[發明專利]一種電力信息軟件缺陷預防方法

在審

• 申請號: 201611157188.6
• 申請日: 2016-12-15
• 公開（公告）號: CN106776316A
• 公開（公告）日: 2017-05-31
• 發明（設計）人: 紀鑫;湯國龍;汪洋;張大華;丁慧霞;胡強新;李端玲;楊俊偉;羅銀波
• 申請（專利權）人: 中國電力科學研究院;國家電網公司
• 主分類號: G06F11/36
• 分類號: G06F11/36
• 代理公司: 北京安博達知識產權代理有限公司11271
• 代理人: 徐國文

技術領域

本發明涉及一種預防方法，具體涉及一種電力信息軟件缺陷預防方法。

背景技術

缺陷預測是預防的基礎，準確預測才能集中有限的資源對缺陷進行針對性預防。按照預測技術的不同，缺陷預測方法可以分為類比法、Delph估算法、數學預測模型法三大類方法，但是因為前兩種方法有著無法克服的局限性，目前軟件缺陷預測領域的研究工作大部分是集中在數學預測模型方法。

常見數學預測模型方法有：線性判別分析(Linear Discriminant Analysis，LDA)，布爾判別函數(Boolean Discriminant Function，BDF)，貝葉斯網絡(Bayesian Network，BN)，分類回歸樹(Classification And Regression Tree，CART)，優化集精簡(Optimized Set Reduce，OSR)，聚類分析(Clustering Analysis，CA)，支持向量機(Support Vector Machine，SVM)，人工神經網絡(Artificial Neural Network，ANN)，平均單一相關評估器(Average One Dependence Estimators，AODE)等。各種預測方法有著不同的適應面，可以解決不同的問題，也有各自的局限。

迄今為止，國內外有100多種缺陷預測模型發表在各種專業的刊物和學術會議上，但大多數模型并沒有得到充分的項目數據的支撐和驗證，其有效性和準確性得不到有力地證明，因而未能廣泛應用。

發明內容

為了克服上述現有技術的不足，本發明提供一種電力信息軟件缺陷預防方法，將電力信息軟件生命周期中各個階段的度量信息及開發過程的度量信息輸入AODE預測模型，計算各階段的缺陷密度；然后查找電力信息軟件缺陷知識庫，獲取各個階段缺陷引入原因及對應的預防措施；最后針對性地進行缺陷預防，降低缺陷密度。

為了實現上述發明目的，本發明采取如下技術方案：

本發明提供一種電力信息軟件缺陷預防方法，所述方法包括：

根據AODE預測模型計算電力信息軟件生命周期各個階段的缺陷密度；

根據電力信息軟件缺陷知識庫獲取電力信息軟件生命周期各個階段缺陷引入原因及對應的預防措施。

所述根據AODE預測模型計算電力信息軟件生命周期某階段的缺陷密度包括：

構建AODE預測模型，并對構建的AODE預測模型進行優化；

將電力信息軟件生命周期各個階段的度量信息及開發過程的度量信息輸入AODE預測模型，進而得到電力信息軟件生命周期各個階段的缺陷密度。

所述構建AODE預測模型包括：

所述AODE預測模型表示為：

其中，y表示代碼屬性值，x_i表示屬性向量的第i個代碼屬性值，F(x_i)表示具有x_i的實例數目；X_j表示第j個屬性向量；i＝1,2,...,n，j＝1,2,...,n，n表示代碼屬性值總數；m表示具有x_i實例數目的閾值；表示y和x_i產生電力信息軟件缺陷的概率；表示y和x_i在X_j中產生電力信息軟件缺陷的概率。

所述對構建的AODE預測模型進行優化包括：

采用增加度量元個數、控制度量數據的采集和/或調整I類/II類錯誤率對構建的AODE預測模型進行優化。

所述根據電力信息軟件缺陷知識庫獲取電力信息軟件生命周期各個階段缺陷引入原因及對應的預防措施包括：

構建電力信息軟件缺陷知識庫；

根據構建的電力信息軟件缺陷知識庫獲取電力信息軟件生命周期各個階段缺陷引入原因及對應的預防措施。

所述構建電力信息軟件缺陷知識庫包括：

收集的歷史數據；

從收集的歷史數據中抽取代碼屬性值；

將抽取的代碼屬性值與測試報告中的描述信息相結合，從而構建電力信息軟件缺陷知識庫。

所述代碼屬性值包括缺陷類型數目、每類缺陷中的缺陷數目、缺陷狀態數量和缺陷種類數量；

測試報告中的描述信息包括問題報告和缺陷評測報告。

所述根據構建的電力信息軟件缺陷知識庫獲取電力信息軟件生命周期各個階段缺陷引入原因及對應的預防措施包括：

發現并提交電力信息軟件缺陷時，按照缺陷收集要求記錄代碼屬性值；