[發(fā)明專利]基于K-B的軟件缺陷預(yù)測方法、裝置、電子設(shè)備及介質(zhì)

在審

• 申請?zhí)枺?/td>: 202011077301.6
• 申請日: 2020-10-10
• 公開（公告）號: CN114428719A
• 公開（公告）日: 2022-05-03
• 發(fā)明（設(shè)計）人: 王婷婷
• 申請（專利權(quán)）人: 中國石油化工股份有限公司;中國石油化工股份有限公司石油物探技術(shù)研究院
• 主分類號: G06F11/36
• 分類號: G06F11/36;G06K9/62
• 代理公司: 北京思創(chuàng)畢升專利事務(wù)所 11218
• 代理人: 孫向民;廉莉莉

本申請公開了一種基于K?B的軟件缺陷預(yù)測方法、裝置、電子設(shè)備及介質(zhì)。該方法可以包括：收集軟件歷史缺陷數(shù)據(jù)，將軟件歷史缺陷數(shù)據(jù)劃分為訓(xùn)練數(shù)據(jù)集與測試數(shù)據(jù)集；針對訓(xùn)練數(shù)據(jù)集內(nèi)的度量元進行降維，獲得特征向量；根據(jù)降維后的訓(xùn)練數(shù)據(jù)集與特征向量，進行貝葉斯分類回歸計算訓(xùn)練；調(diào)整降維參數(shù)與貝葉斯參數(shù)，獲得最優(yōu)模型；根據(jù)最優(yōu)模型，針對測試數(shù)據(jù)集內(nèi)的度量元進行降維，并進行貝葉斯分類回歸計算，預(yù)測測試數(shù)據(jù)集的缺陷。本發(fā)明解決度量元的維數(shù)問題，解決軟件缺陷預(yù)測的準確度，為軟件缺陷預(yù)測提供一種新的可行方法，能夠?qū)χ蟮能浖到y(tǒng)做出缺陷數(shù)目預(yù)測，為制定軟件測試計劃提供參考指標，更好的規(guī)劃人力和時間。

技術(shù)領(lǐng)域

本發(fā)明涉及軟件測試及數(shù)據(jù)挖掘領(lǐng)域，更具體地，涉及一種基于K-B的軟件缺陷預(yù)測方法、裝置、電子設(shè)備及介質(zhì)。

背景技術(shù)

從1970年開始，軟件缺陷預(yù)測技術(shù)開始發(fā)展；隨著軟件系統(tǒng)規(guī)模變得越來越大，邏輯日趨復(fù)雜，軟件缺陷也勢必增加，影響軟件質(zhì)量，由于軟件缺陷預(yù)測幫助測試人員了解軟件的狀態(tài)和質(zhì)量，幫助制定交付標準，所以軟件缺陷的預(yù)測也變得重要起來。

目前，軟件缺陷預(yù)測分為靜態(tài)和動態(tài)兩種預(yù)測方法。隨著軟件迭代更新次數(shù)以及同類軟件的增多，基于軟件歷史開發(fā)數(shù)據(jù)及發(fā)現(xiàn)的缺陷數(shù)，進行缺陷數(shù)目、類型、分布的預(yù)測成為一種切實可行方法。研究指出影響缺陷預(yù)測有3個因素，度量元的選取、缺陷預(yù)測模型的構(gòu)建方法和數(shù)據(jù)集。也就是根據(jù)缺陷相關(guān)的度量元數(shù)據(jù)(代碼行數(shù)、類數(shù)、方法數(shù)等)，選擇適當預(yù)測模型，選擇適當?shù)臄?shù)據(jù)集可以有效的提高缺陷預(yù)測的轉(zhuǎn)去額度。本文就基于以上靜態(tài)缺陷預(yù)測方法展開研究。

怎么樣從大量的開發(fā)歷史數(shù)據(jù)中找到與缺陷相關(guān)的數(shù)據(jù)，也就是度量元選取問題變成首要問題，這就涉及到數(shù)據(jù)挖掘領(lǐng)域?，F(xiàn)在主要運用的是PCA，LDA，LLE以及ICA等方法。KPCA(Kernel Principle Component Analysis)，核主成分分析法，是PCA的衍生版本，傳統(tǒng)pca無法實現(xiàn)非線性投影，PCA降維試圖找到數(shù)據(jù)被限制的低維線性子空間，但數(shù)據(jù)可能是非線性。Kernel PCA把Kernel升維和PCA降維兩種方法有機的融合在一起，將原始數(shù)據(jù)通過核函數(shù)(kernel)映射到高維度空間，再利用PCA算法進行降維，提高運算效率。

對于靜態(tài)軟件缺陷預(yù)測技術(shù)，有分類、回歸和基于神經(jīng)網(wǎng)絡(luò)的貝葉斯、CNN、DNN等方法，這就涉及預(yù)測模型選取問題。由于基于復(fù)雜神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型的時間會較長，對機器性能要求較高。

因此，有必要開發(fā)一種基于KPCA-Bayes的軟件缺陷預(yù)測方法、裝置、電子設(shè)備及介質(zhì)。

公開于本發(fā)明背景技術(shù)部分的信息僅僅旨在加深對本發(fā)明的一般背景技術(shù)的理解，而不應(yīng)當被視為承認或以任何形式暗示該信息構(gòu)成已為本領(lǐng)域技術(shù)人員所公知的現(xiàn)有技術(shù)。

發(fā)明內(nèi)容

本發(fā)明提出了一種基于K-B的軟件缺陷預(yù)測方法、裝置、電子設(shè)備及介質(zhì)，其能夠解決度量元的維數(shù)問題，解決軟件缺陷預(yù)測的準確度，為軟件缺陷預(yù)測提供一種新的可行方法，能夠?qū)χ蟮能浖到y(tǒng)做出缺陷數(shù)目預(yù)測，為制定軟件測試計劃提供參考指標，更好的規(guī)劃人力和時間。

第一方面，本公開實施例提供了一種基于K-B的軟件缺陷預(yù)測方法，包括：

收集軟件歷史缺陷數(shù)據(jù)，將所述軟件歷史缺陷數(shù)據(jù)劃分為訓(xùn)練數(shù)據(jù)集與測試數(shù)據(jù)集；

針對所述訓(xùn)練數(shù)據(jù)集內(nèi)的度量元進行降維，獲得特征向量；

根據(jù)降維后的訓(xùn)練數(shù)據(jù)集與所述特征向量，進行貝葉斯分類回歸計算訓(xùn)練；

調(diào)整降維參數(shù)與貝葉斯參數(shù)，獲得最優(yōu)模型；

根據(jù)所述最優(yōu)模型，針對所述測試數(shù)據(jù)集內(nèi)的度量元進行降維，并進行貝葉斯分類回歸計算，預(yù)測所述測試數(shù)據(jù)集的缺陷。

優(yōu)選地，針對所述訓(xùn)練數(shù)據(jù)集內(nèi)的度量元進行降維，獲得特征向量包括：