[發明專利]基于機器學習的軟件缺陷與復雜度關聯關系分析方法

在審

• 申請號: 202010234064.3
• 申請日: 2020-03-30
• 公開（公告）號: CN111338972A
• 公開（公告）日: 2020-06-26
• 發明（設計）人: 吳超;柯文俊;張在進;高晨;楊雨婷;王坤龍
• 申請（專利權）人: 北京計算機技術及應用研究所
• 主分類號: G06F11/36
• 分類號: G06F11/36
• 代理公司: 中國兵器工業集團公司專利中心 11011
• 代理人: 王雪芬

本發明涉及一種基于機器學習的軟件缺陷與復雜度關聯關系分析方法，涉及人工智能、大數據技術領域。本發明提出一種基于機器學習的軟件缺陷與復雜度關聯關系分析方法，基于大量的軟件測試數據，分別通過單因素方差檢驗、高斯混合模型的方式探究不同類別軟件缺陷的數目與復雜度、軟件類型等多因素之間的關系。在高斯混合模型的方式中，通過對復雜度度量結果進行清洗、處理，量化計算軟件缺陷數與每一個復雜度度量元之間的影響關系，并基于AOV網絡、關聯分析等方法客觀分析軟件缺陷與多軟件復雜度度量元之間的涌現特征，進而計算出影響軟件缺陷的關鍵復雜度因素。

技術領域

本發明涉及人工智能、大數據技術領域，具體涉及一種基于機器學習的軟件缺陷與復雜度關聯關系分析方法。

背景技術

近年來，隨著人工智能、大數據等新型技術的不斷發展，軟件演化日漸頻繁，造成軟件系統的規模越來越大、復雜程度越來越高。但由于軟件規模的指數增長、為完成進度忽略軟件編碼規范及軟件復雜程度控制等原因，軟件復雜度急劇上升，直接導致軟件缺陷逐漸增多，軟件質量變得越來越難以控制。因此，研究軟件缺陷與軟件復雜度之間的關系，分析影響軟件缺陷的復雜度因素，對控制軟件質量尤為重要。

傳統軟件缺陷的影響因素分析方法大多是從軟件缺陷本身出發，將發現的軟件缺陷分類，依據缺陷的結果數據采用統計分析、專家系統等方法，分析缺陷的產生原因。隨著人工智能技術的出現，逐漸基于現有缺陷數據進行未來缺陷預測，或采用深度學習等方式分析缺陷之間的相互影響關系。以上軟件缺陷分析方法從某一剖面研究了軟件缺陷的影響因素，研究的影響因素粒度大小不一，缺乏對軟件缺陷與軟件質量關系的宏觀分析。實際上，軟件復雜度是最直觀、最容易量化的一條軟件質量評價指標，因此從軟件復雜度宏觀量化分析軟件缺陷是較為有效的控制軟件缺陷的一種方法，軟件復雜度的升高會直接提高軟件缺陷數增加的風險。但目前缺少軟件復雜度與軟件缺陷的客觀、定量分析方法，無法準確定位影響軟件缺陷的復雜度度量元，難以通過降低軟件復雜度有效降低軟件缺陷的數量。

發明內容

(一)要解決的技術問題

本發明要解決的技術問題是：如何設計一種軟件復雜度與軟件缺陷的客觀、定量分析方法，準確定位影響軟件缺陷的復雜度度量元，通過降低軟件復雜度有效降低軟件缺陷的數量。

(二)技術方案

為了解決上述技術問題，本發明提供了一種基于機器學習的軟件缺陷與復雜度關聯關系分析方法，包括以下步驟：

步驟一：面向領域的軟件缺陷分類和軟件復雜度度量元定義；

步驟二：基于步驟一進行基于單因素方差檢驗的軟件缺陷影響因素分析；

步驟三：基于步驟二進行基于機器學習的軟件缺陷與軟件復雜度度量元之間關系的分析；

步驟四：基于步驟三進行基于AOV網絡的軟件復雜度度量元間涌現特征分析。

優選地，步驟1中，面向領域的軟件缺陷分類時，依據不同領域軟件運行時出現的軟件缺陷情況，區分軟件缺陷問題。

優選地，將軟件缺陷問題分為：問題總數、文檔問題數、代碼問題數、修改程序數、其他修改數、代碼關鍵問題數、代碼重要問題數、代碼一般問題數、代碼建議問題數、編程準則問題數、容錯防錯問題數、接口通訊問題數、異步并發問題數、時序時限問題數、計算算法問題數、初始啟動問題數、內存管理問題數、其他問題數。

優選地，步驟1中，軟件復雜度度量元定義時，軟件復雜度度量根據軟件所在的領域、軟件開發使用的編程語言不同，選擇能反映軟件復雜屬性的度量元，并對軟件的復雜程度進行評價。

優選地，步驟1中，若軟件為裝備軟件，定義軟件復雜度度量元包括：代碼行數、注釋行數、功能點個數、圈復雜度。

優選地，步驟二具體為：