预测
        1.2.2 跨项目缺陷预测
        1.2.3 异质缺陷预测
        1.2.4 亟待解决的问题
    1.3 本文的研究内容
    1.4 本文的组织结构
第2章 软件缺陷预测的基础
    2.1 软件缺陷预测过程
    2.2 软件度量
    2.3 软件缺陷预测数据集
    2.4 性能评价指标
    2.5 本章小结
第3章 基于代价敏感迁移核典型相关分析的异质缺陷预测方法
    3.1 引言
        3.1.1 研究动机
        3.1.2 主要贡献
    3.2 相关工作
        3.2.1 跨项目缺陷预测方法
        3.2.2 异质缺陷预测方法
        3.2.3 基于典型相关分析的迁移学习方法
        3.2.4 类不平衡学习方法
    3.3 方法
        3.3.1 迁移核典型相关分析
        3.3.2 代价敏感迁移核典型相关分析
    3.4 实验设置
        3.4.1 研究问题
        3.4.2 数据集
        3.4.3 评价指标
        3.4.4 实验设计
    3.5 实验结果
        3.5.1 与相关方法的比较
        3.5.2 统计显著性检验
        3.5.3 效应量检验
        3.5.4 研究问题的结论
    3.6 进一步讨论和分析
        3.6.1 参数D取值大小的影响
        3.6.2 不同分类器的影响
        3.6.3 可视化结果图示
        3.6.4 运行时间对比
        3.6.5 方法的有效性分析
    3.7 本章小结
第4章 基于代价敏感标签与结构一致性单向投影的异质缺陷预测方法
    4.1 引言
        4.1.1 研究动机
        4.1.2 主要贡献
    4.2 相关工作
        4.2.1 跨项目缺陷预测方法
        4.2.2 异质缺陷预测方法
        4.2.3 类不平衡学习方法
        4.2.4 现有方法的局限性
    4.3 研究方法
        4.3.1 符号定义
        4.3.2 标签与结构一致性单向投影方法
        4.3.3 提出的CLSUP方法
    4.4 实验
        4.4.1 研究问题
        4.4.2 数据集
        4.4.3 评价指标
        4.4.4 实验设计
    4.5 实验结果
        4.5.1 与相关方法的比较
        4.5.2 统计显著性检验
        4.5.3 效应量检验
        4.5.4 研究问题的结论
    4.6 进一步讨论与分析
        4.6.1 不同比例的目标训练数据的影响
        4.6.2 不同分类器的作用
        4.6.3 只使用LOC的预测性能
        4.6.4 实用指导
        4.6.5 方法的有效性分析
    4.7 本章小结
第5章 基于多源与隐私保护的异质缺陷预测框架
    5.1 引言
        5.1.1 研究动机
        5.1.2 主要贡献
        5.1.3 研究问题
    5.2 相关工作
        5.2.1 跨项目缺陷预测方法
        5.2.2 异质缺陷预测方法
        5.2.3 缺陷预测中的隐私保护方法
    5.3 研究方法
        5.3.1 提出的隐私保护算法
        5.3.2 多源异质缺陷预测
    5.4 实验
        5.4.1 数据集
        5.4.2 评价指标
        5.4.3 实验设置
        5.4.4 实验设计
    5.5 实验结果和分析
        5.5.1 研究问题1的结果
        5.5.2 研究问题2的结果
    5.6 进一步讨论和分析
        5.6.1 不同查询大小的隐私性结果
        5.6.2 不同比例的目标训练数据的影响
        5.6.3 目标训练数据的作用
        5.6.4 多源选择流形鉴别对齐方法的作用
        5.6.5 不同分类器的影响
        5.6.6 实用指导
        5.6.7 有效性分析
    5.7 本章小结
第6章 总结与展望
    6.1 本文工作总结
    6.2 未来工作展望
参考文献
读博期间取得的研究成果
读博期间参与的研究课题
致谢


【参考文献】：
期刊论文
[1]跨项目软件缺陷预测方法研究综述[J]. 陈翔,王莉萍,顾庆,王赞,倪超,刘望舒,王秋萍.  计算机学报. 2018(01)
[2]静态软件缺陷预测方法研究[J]. 陈翔,顾庆,刘望舒,刘树龙,倪超.  软件学报. 2016(01)
[3]软件缺陷预测技术[J]. 王青,伍书剑,李明树.  软件学报. 2008(07)

博士论文
[1]基于机器学习的软件缺陷预测方法研究[D]. 于巧.中国矿业大学 2017



本文编号：3181781