一种多源异构软件缺陷预测方法

现有的异构软件缺陷预测方法解决了跨项目软件缺陷预测中要求源项目与目标项目具有相同度量元的问题,其以度量元相似度为依据匹配源项目与目标项目的度量元,并基于此构建预测模型.然而该方法在计算度量元相似度时存在一定的缺陷且预测性能不稳定.为解决上述问题,提出一种基于度量元相似度的多源异构软件缺陷预测方法,该方法使用数据统计特征计算度量元相似度,并将不同源项目构建的预测模型输出结果根据其相似度大小进行加权整合以得到最终的预测结果.在9组异构项目总计38个数据集上的实验结果表明,该方法显著提高了异构缺陷预测的性能,缩小了与同项目缺陷预测的差距.

基于重子节点抽象语法树的软件缺陷预测

在实际软件项目开发过程中,软件缺陷预测能辅助测试人员找到项目中可能存在缺陷的位置,并通过抽象语法树(AST)获取项目模块中隐藏的结构和语义信息,此类信息有助于提高缺陷预测精度。提出基于重子节点抽象语法树的缺陷预测方法,在提取节点信息时保留节点的类型信息和对应代码语义的值信息,并使用特殊字符串代替没有值信息的节点。通过树链剖分思想将AST分割为重子节点和轻子节点,优先选择重子节点作为序列化向量中的节点,同时利用深度学习网络学习节点序列中的源代码结构和语言实现软件缺陷预测。实验结果表明,与DFS方法相比,该方法在基于注意力机制的循环神经网络深度学习模型上的F1值和AUC值平均提升约3%和4%,具有更好的缺陷预测效果。

新版软件产品质量要求和测试标准剖析

介绍了新版软件产品质量要求和测试标准ISO/IEC 25051:2014的制定背景及其与ISO/IEC 25051:2006的内容对比,具体阐述了二者在适用范围、软件质量特性、标准内容等方面的差异,从而有利于测评人员更好的理解与使用该标准。

时间约束下的云工作流动态混合资源调度

随着云计算的出现和云基础设施的快速部署,越来越多的大型工作流应用正在积极向云迁移.同时,如何在满足任务时间约束的前提下优化执行成本,提高资源利用率成为新的挑战.本文提出一种云工作流动态混合资源调度算法DHRS,不仅满足任务的时间约束而且在混合资源租用时取得较低的成本.首先,根据任务的优先级关系对任务进行预处理,基于概率升序对任务进行排序,并为子任务分配子截止日期;然后,依据顺序为工作流选择满足截止日期且成本较低的服务;最后,对每个服务动态选择预留资源和按需资源,基于预留资源的空闲时间段调度,进一步降低成本.在随机生成的不同的科学工作流上进行实验,并通过与现有算法对比,DHRS在满足时间约束并且降低执行成本方面具有一定的优势.

抽象精化和可满足性结合的EFSM模型测试用例优化生成

基于模型的测试是测试自动化的重要手段,通常采用模型检验技术从系统模型自动生成测试用例集,但生成的测试用例集往往存在冗余,这将影响测试用例执行的性能和成本.该文以扩展有限状态机(Extended Finite Machine,EFSM)为建模工具,根据公式簇建立状态等价关系,构建抽象模型,采用模型检验技术生成抽象反例(测试用例);给出了判定生成的抽象反例是否为伪反例的方法;采用反例引导的方法精化抽象模型,删除伪反例;最后,使用我们之前提出的基于可满足性的测试用例生成方法在抽象模型上生成约简的测试用例集.实验表明:该方法的测试用例数目约简比例最高达76%(警报侦测组件EFSM),总长度约简比例最高达68%(ATM EFSM),同时不会影响测试用例集的迁移覆盖率和查错能力.

一种基于优先级的云工作流动态调度方法

云计算遵循按需资源供应和即用即付定价模式,使得云提供商能够处理大规模的工作流调度.目前已有大量工作对工作流调度问题进行研究,如何以较低的执行成本来满足截止时间约束具有挑战性.本文考虑了云资源的可变性和工作流任务之间的依赖性,提出了一种基于优先级的动态调度算法Pbads,旨在满足时间约束的前提下最小化执行成本.首先,根据任务的依赖关系进行任务合并,并为工作流任务分配子截止期限.其次,基于时间约束和任务依赖性,动态调整任务的优先级和分配策略.此外,针对每个服务动态调整其任务队列的执行顺序,以此降低服务执行成本.最后,将Pbads算法与传统调度算法进行研究对比,实验结果表明Pbads算法在执行成本和满足时间约束方面有更好的表现.

融合动态协同过滤和深度学习的推荐算法

在信息爆炸的时代,推荐系统在减轻信息过载方面发挥了巨大的作用。目前,推荐系统普遍使用传统的协同过滤算法学习用户商品行为矩阵中的隐向量,但是其存在数据稀疏性和冷启动问题,同时未考虑用户的兴趣偏好以及商品的受欢迎程度会随时间发生改变,这极大地限制了推荐的准确性。已有学者利用深度学习模型学习辅助信息的特征来扩充协同过滤算法的特征,取得了一定的成果,但并未充分有效地解决全部问题。以电影推荐为研究对象,提出了融合动态协同过滤和深度学习的推荐算法。首先,利用动态协同过滤算法融入时间特征;然后,利用深度学习模型来学习用户和电影特征信息,以形成高维潜在空间的用户特征和电影特征的隐向量;最后,将其融入到动态协同过滤算法中。以MovieLens为实验数据集对电影的评分进行预测,实验结果表明所提算法提高了电影评分预测的准确性。

基于自适应粒子群的WSN覆盖优化

数据感知层的无线传感器网络覆盖范围对感知服务质量具有非常重要的意义。鉴于无线传感器网络初始部署的随机性所造成的覆盖冗余、覆盖空洞以及粒子群算法自身的早熟收敛等问题,提出一种基于二项感知覆盖的自适应虚拟力粒子群优化算法,以优化网络的有效覆盖率。该算法通过在网络中添加移动节点来进行位置调度的重部署分布,并计算种群进化程度和相对聚合程度以自适应调节惯性权重,同时利用适应度方差阈值判断当前状态是否需要引入虚拟力策略的干扰。文中重点分析了初始部署类别和移动节点占比对重部署覆盖性能的影响,并给出了相应的算法实现。仿真实验表明,相比ACPSO,DACPSO,DVPSO算法,改进的粒子群算法的覆盖率达到了98.33%,并且具有较高的移动效率,充分证明了该算法的有效性。

燃气客服热线的中文文本情感分析

提出了一种基于TF-IDF的均值Word2vec模型和有监督的机器学习方法的燃气客服热线的中文文本情感分析方法。首先,采用Word2vec模型训练出文本中每个词语的词向量及TF-IDF算法计算文本中每个词语的权重,并对词语的词向量进行加权处理。其次,将加权后的词向量对应维度的值进行累加并求均值作为该文本的向量,即文本的特征。最后,对文本的特征使用有监督的机器学习方法进行训练和预测,以实现文本的情感分析。实验结果表明,该方法获得了较高的分类准确率并能有效地进行情感分析。

基于深度学习的面部动作单元识别算法

面部动作单元识别任务是理解人脸表情最重要的环节之一,但因为类别极度不平衡和属于多标签分类等问题,给算法设计带来了不小的困难。针对这些问题设计了一种基于深度学习的面部动作单元识别算法。首先,基于迁移学习理论,以人脸识别任务为目标驱动,使用大规模数据集预训练卷积网络,使模型具有提取人脸抽象特征的能力;其次,设计了一个根据分类置信度来动态加权样本损失大小的目标函数,使得模型更关注于优化少数类样本;最后,结合多标签共现关系拟合和人脸关键点回归两个相关任务,联合训练模型并测试。实验结果表明,该方法在CK+和MMI数据集上能有效提升分类正确率与F1分数。

基于归一化文档频率的文本分类特征选择方法

特征选择是文本分类的一个重要过程,对分类性能的提升发挥着重要的作用。传统的文档频率(Document Frequency,DF)特征选择指标只是从全局的角度统计包含特征的文档数作为选择的依据,没有考虑特征与类别的相关性。针对该问题,本文从特征和类别的相关性出发,对文档频率分别进行局部和全局的归一化处理,提出了一种归一化文档频率(Normalized Document Frequency,NDF)的特征选择指标,并在不同的特征维度下验证特征选择对文本分类性能的影响。结果表明,应用NDF特征选择指标可以得到更高的分类准确率和Macro-F1值。因此,对文档频率进行归一化处理可以更好地选择出有价值的特征,有效提升文本的分类性能。

基于概率模型检验的Web服务系统可靠性分析

为了实现对Web服务系统进行可靠性分析,采用概率模型检验技术对其行为模型进行形式化验证是一种有效方法.但该方法需要对服务系统的分布式特征进行建模,因此利用分布式日志收集系统Flume NG实时收集Web服务器日志并对其进行预处理操作,针对日志采集频率问题采用Kafka进行日志缓存,通过Storm分析日志数据并构造用于描述服务可靠性的概率迁移矩阵.采用概率标签迁移系统PLTS描述服务行为模型,采用概率计算树逻辑PCTL描述服务系统需求性质,集成概率模型检验器PRISM支持自动化定量验证和分析,从而实现基于概率模型检验的Web服务可靠性分析.最后通过案例研究和验证数据分析证明所提方法的有效性和可行性.

一种基于主副备份的微服务可靠性建模与分析方法

微服务架构(MSA)将云应用构建为独立的组件,通过解耦来提高软件更新的灵活性和敏捷性,然而微服务在时延和可靠性方面仍面临许多挑战。本文使用谓词Petri网(PrT网)对基于事件总线的微服务组合进行建模,建立微服务之间的逻辑关系。采用主版本和备份部署微服务实例,提高了微服务组合整体的可靠性。基于PrT网的相关理论,验证了微服务可靠性模型和PB(Primary-Backup)副本部署策略的正确性。将微服务执行的保证率作为可靠性的参数,通过实验分析验证了本文方法的有效性。

基于能耗降低的虚拟机动态迁移算法

在云计算环境中,有效的虚拟机动态迁移算法有助于降低能耗和SLA违反率。本文提出了一种改进的虚拟机动态迁移算法,通过双阈值策略、基于最小迁移代价的虚拟机选择策略和目标物理节点的概率选择策略来降低能耗,并降低SLA违反率。仿真实验表明,该方法在虚拟机动态迁移中能够降低系统的能源消耗,同时也降低了SLA违反率。

融合分类和情境偏好的矩阵分解电影推荐算法

为提高个性化影视推荐的准确率,提出了一种融合了决策树模型和包含了用户情境信息的矩阵分解算法的混合推荐算法。通过融入了情境偏置的矩阵分解算法,得到初始的影视推荐列表,之后通过分类模型的训练,得出用户在特定情境下对电影类型的偏好。将初始推荐列表根据分类模型得出的用户特定情境下的偏好进行二次筛选,得到最终推荐结果。相较于传统的协同过滤算法、矩阵分解算法和Baseline算法,该混合推荐算法通过两层筛选的过程,推荐准确率得到了提高,提高了推荐系统的性能。

基于互斥条件的云数据中心虚拟机整合策略

在云数据中心,虚拟机整合(VMC)是绿色计算和最小化集群功耗问题的关键技术。大多数研究采用基于资源使用率来寻求最合理的虚拟机(VM)整合方式,但在整合过程中并未考虑物理服务器(PM)的可用性及同位VM的稳定性问题。本文提出了基于互斥条件限制的VMC策略,该策略同时考虑PM的可用性和VM之间的互斥性两方面因素;给出了集群服务器统一资源预留计算方法,用于保证PM可用性的问题,并给出了基于VM历史运行数据的相似度判定方法,用于解决互斥条件的判定问题。将该策略应用于运行在OpenStack平台中的VM数据,实验结果表明:该策略可以有效地保证PM的可用性,避免同类型VM被整合在一起,减少同位VM的性能损失和确保服务质量。

基于镜像空间的平移嵌入模型

知识图广泛应用于许多人工智能(AI)任务。然而,现有知识图通常是不完整的,需对知识图进行补全或链接预测。本文通过对知识图中的实体和关系进行嵌入来预测知识图的缺失环节:首先,引入镜像空间的概念,使得模型具有学习对称和反对称模式的能力;其次,在新的空间模型中,关系仍然被建模为平移,而实体被建模为具有镜像点的点;最后,提出了MTransE模型将镜像空间的概念应用到TransE上,并在4个广泛使用的数据集上进行实验。实验结果表明,该方法能减少参数的规模,并提高了在4个广泛使用的知识补全数据集上的性能。

网络安全等级保护工作中的定级与备案

定级是网络安全等级保护工作的首要环节和关键环节,是开展网络备案、建设整改、等级测评、监督检查等工作的重要基础。而备案需要网络运营者办理相关手续的地址为所在地社区的地市级以上公安机。受理备案的公安机关应该依据《信息安全等级保护备案实施细则》的要求办理网络备案工作。

面向效率与多样性的自动驾驶关键场景生成方法

针对自动驾驶关键场景生成耗时长和容易生成大量极端场景的问题,提出一种面向效率和多样性的自动驾驶关键场景生成方法S-AD(Surrogate model-ADversarial example)。首先利用参数随机生成一批随机场景,通过模拟驾驶获得自动驾驶系统(ADS)在随机场景中的驾驶结果;接着根据随机场景和驾驶结果训练代理模型;随后使用对抗样本生成算法对代理模型发起攻击,生成代理模型认为能引发ADS碰撞的对抗场景;最后通过模拟驾驶对抗场景进行验证,确实能引发ADS碰撞的对抗场景为生成的关键场景。与当前研究较多的基于遗传算法的关键场景生成方法(GA)对比,S-AD在获得代理模型后(平均需要1163.7 s)生成一个关键场景平均仅需要0.084 s,而GA需要95.12 s,在生成13个以上的场景时,S-AD的时间消耗远少于GA;针对切入场景中的变道距离(DLC)参数,S-AD生成的DLC有75%分布在8.5~11.5 m,而GA生成的DLC有75%集中在9~10 m,S-AD生成的场景多样性更好;在与非碰撞场景的距离上,75%的S-AD场景分布在10~20 m,75%的GA场景分布在15~23 m,GA生成的场景更加极端。实验结果表明,S-AD在生成效率、场景多样性和非极端性上要优于对比的GA方法。