基于改进支持向量机的软件缺陷快速分类研究

随着软件在各行业的广泛应用,对软件缺陷快速而准确的分类变得愈发关键。本文基于支持向量机(SVM)算法,提出了一种新的改进算法,强调提高处理效率和降低对噪声的敏感性,并通过对比分析实验结果,验证了改进算法相对于传统算法的性能优势。本文的研究结果能够为软件工程领域提供更先进、可靠的软件缺陷分类方法,为确保软件质量和可维护性提供有力支持。

基于深度学习的软件自动修复方法的修复偏好研究

基于机器学习的软件修复方法可以降低软件缺陷修复成本,无须人工干涉而自动修复软件缺陷,但不同的缺陷修复软件对不同类型缺陷的修复偏好不明确,且缺乏针对性而无法充分发挥深度学习模型的作用;为此在研究缺陷分类的基础上,研究几种具有代表性基于深度学习的软件自动修复方法对不同类型的缺陷总的修复概率,并比较分析不同学习模型对于修复不同类型缺陷的修复偏好,后续可以更好地进行模型选择以及软件自动修复工作。实验结果表明,基于深度学习的软件自动修复方法倾向于修复IF语句类型、方法语句类型、return语句类型的缺陷。基于自编码器的软件自动修复方法倾向于修复IF语句类型的缺陷,基于LSTM的编码器-解码器的修复方法倾向于修复与方法语句类型相关的缺陷,而基于CNNs的编码器-解码器的修复方法则对IF语句类型、方法语句类型以及return语句类型这三种类型缺陷的修复偏好相差不大。

一种基于SWF-BERT的软件缺陷报告严重性预测方法

针对软件缺陷报告严重性预测中现有模型分类精度较低、深层次的语义特征不够丰富等问题,本文提出了一种基于BERT句子级别与词级别特征融合的SWF-BERT(Sentence-level and Word-level features Fusion-BERT)软件缺陷报告严重性预测模型.首先,对缺陷报告中的文本进行了数据预处理.其次,为了加强嵌入层中融合后的特征语义信息,提取词频最高的前100个单词,筛选出与缺陷严重性相关的特征词对其进行关键词嵌入操作,并融合嵌入层中的其他向量进行词嵌入.最后,将BERT模型输出层得到的特征(除[CLS]token外)送入多尺度卷积神经网络结合长短期记忆网络(MC-LSTM)模型中,加强了不同特征间远距离的时序信息.采用BERT模型输出得到的[CLS]句向量经过线性变换的结果与MC-LSTM模型输出经过线性变换得到的结果做可学习的自适应加权融合,实现了对软件缺陷报告严重性的有效预测.实验结果表明,使用SWF-BERT模型的平均准确率、召回率和F1值在Mozilla数据集中分别达到了68.41%、64.60%和64.86%,在Eclipse数据集中分别达到了61.32%、62.62%和59.31%,与其他分类算法相比,该方法在性能上得到了较大的提升.

基于流形学习降维的缺陷动态特征分类算法

开源软件缺陷报告分类过程中,缺陷报告数据维度不统一会直接降低后续报告的分类精度,为此提出基于行为路径树的开源软件缺陷报告分类算法。使用流形学习降维算法对开源软件缺陷报告数据实施降维处理,有效去除噪声数据,初步提升后续报告分类的分类精度;使用行为路径树对降维报告数据实施缺陷动态特征提取,进一步强化分类精度;根据随机森林原理建立开源软件缺陷报告分类模型,完成开源软件缺陷报告的精准分类。实验结果表明,使用上述方法开展缺陷报告分类时,分类精度高、效果好。

基于LDA主题模型的雷达软件缺陷分类算法研究

针对测试验证时雷达软件缺陷预测精度和效率不高的问题,提出一种基于LDA主题模型的雷达软件缺陷分类算法,融入面向雷达领域的分词字典,实现对雷达软件的准确分词。通过获取以功能、性能和接口等需求为导向的隐含主题,有效提高雷达软件缺陷分类的准确度和有效性,进而提升雷达软件测试设计工作的质量和效率。

基于决策树的英文翻译软件缺陷检测方法

传统英文翻译软件缺陷检测缺少逻辑分析,存在大量重复检测,检测效率低、精度也不高,对此,基于决策树设计一种英文翻译软件缺陷检测方法。选择pin框架搭建检测结构,利用决策树原理构建缺陷定位模型,实现特征检测分类,最后利用特征矢量法对比决策树节点相似性,得到节点特征向量。实验结果表明,与传统方法相比,能够检测出更多的软件缺陷,具有应用价值。

软件缺陷预测技术

软件缺陷预测技术从20世纪70年代发展至今,一直是软件工程领域最活跃的内容之一,在分析软件质量、平衡软件成本方面起着重要的作用.研究和讨论了软件缺陷预测技术的起源、发展和当前所面临的挑战,对主流的缺陷预测技术进行了分类讨论和比较,并对典型的软件缺陷的分布模型给出了案例研究.

软件缺陷的综合研究

软件缺陷的概念在软件质量范畴中处于举足轻重的地位,软件缺陷度量是软件质量度量范畴内的核心度量。该文区分了错误、缺陷、故障、失效4个软件缺陷相关的概念,采用正交缺陷分类法建立了软件缺陷的分类分级模式,剖析了软件缺陷的生存周期,给出了缺陷密度、缺陷泄漏矩阵、缺陷注入率和缺陷消除率等基本的、实用的软件缺陷度量。

软件缺陷分类的研究

软件缺陷分类是缺陷管理的基础,是预防缺陷的有力支持工具。阐述了缺陷的概念、危害以及对软件缺陷分类的必要性,对各种软件分类方法进行了深入分析和研究,比较了各类分类方法的优缺点以及正交缺陷分类的使用情况,在正交缺陷分类标准的基础上制定出适合本软件组织自身情况的软件缺陷分类方法,最后对软件缺陷分类意义进行了总结。

软件缺陷分类的研究

软件缺陷分类是研究软件缺陷管理的基础。说明了软件缺陷的危害 ,阐述了对软件缺陷分类的必要性 ,考察了国内外关于软件缺陷错误分类的各种方法 ,分析了各种分类法的优缺点 ,提出了一个有利于提高软件质量和改进软件过程的分类方法 。

软件缺陷分类和分析研究

缺陷是软件产品的固有成分,如何管理、减少和预防缺陷,对于提高软件质量、降低软件成本具有重要的意义。从缺陷分类和缺陷分析两个方面介绍了软件缺陷研究的现状,对比、分析了各种缺陷分类方法的优势和不足,总结了缺陷分析的主要研究方向及其研究方法,最后对缺陷研究方法的选择进行了讨论。

面向开发阶段的软件缺陷分类方法研究

提出一种面向开发阶段的软件缺陷分类方法Phase-DC,将缺陷和软件开发各阶段相关联,计算阶段及过程的缺陷排除有效性,并结合缺陷的类型和表现形式等详细信息分析开发过程的质量,以帮助软件组织促进并实施过程改进活动。通过实例说明了该方法在过程改进中的应用,并对方法的完备性、正交性和一致性进行了分析验证。

代价敏感分类的软件缺陷预测方法

软件缺陷预测是提高软件测试效率,保证软件可靠性的重要途径。考虑到软件缺陷预测模型对软件模块错误分类代价的不同,提出了代价敏感分类的软件缺陷预测模型构建方法。针对代码属性度量数据,采用Bagging方式有放回地多次随机抽取训练样本来构建代价敏感分类的决策树基分类器,然后通过投票的方式集成后进行软件模块的缺陷预测,并给出模型构建过程中代价因子最优值的判定选择方法。使用公开的NASA软件缺陷预测数据集进行仿真实验,结果表明该方法在保证缺陷预测率的前提下,误报率明显降低,综合评价指标AUC和F值均优于现有方法。

软件缺陷数据处理研究综述

软件缺陷数据是软件质量分析和改进的重要基础数据之一。如何在分析缺陷数据前对缺陷数据进行有效的预处理,如何根据缺陷特征对缺陷数据进行合理分类,如何对缺陷数据进行挖掘以及统计分析,是软件缺陷研究领域面临的问题。详细介绍了缺陷数据预处理、缺陷分类以及缺陷数据挖掘分析3个方面的研究内容、方法和技术,并对这些方法进行了比较和分析,最后提出了几个软件缺陷数据处理研究领域需要进一步研究的问题。

代价敏感学习方法综述

分类是机器学习的重要任务之一.传统的分类学习算法追求最低的分类错误率,假设不同类型的错误分类具有相等的损失.然而,在诸如人脸识别门禁系统、软件缺陷预测、多标记学习等应用领域中,不同类型的错误分类所导致的损失差异较大.这要求学习算法对可能导致高错分损失的样本加以重点关注,使得学习模型的整体错分损失最小.为解决该问题,代价敏感学习方法引起了研究者的极大关注.以代价敏感学习方法的理论基础作为切入点,系统阐述了代价敏感学习的主要模型方法以及代表性的应用领域.最后,讨论并展望了未来可能的研究趋势.

似然关系模型在航天软件缺陷预测中的应用

将似然关系模型在描述和推理多属性类之间关系及其不确定性知识方面的优势用于预测软件缺陷,提出了航天软件缺陷预测模型PRM_METHOD。首先,提出了基于软件测试的软件缺陷分类方法,以软件缺陷类关系为例分析了似然关系模型用于航天软件缺陷预测的理论依据;然后,在对人员能力、缺陷数量特征等数据进行定义和泛化等预处理的基础上,描述了提出的预测模型PRM_METHOD,详细阐述其结构、学习过程以及预测过程,并针对数据集的分类操作提出了基于弥合数据缝隙的k-均值聚类方法。最后,以某航天项目软件为例验证了模型PRM_METHOD的实现过程,并以实际测试工作中产生的历史数据作为训练集和验证集进行实验验证。验证结果显示,验证集的记录与预测结果的平均绝对偏差均值为0.086 8,即模型的预测精度为0.913 2,表明该模型对关联关系较为复杂的航天软件缺陷有较好的预测精度。

基于支持向量机的软件缺陷预测模型

软件缺陷预测在软件系统开发的各个阶段发挥着极为重要的作用。利用机器学习的相关方法建立更好的预测模型已经被广泛研究。文章分析了支持向量机SVM作为二值分类模型应用到软件缺陷预测中的实现方法,构造了基于SVM的可迭代增强的缺陷预测模型SVM-DP。在13个基准数据集上开展比较实验,定量地分析了应用各种核函数对SVM-DP模型性能的影响。实验结果显示,应用线性内积核函数的SVM-DP具有最优的预测性能。同时,在与J48的比较实验中,最高超过J48预测模型20%的性能进一步证明了SVM-DP模型应用于软件缺陷预测的有效性。

航空机载软件缺陷分类方法研究及应用

分析现有软件缺陷分类方法,针对现有缺陷分类方法不能完全适用于航空机载软件缺陷管理的问题,结合机载软件研制阶段和特点,以现有软件缺陷分类方法为基础,综合考虑缺陷度量分析的要求,提出一种符合航空机载软件研制特点的缺陷分类方法,并给出了"缺陷类别"详细的分类。将其应用于实际软件研制过程中,应用结果表明,该方法满足机载软件缺陷分类原则。

基于特征选择的软件缺陷报告严重性评估

针对Bugzilla缺陷跟踪系统的Eclipse项目软件缺陷报告数据集,使用特征选择和机器学习算法对向量化的原始数据进行特征降维、权重优化等处理,得到数据维度较低的优化数据集,并采用分类算法评估软件缺陷报告严重程度。通过对4种特征选择算法及4种机器学习算法处理结果的交叉对比表明,使用信息增益特征选择算法对原始数据集进行特征优化,并结合多项式贝叶斯算法对优化数据集进行训练与测试,可使软件缺陷报告严重性预测的AUROC值提高至0.767。

基于缺陷的软件可靠性度量方法研究

针对软件可靠性度量研究中的一些问题,提出了以缺陷度量为软件可靠性度量的一种方法。首先将缺陷度量方法按照软件度量的一般方法进行研究和探讨;其次,以正交缺陷为基础,提出了定量的缺陷统计方法,这种方法能够更好地描述缺陷的性质,对相关信息可进行分类统计、分析,为过程改进提供依据;最后,提出了一些定性的缺陷分析方法,可充分挖掘缺陷的潜在信息。按照软件度量的步骤,通过定性和定量相结合的方法,可以很好地度量软件可靠性,并实时提高软件可靠性。