基于机器学习算法的软件缺陷预测技术研究

发布时间：2022-10-30 11:16

　　软件缺陷预测是软件工程中最活跃的研究领域之一。缺陷预测模型能够提供容易出错的源代码组件或更改等,使得质量保证团队可以通过更多努力应对易出错的源代码,有效地分配有限的资源来验证软件产品。随着软件项目规模的扩大,缺陷预测技术将在开发人员的工作中起到至关重要的作用,它帮助开发人员开发出更可靠的软件产品,从而加快上市速度。本文从机器学习的角度研究分析软件缺陷预测技术。目前,基于机器学习的缺陷预测已经研究出很多方法,而且大多数方法在项目内预测很有效,但是也存在一些问题:（1）在跨项目缺陷预测的表现通常较差,这主要是由于源项目和目标项目之间的特征分布差异造成的,而大多数机器学习分类器都假设训练和测试数据在相同的特征空间中表示并且来自相同的数据分布。（2）很多研究主要集中在粗粒度水平的预测缺陷,如文件、包或模块。（3）缺陷数据集的不平衡性一旦处理不当,将造成学习到的缺陷预测模型偏向大多数无缺陷类,从而严重影响了预测模型的预测性能。基于上述问题,本文着手研究了基于机器学习的软件缺陷预测技术中最先进的方法,包括迁移成分分析、深度学习等方法,并在此基础上提出了创新的实用技术,为解决软件缺陷预测中的上述问题... 

【文章页数】：84 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 引言
    1.2 软件缺陷预测及研究现状
        1.2.1 软件缺陷预测的基本内容
        1.2.2 软件缺陷预测的研究简史
    1.3 本文研究内容与创新点
        1.3.1 本文研究内容
        1.3.2 本文创新点
    1.4 本文的组织结构
第二章 软件缺陷预测的相关技术
    2.1 软件失效机理
    2.2 软件缺陷预测度量
        2.2.1 代码度量
        2.2.2 McCabe度量
        2.2.3 Halstead度量
        2.2.4 CK度量
        2.2.5 其它度量指标
    2.3 软件缺陷预测的研究种类
    2.4 构建软件缺陷预测模型的主要机器学习算法
        2.4.1 基于逻辑回归的软件缺陷预测
        2.4.2 基于支持向量机的软件缺陷预测
        2.4.3 基于高斯判别分析的软件缺陷预测
    2.5 软件缺陷预测模型的评估指标
    2.6 本章小结
第三章 基于迁移学习的软件缺陷预测
    3.1 研究背景
    3.2 迁移学习概述
    3.3 迁移成分分析
    3.4 基于迁移成分分析的软件缺陷预测
        3.4.1 数据预处理
        3.4.2 数据归一化选择
    3.5 实验和结果
        3.5.1 缺陷预测过程
        3.5.2 数据集与评估指标简介
        3.5.3 实验设置
        3.5.4 实验结果与分析
    3.6 本章小结
第四章 基于深度信念网络的软件缺陷预测
    4.1 研究背景
    4.2 基于深度信念网络的软件缺陷预测
        4.2.1 提出的方法框架
        4.2.2 数据预处理
        4.2.3 特征集成
        4.2.4 分类器的结构
    4.3 实验和结果
        4.3.1 实验设置
        4.3.2 实验结果与分析
    4.4 本章小结
第五章 总结与展望
    5.1 全文总结
    5.2 展望
参考文献
攻读硕士期间参与的科研项目
致谢


【参考文献】：
期刊论文
[1]Software Defect Detection with ROCUS[J]. 姜远,黎铭,周志华.  Journal of Computer Science ＆ Technology. 2011(02)
[2]软件缺陷预测技术[J]. 王青,伍书剑,李明树.  软件学报. 2008(07)



本文编号：3698786