预览加载失败,请重新加载试试~

基于度量元的軟件缺陷預測技術.pdf_第1頁
已閱讀1頁,還剩121頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、基于度量元的軟件缺陷預測是利用軟件模塊的各種特征(如代碼長度、代碼變化等)構造模型,用于預測新的軟件模塊的缺陷相關信息。最為常見的預測目標包括預測軟件模塊是否含有缺陷,以及預測軟件模塊含有缺陷的個數。模型預測的軟件模塊的缺陷相關信息不但能反映軟件模塊的質量,還能用于指導測試資源的分配。比如,通過預測新的軟件模塊是否含有缺陷,我們可以只對含有缺陷的軟件模塊進行測試,從而節(jié)省檢測正確軟件模塊的資源。根據軟件缺陷預測的目標,目前基于度量元的軟

2、件缺陷預測技術大致分為兩類:分類任務的軟件缺陷預測技術和排序任務的軟件缺陷預測技術。本文根據兩類軟件缺陷預測技術的不同研究現狀,分別對它們進行研究。
  分類任務的軟件缺陷預測的目的是預測軟件模塊是否含有缺陷,從而引導軟件開發(fā)人員對含有缺陷的軟件模塊進行檢測。分類任務的軟件缺陷預測模型不但要求較高的缺陷模塊檢測率,并且要求較低的資源浪費率(錯誤預測正確模塊所引起的資源浪費率)。而這二者往往是沖突的。并且,不同的應用對缺陷模塊的檢測

3、率、能允許的資源浪費率的要求并不相同。當前的研究往往以二者的折中為目標構造預測模型,這樣構造的模型不一定滿足實際應用對二者的具體要求。于是,本文提出將缺陷模塊檢測率以及模型引起的資源浪費率看成兩個目標,并使用多目標方法Non-dominated Sorting Genetic Algorithm(NSGA)-Ⅱ結合代價敏感支持向量方法,同時優(yōu)化這兩個目標,構造一組缺陷模塊檢測率不同且相應的資源浪費率較低的模型。實驗證明,這樣的方法不但能

4、構造出多樣性的模型以滿足不同應用的不同要求,并且當缺陷模塊檢測率以及資源浪費率的折中一定時,這種方法也能構造出比單目標學習方法更好的模型。
  排序任務的軟件缺陷預測模型適用于測試資源未知的情況——測試資源少時,只對含缺陷個數很多的軟件模塊進行測試;當測試資源多時,含缺陷個數較少的軟件模塊也能得到測試。對于此類軟件缺陷預測模型而言,精準地預測軟件模塊所含的缺陷個數是不必要的,在數據質量不高的情況很難做到。換句話說,排序任務的軟件缺

5、陷預測關注的是模型給出的模塊排序。然而,目前排序任務的軟件缺陷預測模型的主要構造算法是回歸或者分類算法,由最小二乘法或者最大似然法得到,以擬合度為目標。這樣構造排序任務的軟件缺陷預測模型存在的問題是,擬合度好的模型給出的模塊排序不一定好。因此,本文提出排序學習算法,即通過直接優(yōu)化軟件缺陷預測模型的排序性能來構造模型。實驗結果表明,與最小二乘法、最大似然法相比,直接優(yōu)化模型的排序性能得到的預測模型能給出更好的模塊排序,特別是在軟件度量元個

6、數較多的情況。并且,與現有方法的比較進一步證明了排序學習算法在構造排序任務的軟件缺陷預測模型的優(yōu)勢。
  軟件缺陷預測主要包括兩個部分:數據和建模。軟件缺陷預測的數據是根據軟件特征(即軟件度量元)進行收集,所以數據的質量由度量元決定。隨著軟件的發(fā)展,越來越多的度量元被引進。這些度量元的建模有效性也受到了關注。現有的針對排序任務的軟件缺陷預測進行的度量元分析方法主要有兩種——不同類別度量元的對比分析以及相關系數分析。不同類別的度量元

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論