[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

本發明涉及一種基于少樣本數據學習的軟件缺陷預測方法，屬于軟件工程領域。該方法包括：S1：構建基于孿生網絡的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。本發明所采用的方法與現有技術相比，能在有限的、高維的、不平衡的數據集上獲得更好的預測效果，而且在不同的不平衡率下，性能更加穩定；還能夠在較少數據和時間等條件下，取得更好的預測結果。

技術領域

本發明屬于軟件工程領域，涉及一種基于少樣本數據學習的軟件缺陷預測方法。

背景技術

軟件缺陷預測是用已有的歷史數據來預測軟件中是否存在缺陷，它是軟件維護中的一項重要任務，直接關系到軟件成本和軟件質量。目前主要利用機器學習算法對歷史數據進行模型構建、訓練和評估，而這些歷史數據往往是有限的、高維的和類不平衡的，傳統的機器學習算法不但需要大量的數據來對所構建的模型進行訓練，還很難從高維數據中學得有效的深度表征，特別是在軟件測試的早期階段。

針對有限的軟件缺陷數據，LinChen等人(L.Chen,B.Fang,Z.Shang,Y.Tang,Negative samples reduction in cross-company software defects prediction,Information and Software Technology 62(1)(2015)67-77.)提出兩階段遷移學習促進算法從跨公司數據中提取最相似的樣本作為訓練集，增加訓練集樣本量，但容易引入新的冗余樣本。Yu等人(Q.Yu,S.Jiang,Y.Zhang,A feature matching and transfer approachfor cross-company defect prediction,Journal of Systems and Software 132(2017)366-378.)使用特征匹配算法將異構特征轉化為匹配特征，來提高模型AUC值的準確性，但算法復雜度高。Ma等人(Y.Ma,G.Luo,X.Zeng,A.Chen,Transfer learning for cross-company software defect prediction,Inform.Softw.Technol.54(3)(2012)248–256.)從預測應該與分布相關的數據特征出發，提出了基于實例特征轉移的貝葉斯遷移學習模型，根據軟件缺陷數據特征對訓練數據進行重新加權，但該算法需調控的參數較多。