[發明專利]一種軟件缺陷預測方法、裝置和電子設備

有效

• 申請號: 201711462461.0
• 申請日: 2017-12-28
• 公開（公告）號: CN109976998B
• 公開（公告）日: 2022-06-07
• 發明（設計）人: 吳旭;曹晶晶
• 申請（專利權）人: 航天信息股份有限公司
• 主分類號: G06F11/36
• 分類號: G06F11/36;G06N20/00
• 代理公司: 北京同達信恒知識產權代理有限公司 11291
• 代理人: 黃志華

1.一種軟件缺陷預測方法，其特征在于，包括：

獲取待預測軟件的特征向量；并

基于所述特征向量，以及預先訓練得到的用于進行軟件缺陷預測的預測模型，確定所述待預 測軟件的軟件缺陷預測結果，其中，所述預測模型是基于梯度提升算法和隨機森林學習機訓練得到的；

其中，按照下述方法得到所述用于進行軟件缺陷預測的預測模型：

獲取軟件缺陷預測樣本集，并按照預設比例將獲取到的軟件缺陷預測樣本劃分為訓練集合和驗證集合；并基于所述訓練集合和梯度提升算法，對隨機森林學習機進行模型訓練，以及利用所述驗證集合對已完成訓練的隨機森林學習機進行模型驗證得到所述用于進行軟件缺陷預測的預測模型；

基于所述訓練集合和梯度提升算法，對隨機森林學習機進行模型訓練，具體包括：

將所述訓練集合中包含的軟件缺陷預測樣本隨機劃分為若干批次，其中各個批次內包含的軟件缺陷預測樣本的數量相同；針對所述訓練集合中包含的每一批次均執行以下過程：利用該批次內包含的軟件缺陷預測樣本和梯度提升算法，對隨機森林學習機中的任一決策樹進行預設次數的循環迭代訓練得到該批次訓練得到的訓練模型；

利用該批次內包含的軟件缺陷預測樣本和梯度提升算法，對隨機森林學習機中的任一決策樹進行預設次數的循環迭代訓練得到該批次訓練得到的訓練模型，具體包括：

針對第i次訓練，確定第i-1次訓練 確定出的損失函數在所述第i-1次訓練得到的訓練模型的梯度值；并根據所述梯度值確定該決策樹包含的葉子節點區域；并根據所述葉子節點區域確定第i-1次確定出的損失函數取值滿足預設條件時各個葉子節點的增益；并利用所述葉子節點區域和所述各個葉子節點的增益確定第i次訓練得到的訓練模型；其中，i為介于1與預設次數之間的整數。

2.如權利要求1所述的方法，其特征在于，根據所述葉子節點區域確定第i-1次確定出的損失函數取值滿足預設條件時各個葉子節點的增益，具體包括：

根據所述葉子節點區域確定第i-1次確定出的損失函數取極小值時對應的各個葉子節點的增益。

3.如權利要求2所述的方法，其特征在于，利用所述驗證集合對已完成訓練的隨機森林學習機進行模型驗證得到所述用于進行軟件缺陷預測的預測模型，具體包括：

針對各個批次訓練得到的訓練模型中的任一訓練模型，均執行以下操作：

利用驗證集合中的所有軟件缺陷預測樣本，對該訓練模型進行驗證，分別得到各個軟件缺陷預測樣本對應的驗證結果；

根據各個軟件缺陷預測樣本的實際結果和驗證結果，利用均方誤差函數確定該訓練模型的預測準確度；以及

比較各個訓練模型得到的預測準確度，確定預測準確度最大的訓練模型為所述用于進行軟件缺陷預測的預測模型。

4.如權利要求1所述的方法，其特征在于，所述訓練集合中的每一樣本的樣本特征包括以下至少一項：缺陷數量、缺陷所屬模塊、測試人員信息、開發人員信息、測試持續時間、用例數量和需求數量。

5.如權利要求1所述的方法，其特征在于，獲取軟件缺陷預測樣本，具體包括：

基于軟件缺陷結果已知的軟件在開發過程中記錄的原始數據，按照原始數據與軟件缺陷預測的相關度，對所述原始數據進行篩選，得到軟件缺陷預測樣本。

6.如權利要求1～5任一權利要求所述的方法，其特征在于，所述軟件缺陷預測結果包括缺陷數量和缺陷所屬模塊；以及所述方法，還包括：

獲取所述待預測軟件的實際結果；

基于所述待預測軟件，將得到的軟件缺陷預測結果中包含的缺陷數量與實際預測結果中包含的實際缺陷數量進行比較；

若確定出所述缺陷數量大于所述實際缺陷數量，則從所述軟件缺陷預測結果中包含的所有缺陷所屬模塊，確定出與實際結果中包含的實際缺陷所屬模塊不一致的模塊并存儲到列表中，以列表的形式展示給用戶。