隨著軟件的規(guī)模和復雜度不斷增大,軟件中包含缺陷的概率也越來越大。軟件的不正常運行會給生產(chǎn)和生活帶來嚴重的影響,因此軟件缺陷的快速定位和修復是至關重要的。傳統(tǒng)的缺陷定位方法需要分析缺陷報告的內(nèi)容,審查源文件代碼,設計測試用例并執(zhí)行被測程序,分析程序變量和執(zhí)行結果,最后定位缺陷語句。人工完成這些工作將耗費大量的時間和精力,并且在大規(guī)模軟件系統(tǒng)中也不太可行。為了減輕開發(fā)人員負擔,降低人力成本,自動化缺陷定位方法被提出,通過計算機技術實現(xiàn)對缺陷報告和源文件的解析、提取特征并定位缺陷文件,實現(xiàn)在最小的人工干預下給開發(fā)者定位軟件缺陷。本文在靜態(tài)缺陷定位方法的基礎上,將缺陷定位問題當作判斷源文件是否與缺陷報告相關的多分類問題,提出了一個基于標簽傳播的軟件缺陷定位框架GBLocator。框架實現(xiàn)了對缺陷報告和源文件結構與內(nèi)容的分析,從缺陷報告與缺陷報告、缺陷報告與源文件、源文件與源文件三個角度提取特征,建立一個表示缺陷報告和源文件關系的圖模型,通過對缺陷報告的分類結果進行排序從而實現(xiàn)對缺陷文件的定位。本文的主要工作概括如下:1.對軟件缺陷定位的現(xiàn)狀進行了詳細描述。本文首先對軟件缺陷定位的過程以及存在的...

【文章頁數(shù)】：77 頁

【學位級別】：碩士

【部分圖文】：

圖２．１：缺陷報告??

?ｏｒｇ．ｅｄｉｐｓｅ．ｕｉ．ｉｎｔｅｒｎａｌ．ｃｏｎｓｏｌｅ．ＩＯＣｏｎｓｏｌｅＰａｒｔｉｔｉｏｎｅｒ．ｊａｖａ??圖２．１：缺陷報告??下面我們在圖２．１展示了一個收集自ｅｃｌｉｐｓｅ的缺陷報告，我們可以從ｅｃｌｉｐｓｅ的??缺陷跟蹤系統(tǒng)Ｂｕｇｚｉｌｌａ上下載。這個缺陷報告的....

圖２．３：指標學習??

然后算法搜索一個特征空間的變換操作使目標節(jié)點靠近有標簽節(jié)點并且使??附近有不同標簽的節(jié)點分離。Ｎｇｕｙｅｎ等人［２７］將ＳＶＭ方法應用于指標學習，在??數(shù)據(jù)上使用了核函數(shù)策略。指標學習的一種特征空間變換情況如圖２．３所示，可??以使相同標簽的節(jié)點接近，不同標簽的節(jié)點遠離。??ＢＥ....

圖２．４：?—個超圖的實例??

邊是節(jié)點的子集。一個超圖Ｈ可以定義為一個集合對丑＝匕＇），??其中〃是有限的點集，ｅ是節(jié)點的非空子集的集合，稱為超邊，表示數(shù)據(jù)??間的關系。簡單圖是超圖的一種特殊情況。一個超圖的實例如圖２．４所示。??點集為Ｖ?＝?｛ｖ卜Ｗ２，．．．，Ｍ，超邊集為ｅ?其中＝??＝?｛＇（；，，?....

圖３．２：基于標簽傳播的缺陷定位方法整體框架??

也即鄰居的標簽，源文件在傳播過程中也會逐漸攜帶鄰居節(jié)點的標??簽，即調(diào)用文件的標簽等，這樣在迭代預測過程中可以提高被調(diào)用文件的比重。??圖３．２說明了缺陷定位方法ＧＢＬｏｃａｔｏｒ的整體框架。??／?Ｉｎｐ＾ｔ?廣?Ｇｒａｐｈ?Ｃｏｎｓｔｒｕｃｔｉｏｎ?＾??［Ｎｓｗｂｕ〇］?｜....

本文編號：3979187