[發明專利]基于預測缺陷率和模糊綜合評價模型的軟件質量評價方法

在審

• 申請號: 202110556984.1
• 申請日: 2021-05-21
• 公開（公告）號: CN113448840A
• 公開（公告）日: 2021-09-28
• 發明（設計）人: 王亞庚;劉宏志
• 申請（專利權）人: 北京工商大學
• 主分類號: G06F11/36
• 分類號: G06F11/36;G06N20/00
• 代理公司: 西安研創天下知識產權代理事務所(普通合伙) 61239
• 代理人: 梁寶龍

1.基于預測缺陷率和模糊綜合評價模型的軟件質量評價方法，其特征在于，包括以下步驟，

S1：采集軟件代碼的固有屬性數據并進行整理，作為軟件預測缺陷率模型的輸入；

S2：對軟件預測缺陷率模型進行訓練和測試；

S3：將步驟S1中采集的軟件代碼固有屬性數據輸入步驟S2中測試后的軟件預測缺陷率模型中，得到軟件的預測缺陷率；

S4：建立模糊綜合評價模型，將步驟S3中得出的預測缺陷率作為第二層的評價指標，構建判斷矩陣，根據判斷矩陣確定因素權重；

S5：建立評價集，根據每一層每一個因素的評價等級建立模糊隸屬度矩陣，結合模糊隸屬度矩陣和權重矩陣進行綜合評判，計算軟件評價的綜合得分。

2.根據權利要求1所述的基于預測缺陷率和模糊綜合評價模型的軟件質量評價方法，其特征在于：步驟S1中所述的軟件代碼的固有屬性包括空代碼行數、分支數、調用對的次數、代碼和注釋的行數、注解的行數、條件數、圈復雜度、圈密度、決定數數字、設計復雜性、設計密度數值、邊數數字、必要的復雜性數值、周向密度、可執行數字、參數計數、全局數據的復雜性、全局數據密度、霍爾斯特德含量、霍爾斯特德困難、霍爾斯特德努力、霍爾斯特德誤差、霍爾斯特德長度、霍爾斯特德水平、霍爾斯特德進度時間、霍爾斯特德體積、維護程度、修改條件數、多個條件數、節點數、歸一化穩壓復雜度、操作數、操作符、唯一操作數、唯一運算符、行數、評論百分比、總數。

3.根據權利要求1所述的基于預測缺陷率和模糊綜合評價模型的軟件質量評價方法，其特征在于，步驟S2中所述的軟件預測缺陷率模型采用FLGBDT機器學習方法對軟件缺陷進行預測，所述FLGBDT機器學習方法的損失函數為式中，α和γ為超參數，y＝0，1為正樣本或負樣本，p_t表示預測概率。

4.根據權利要求3所述的基于預測缺陷率和模糊綜合評價模型的軟件質量評價方法，其特征在于，FLGBDT機器學習方法的損失函數中，α為0.25，γ為2。

5.根據權利要求1所述的基于預測缺陷率和模糊綜合評價模型的軟件質量評價方法，其特征在于，步驟S2中對軟件預測缺陷率模型進行訓練和測試的具體操作包括以下步驟，

S201：建立軟件預測缺陷率模型評價指標；所述軟件預測缺陷率模型評價指標包括命中率、誤報率和臨界成功指數；

S202：對訓練集數據進行預處理；

S203：利用預處理后的訓練集數據對軟件預測缺陷率模型進行訓練；

S204：將測試集數據輸入訓練后的軟件預測缺陷率模型進行測試，利用步驟S201中建立的評價指標，評價軟件預測缺陷率的評價精確度。

6.根據權利要求5所述的基于預測缺陷率和模糊綜合評價模型的軟件質量評價方法，其特征在于，步驟S202中采用SMOTE的過采樣方法對訓練集數據進行過采樣預處理，過采樣的比例為3：1。

7.根據權利要求1所述的基于預測缺陷率和模糊綜合評價模型的軟件質量評價方法，其特征在于，步驟S4的具體操作步驟包括，

S401：建立三層的模糊綜合評價模型；

S402：對模糊綜合評價模型中的兩兩因素進行重要性比較，得出判斷矩陣；

S403：根據每一層的判斷矩陣計算權重向量W＝[w₁，w₂，...，w_n]^T。