[發明專利]基于強化混合專家模型的跨項目軟件缺陷預測方法

有效

• 申請號: 202011100263.1
• 申請日: 2020-10-13
• 公開（公告）號: CN112199287B
• 公開（公告）日: 2022-03-29
• 發明（設計）人: 潘麗敏;尹培宇;羅森林;王殿元
• 申請（專利權）人: 北京理工大學
• 主分類號: G06F11/36
• 分類號: G06F11/36;G06K9/62;G06N20/10
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明涉及一種基于強化混合專家模型的軟件缺陷預測方法，屬于計算機與信息科學技術領域。主要解決跨項目軟件缺陷預測中混合專家模型未能學習跨項目軟件的全局信息造成軟件缺陷預測性能下降的問題。本發明首先全局訓練隨機森林，由森林中的樹經過挑選與強化構成專家，然后經過改進的EM算法計算每個樣本的后驗概率并迭代執行專家模型的挑選與強化過程，最后根據迭代重構后的子簇訓練門控網絡，組合優化好的專家模型構成完整的強化混合專家模型，預測本項目待預測軟件模塊的缺陷。結果表明本發明能達到較好的分類效果，進一步提升了跨項目軟件缺陷預測的準確率。

技術領域

本發明涉及一種基于強化混合專家模型的跨項目軟件缺陷預測方法，屬于計算機與信息科學技術領域。

背景技術

軟件缺陷是指軟件產品中存在的，導致其無法滿足軟件需求和規格要求，需要進行修復的瑕疵、問題。軟件缺陷是軟件失效的源頭和影響軟件可靠性的重要因素，盡早地預測軟件中存在的缺陷，以合理分配測試驗證資源并保證軟件質量在軟件工程領域尤為重要。

目前已有很多高效的軟件缺陷預測方法被提出，這些方法主要基于項目歷史軟件模塊的度量特征，采用統計學和機器學習的技術構建軟件缺陷預測模型，然后將待測軟件模塊的度量特征輸入軟件缺陷預測模型，從而得到該軟件模塊的缺陷預測結果。但是當待預測的軟件項目沒有充足的歷史數據時，很難順利進行預測，得到可靠結果。

這種情況下需通過引入其他已有軟件項目的歷史數據，協助進行跨項目軟件缺陷預測。不同軟件項目既會由于開發過程、編程規范及應用領域不同而存在數據差異性，也會因為采用相同的開發語言、相近的編碼風格或相似的體系結構從而存在共性。這些共性能夠作為模式和規律傳遞的橋梁，建立不同概率分布樣本集之間的聯系，因此從不同軟件項目中提取全局的共性信息并分辨局部的特性信息是實現跨項目軟件缺陷預測的關鍵。

混合專家模型常用來處理分布差異的數據，它可以通過門控函數將分布相近的項目軟件數據劃分到相同的簇中、分布差異的項目軟件數據劃分到不同的簇中，針對每個簇分別訓練專家模型來共同執行軟件缺陷預測任務。通過這個過程，混合專家模型能學習到不同項目軟件的特性信息，將其應用于待測項目軟件模塊，從而實現了跨項目軟件缺陷預測。

在進行跨項目軟件缺陷預測時，混合專家模型雖然可以很好地學習不同項目軟件的局部信息，但是未能學到所有項目軟件的全局信息，因此不能很好地對局部數據尤其是不同分布交界處的數據進行分類，從而導致跨項目軟件缺陷預測性能下降。所以本發明提出了一種基于強化混合專家模型的跨項目軟件缺陷預測方法。

發明內容

本發明的目的是為了解決跨項目軟件缺陷預測中，混合專家模型未能學習跨項目軟件的全局信息造成軟件缺陷預測性能下降的問題，提出了一種基于強化混合專家模型的跨項目軟件缺陷預測方法。

本發明的設計原理為：首先全局訓練隨機森林，由森林中的樹經過挑選與強化構成專家，然后經過改進的EM算法計算每個樣本的后驗概率并迭代執行專家模型的挑選與強化過程，最后根據迭代重構后的子簇訓練門控網絡，組合優化好的專家模型構成完整的強化混合專家模型，預測本項目待預測的軟件模塊缺陷。

本發明的技術方案是一種基于強化混合專家模型的跨項目軟件缺陷預測方法，其特征在于，包括以下步驟：

步驟1，提取跨項目軟件模塊數據；

步驟1.1，抽取跨項目軟件模塊的歷史數據；

步驟1.2，提取跨項目軟件模塊的度量特征；

步驟1.3，標注所有跨項目軟件模塊的缺陷屬性；

步驟2，提取跨項目軟件模塊數據中的全局信息；

步驟2.1，對所有跨項目軟件模塊數據進行k均值聚類，將全局數據劃分為多個子集；

步驟2.2，基于所有跨項目軟件模塊數據，全局訓練隨機森林；