基于半监督学习方法的软件故障定位研究

故障定位是软件工程中最为耗时和昂贵的活动之一,为降低软件故障定位的成本及提高故障定位的效率,机器学习方法被广泛应用于自动化软件故障定位中。传统的监督学习方法需要获取大量标记样本,这在实际项目中相当困难,且费用高昂。针对这一问题,提出采用半监督学习方法进行软件故障定位的思想,故障定位基于语句级别,通过应用程序中可执行语句与测试用例执行之间动态属性、以及传统软件故障定位中较有效的若干静态属性实现协同训练目的,得到训练良好的分类器,然后用该分类器对程序其余语句进行分类,从而得到故障语句。文章最后在Siemens Suite数据集中对算法进行验证,通过与传统监督学习算法进行对比,证明半监督学习算法在软件故障定位中的有效性。

基于SPEA2+SDE算法的测试用例自动生成技术研究

软件测试是确保软件质量的重要手段。然而随着软件结构和功能的日益多样化,软件测试的复杂度和成本大为提高。测试用例自动生成技术可以降低手工测试的高额成本,同时提高测试结果的可信度。主要研究了基于进化算法的测试用例自动生成技术,通过比较不同算法对于若干经典程序的测试用例生成效率,提出了SPEA2+SDE算法,其可以很好地用于测试用例的自动生成。最后通过Kruskal-Wallis非参数检验,说明了上述结论的广泛性和可靠性。

基于梯度提升决策树模型的P2P网贷借款人信用风险评测研究

基于借款人决策行为视角,通过Logistic条件回归方程式,筛选出对主体行为决策具有显著影响的特征变量,依此构建基于梯度提升决策树(GBDT)的P2P网贷借款人信用风险评测模型。模型精度和稳定性检验结果表明,建立在集成学习基础上的GBDT模型能较好拟合网络信用环境下借款人信用风险评测,并能对样本借款人的决策行为做出准确预判。