發(fā)布時間：2019-05-27 06:14

【摘要】：軟件缺陷預測通過挖掘軟件歷史倉庫,構(gòu)建缺陷預測模型來預測出被測項目內(nèi)的潛在缺陷程序模塊.但在挖掘過程中,對程序模塊進行類型標記或軟件度量時均可能產(chǎn)生噪聲.雖然研究人員對已有特征選擇方法的噪聲容忍能力進行了分析,但據(jù)我們所知,很少有研究人員在軟件缺陷預測研究中,針對性的設計出可容忍噪聲的新穎特征選擇方法.為了解決此問題,我們提出一種可容忍噪聲的特征選擇框架FECS.具體來說,首先借助聚類分析,將原始特征集劃分到指定數(shù)目的簇中,隨后設計出3種不同的啟發(fā)式特征選擇策略,依次從每一個簇中選出最為典型的特征.在實證研究中,以Eclipse和NASA等實際項目為評測對象.首先借助一系列數(shù)據(jù)預處理方法來提升數(shù)據(jù)集質(zhì)量,隨后同時注入類標噪聲和特征噪聲來模擬噪聲數(shù)據(jù)集.通過與典型的特征選擇方法進行比較,驗證了FECS框架的有效性,除此之外,通過深入分析噪聲注入率、特征選擇比例及噪聲類型對缺陷預測性能的影響,為更有效的使用FECS提供了指導.
[Abstract]:Software defect prediction by mining software history warehouse and constructing defect prediction model to predict the potential defect program module in the project under test. However, in the process of mining, noise may be generated when the program module is marked by type or measured by software. Although the researchers have analyzed the noise tolerance of the existing feature selection methods, as far as we know, few researchers have designed a novel feature selection method which can tolerate noise in the software defect prediction research. To solve this problem, we propose a noise tolerant feature selection framework (FECS.). Specifically, with the help of cluster analysis, the original feature set is divided into a specified number of clusters, and then three different heuristic feature selection strategies are designed, and the most typical features are selected from each cluster in turn. In the empirical study, the actual projects such as Eclipse and NASA are taken as the evaluation objects. Firstly, a series of data preprocessing methods are used to improve the quality of the data set, and then the quasi-standard noise and feature noise are injected at the same time to simulate the noise data set. The effectiveness of FECS framework is verified by comparing with the typical feature selection method. In addition, the effects of noise injection rate, feature selection ratio and noise type on defect prediction performance are deeply analyzed. It provides guidance for more effective use of FECS.
【作者單位】： 南京大學計算機軟件新技術(shù)國家重點實驗室;南京大學計算機科學與技術(shù)系;南通大學計算機科學與技術(shù)學院;
【基金】：國家自然科學基金(61373012,61202006,61321491,91218302) 歐盟項目(612212) 南京大學計算機軟件新技術(shù)國家重點實驗室開放課題(KFKT2016B18);南京大學優(yōu)秀博士研究生創(chuàng)新能力提升計劃和軟件新技術(shù)與產(chǎn)業(yè)化協(xié)同創(chuàng)新中心部分資助
【分類號】：TP311.5

【相似文獻】

相關期刊論文 前10條

1 ;常用軟件缺陷威脅因特網(wǎng)[J];佛山陶瓷;2001年02期

2 ;軟件缺陷詞典正在制定[J];軟件世界;2007年06期

3 王德勝;宮云戰(zhàn);;論軟件缺陷[J];計算機應用研究;2008年12期

4 聶劍平;韓柯;陳光;曹旭;;軟件缺陷增長過程的混沌分析[J];計算機工程與應用;2008年11期

5 劉海;郝克剛;;軟件缺陷數(shù)據(jù)的分析方法及其實現(xiàn)[J];計算機科學;2008年08期

6 熊斐;李建忠;徐中望;;軟件缺陷管理與防范[J];科技創(chuàng)新導報;2009年04期

7 石劍飛;楊欣;秦瑋;閆懷志;;一種軟件缺陷預測改進模型的研究[J];北京理工大學學報;2010年09期

8 繆林松;;基于代價敏感神經(jīng)網(wǎng)絡算法的軟件缺陷預測[J];電子科技;2012年06期

9 朱小燕;曲俊燕;;淺析軟件缺陷的問題[J];無線互聯(lián)科技;2013年04期

10 田華;蒲天銀;;基于遷移學習的軟件缺陷預測方法研究[J];西南師范大學學報(自然科學版);2014年03期

相關會議論文 前10條

1 趙修湘;石勇;劉瑩;張玲玲;;文本分類在軟件缺陷管理中的應用[A];第四屆（2009）中國管理學年會——管理科學與工程分會場論文集[C];2009年

2 李立清;;軟件缺陷數(shù)據(jù)的分析和預測[A];第三屆中國測試學術(shù)會議論文集[C];2004年

3 李立清;;用軟件缺陷數(shù)據(jù)進行缺陷預測[A];中國工程物理研究院科技年報（2005）[C];2005年

4 趙亮;侯金寶;;文件和包層次的軟件缺陷預測研究[A];第十四屆全國容錯計算學術(shù)會議(CFTC'2011)論文集[C];2011年

5 于秀山;王廣儉;;軟件缺陷管理[A];中國電子學會可靠性分會第十三屆學術(shù)年會論文選[C];2006年

6 靖紅芳;王斌;楊雅輝;;基于類別分布的特征選擇框架[A];第四屆全國信息檢索與內(nèi)容安全學術(shù)會議論文集（上）[C];2008年

7 寇綱;彭怡;石勇;;基于數(shù)據(jù)挖掘的軟件缺陷度量評估管理及研究現(xiàn)狀綜述[A];第三屆（2008）中國管理學年會——信息管理分會場論文集[C];2008年

8 高通;焦彥平;龔波;;基于曲線擬合的軟件缺陷排除成本預測[A];2010年全國通信安全學術(shù)會議論文集[C];2010年

9 涂亞明;毛軍鵬;余靜;尹磊;;系統(tǒng)測試階段的軟件缺陷預測模型分析[A];第六屆中國測試學術(shù)會議論文集[C];2010年

10 李長升;盧漢清;;排序?qū)W習模型中的特征選擇[A];第六屆和諧人機環(huán)境聯(lián)合學術(shù)會議（HHME2010)、第19屆全國多媒體學術(shù)會議（NCMT2010）、第6屆全國人機交互學術(shù)會議（CHCI2010）、第5屆全國普適計算學術(shù)會議（PCC2010）論文集[C];2010年

相關重要報紙文章 前7條

1 謝敏、戴金龍;追蹤每一個軟件缺陷[N];計算機世界;2005年

2 學健;可怕的不是缺陷本身[N];計算機世界;2001年

3 ;Firefox、IE中發(fā)現(xiàn)缺陷[N];計算機世界;2005年

4 道瓊斯;小電腦 大雄心[N];人民郵電;2007年

5 特約撰稿 朱顏鎮(zhèn);萬維易化項目管理力助電信運營商[N];通信信息報;2004年

6 ;Microsoft計劃推出Windows Server SP1[N];計算機世界;2004年

7 記者 王俊鳴;美專家認為因特網(wǎng)中樞有漏洞[N];科技日報;2001年

相關博士學位論文 前10條

1 于巧;基于機器學習的軟件缺陷預測方法研究[D];中國礦業(yè)大學;2017年

2 Gabriel Kofi Armah;[D];電子科技大學;2015年

3 王偉光;動態(tài)軟件缺陷測試關鍵技術(shù)研究[D];南京大學;2016年

4 陳琳;基于機器學習的軟件缺陷預測研究[D];重慶大學;2016年

5 陳媛;基于數(shù)據(jù)挖掘的軟件缺陷預測技術(shù)研究[D];中國科學院研究生院（長春光學精密機械與物理研究所）;2012年

6 馬櫻;基于機器學習的軟件缺陷預測技術(shù)研究[D];電子科技大學;2012年

7 單純;軟件缺陷分布預測技術(shù)及應用研究[D];北京理工大學;2015年

8 劉望舒;軟件缺陷預測中數(shù)據(jù)預處理關鍵技術(shù)研究及應用[D];南京大學;2017年

9 張凱;軟件缺陷混沌分形描述與軟件質(zhì)量進化度量的研究[D];武漢理工大學;2005年

10 李靜;高維數(shù)據(jù)交互特征選擇和分類研究[D];燕山大學;2015年

相關碩士學位論文 前10條

1 方昊;基于機器學習的軟件缺陷預測及系統(tǒng)開發(fā)[D];南京郵電大學;2017年

2 甘露;基于深度學習的軟件缺陷預測技術(shù)研究[D];南京航空航天大學;2017年

3 趙長凱;軟件缺陷管理與預測系統(tǒng)的設計[D];復旦大學;2013年

4 張亮;基于改進BP算法的軟件缺陷預測模型研究[D];北京理工大學;2015年

5 王男帥;基于遺傳優(yōu)化支持向量機的軟件缺陷預測模型研究[D];北京理工大學;2015年

6 陳艷;軟件缺陷管理技術(shù)研究與實現(xiàn)[D];電子科技大學;2014年

7 李碧雯;基于遷移學習的跨項目軟件缺陷預測[D];上海交通大學;2015年

8 梁天超;一種基于人工免疫樸素貝葉斯方法的軟件缺陷預測模型[D];南京郵電大學;2015年

9 陳家強;軟件缺陷預測中數(shù)據(jù)預處理技術(shù)研究[D];南京大學;2014年

10 江曉蘇;魚群優(yōu)化的多核支持向量機在軟件缺陷預測中的應用[D];重慶師范大學;2016年

，

本文編號：2485951