電子發燒友網>電子資料下載>電子論文>模擬數字論文>如何使用數據過采樣和集成學習進行軟件缺陷數目預測方法概述

如何使用數據過采樣和集成學習進行軟件缺陷數目預測方法概述

2474220 2018-12-27 | rar | 1.32 MB | 次下載 | 免費

資料介紹

　　預測軟件缺陷的數目有助于軟件測試人員更多地關注缺陷數量多的模塊，從而合理地分配有限的測試資源。針對軟件缺陷數據集不平衡的問題，提出了一種基于數據過采樣和集成學習的軟件缺陷數目預測方法——SMOTENDEL。首先，對原始軟件缺陷數據集進行n次過采樣，得到凡個平衡的數據集；然后基于這n個平衡的數據集利用回歸算法訓練出n個個體軟件缺陷數目預測模型；最后對這凡個個體模型進行結合得到一個組合軟件缺陷數目預測模型，利用該組合預測模型對新的軟件模塊的缺陷數目進行預測。實驗結果表明SMOTENDEL相比原始的預測方法在性能上有較大提升，當分別利用決策樹回歸（ DTR）、貝葉斯嶺回歸（BRR）和線性回歸（LR）作為個體預測模型時，提升率分別為7.68%、3.31%和3.38%。

　　軟件在如今社會發揮著舉足輕重的作用，復雜系統的可靠性高度依賴于軟件的可靠性。軟件缺陷是導致系統失效和崩潰的潛在根源，如果能對軟件缺陷進行預測，就能在造成危害前對軟件缺陷進行排查和修復，從而減少軟件崩潰所帶來的經濟損失。

　　伴隨著第一個軟件的誕生并延續至今，軟件缺陷預測技術已得到了長足的發展。已有很多研究提出了很多軟件缺陷預測方法。探索了傳統的機器學習模型和半監督學習在軟件缺陷預測中的應用，并在PROMISE數據集上進行測試，達到了工程的需求。比較了包括決策樹、貝葉斯、向量機、人工神經網絡等傳統機器學習模型在多機構數據集上的預測表現。