基于关联挖掘的软件错误定位方法

基于覆盖率的错误定位(Coverage Based Fault Localization,CBFL)方法旨在通过分析程序执行的结果预测错误信息,是一种行之有效的错误定位方法.然而,CBFL方法中代码覆盖率的独立统计忽略了程序内存在的复杂控制依赖和数据依赖,从而忽视了语句间的语义关系,影响错误定位的准确性.该文借助实例重点分析了基于代码覆盖率所得到的错误可疑度与错误代码的表现关系,指出现有CBFL方法的不足是片面地将基于覆盖率的错误可疑度直接作为错误代码判定的依据;提出程序失效规则及基于覆盖向量的覆盖信息分析模型,并在此模型基础之上,指出高可疑代码与错误代码在执行路径上的覆盖一致性,进而提出用以挖掘与高可疑代码相关联的错误代码的频繁集求解方法.以SIR基准程序为实验对象建立的受控实验结果表明,相比之前的研究,文中方法在一定程度上能够改进错误定位结果.

可换格序群的泛映射

利用范畴理论中的泛映射问题，研究了ｌ－群范畴中的自由扩张函子、自由ｌ－积函子、ｌ－张量积函子与覆盖函子之间的相互关系．

直觉模糊向量β覆盖L粗糙集

直觉模糊覆盖粗糙集作为模糊粗糙集的一类推广,自提出以来就备受关注。为了更好的刻画直觉模糊环境中的目标概念,同时兼顾不同对象容错能力的差异性,本文提出了直觉模糊向量β覆盖L粗糙集,讨论了它们的相关性质、不确定性度量及其属性约简方法。首先研究了直觉模糊向量β覆盖及其邻域的相关特征。其次在直觉模糊β覆盖粗糙集的基础上给出了直觉模糊β覆盖L-1粗糙集,讨论了二者之间的联系。在直觉模糊向量β邻域的基础上,定义了直觉模糊向量β覆盖L-2粗糙集,探讨了其相关性质并讨论了它和其它模型之间的相关联系。最后研究了模型相关的直觉模糊粗糙性、相似性、辨识性度量等不确定性刻画方式,并给出相关属性约简算法。通过例子验证了模型的有效性与适用性。结论表明,就已有的直觉模糊β覆盖粗糙集而言,直觉模糊β覆盖L-1粗糙集与目标概念之间具有更高的相似性;直觉模糊向量β覆盖L-2粗糙集具有更好的适用性,并在一定的程度上具有更高的精确度。