[發明專利]基于少樣本數據學習的軟件缺陷預測方法

在審

• 申請號: 201910040317.0
• 申請日: 2019-01-16
• 公開（公告）號: CN109885482A
• 公開（公告）日: 2019-06-14
• 發明（設計）人: 趙林暢;尚趙偉;趙靈;王敏全;周曄
• 申請（專利權）人: 重慶大學
• 主分類號: G06F11/36
• 分類號: G06F11/36;G06K9/62;G06K9/66;G06N3/04
• 代理公司: 北京同恒源知識產權代理有限公司 11275
• 代理人: 趙榮之

1.基于少樣本數據學習的軟件缺陷預測方法，其特征在于，該方法具體包括以下步驟：

S1：構建基于孿生網絡(Siamese networks)的深度學習網絡(Siamese Dense neuralnetworks,SDNN)，即孿生全連接網絡；

S2：輸入正樣本和負樣本數據，通過SDNN網絡進行少樣本學習，提取樣本對數據的高層次深度特征；

S3：采用度量學習函數對步驟S2中提取的高層次深度特征進行比較學習和概率輸出，調節正負樣本比例，設置函數學習參數，使度量學習函數更加關注對有缺陷數據特征的學習；

S4：獲得預測結果。

2.根據權利要求1所述的基于少樣本數據學習的軟件缺陷預測方法，其特征在于，步驟S1中，所述孿生全連接網絡是一對完全相同的全連接網絡，結構的層次和參數設置相同，用于學習高維數據特征。

3.根據權利要求1所述的基于少樣本數據學習的軟件缺陷預測方法，其特征在于，步驟S3中，所述度量學習函數包括距離度量函數和余弦相似度距離度量函數；

距離學習：如果輸入的向量X₁和X₂表示正負樣本數據對，w表示SDNN網絡共享參數，H_w(X₁)和H_w(X₂)表示輸入向量對的特征映射空間，則孿生全連接網絡的距離度量函數定義為：

D_w(X₁,X₂)＝||H_w(X₁)-H_w(X₂)||

其中，D_w(X₁,X₂)表示歐幾里得距離，用來度量學習輸入樣本對間的距離。

4.根據權利要求3所述的基于少樣本數據學習的軟件缺陷預測方法，其特征在于，步驟S3中，相似學習：引入類內距離學習函數，即余弦相似度距離度量函數(cosine-proximity)，用來加強樣本對類內相似性學習，增強正負樣本對的判別能力；則所述余弦相似度距離度量函數定義為：

其中，i表示第i層網絡，N是所有樣本，y⁽ⁱ⁾代表第i層網絡樣本的標簽值，L_i(w,y,X₁,X₂)的值在[-1,1]之間，如果它的值越接近1則代表樣本對類內間的相似度越高；為了加強正負樣本對間的判別能力，取余弦相似距離度量函數值的相反數作為鑒別度添加到度量學習函數中，則最終的度量學習函數定義為：

L_end＝-αL_i(w,y,X₁,X₂)+D_w(X₁,X₂)

其中，α是正負樣本比例調節系數，通過它控制正負樣本量學習。

5.根據權利要求4所述的基于少樣本數據學習的軟件缺陷預測方法，其特征在于，步驟S3中，如果輸出的概率值小于0.5，則學習的樣本對數據屬于同一類，如果輸出的概率值大于0.5，則輸入學習的樣本對屬于不同類數據。