软件缺陷预测技术研究

《软件缺陷预测技术研究》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、学号：22520104006论文密级：公开中图分类号：N945.17学科分类号：120.60学校代码：90005硕士学位论文软件缺陷预测技术研究论文作者：乔辉指导教师：周雁舟副研究员申请学位：工学硕士学科名称：系统工程研究方向：信息系统安全与可靠性论文提交日期：2013年04月15日论文答辩日期：2013年06月22日解放军信息工程大学密码工程学院二○一三年四月ADissertationSubmittedtoPLAInformationEngineeringUniversityfortheDegreeofMasterofEngineeringResearchonS

2、oftwareDefectPredictionTechniquesCandidate：HuiQiaoSupervisor：AssociateProf.ZhouYan-zhouApr.2013原创性声明本人声明所提交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表和撰写过的研究成果，也不包含为获得信息工程大学或其他教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并标示谢意。学位论文题目：软件缺陷预测技术研究学位论文作者签名：日期：

3、年月日作者指导教师签名：日期：年月日学位论文版权使用授权书本人完全了解信息工程大学有关保留、使用学位论文的规定。本人授权信息工程大学可以保留并向国家有关部门或机构送交论文的复印件和电子文档，允许论文被查阅和借阅；可以将学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存、汇编学位论文。（保密学位论文在解密后适用本授权书。）学位论文题目：软件缺陷预测技术研究学位论文作者签名：日期：年月日作者指导教师签名：日期：年月日保密级别：保密年限：年月至年月（保密委员会公章）摘要随着软件系统规模的日益增大及其逻辑复杂性的日益增强，软件中潜在的、

4、未被测试技术发现的缺陷势必影响软件的质量。通过对软件缺陷预测技术的研究，可以统计出系统中的缺陷数目和缺陷分布，这样可以帮助测试人员客观地评估软件可靠性，了解软件的质量状态以及确定软件是否达到了交付使用的标准。本文在对软件缺陷预测现状分析的基础上，研究并改进了现有的基于回归和分类方法相结合的软件缺陷预测框架，对应的分别从软件复杂性度量特征选择方法和缺陷预测模型构建两个方面进行了研究，主要工作及创新点如下：一、研究并改进了现有的软件缺陷预测框架。本文所用缺陷预测框架由前端、中端以及后端三部分组成。在框架的前端部分，使用特征选择方法来处理缺陷预测模型的输入数据集；在中端

5、部分研究采用机器学习算法来构建缺陷预测模型的方法；在后端部分主要进行了缺陷预测模型的评价和比较。二、对最小绝对值压缩与选择（LeastAbsoluteShrinkageandSelectionOperator，LASSO）方法进行研究，并将其运用于软件复杂性度量特征选择。首先研究了数据挖掘技术的相关理念和思想，将其应用到缺陷预测领域中来，对原始数据集进行初选去除了错误数据；之后在精简的数据子集上，采用LASSO方法对其进行优选搜索出对缺陷预测最具影响力的若干复杂性度量属性子集，去除了影响较差或者无影响的复杂性度量属性。三、研究并采用最小角回归算法（LeastAng

6、leRegression，LARS）和坐标下降算法（CoordinateDescent，CD）解决LASSO方法构建产生的相应非线性规划问题。仿真实验结果表明，LARS算法适用于低维缺陷数据空间，而CD算法适用于度量属性维数高于测试数据数目的高维缺陷数据空间。结合本文所用数据集的实际情况，最后选用LASSO-LARS方法选择的复杂性度量数据子集来构建缺陷预测模型。四、提出了基于自适应遗传算法（AdaptiveGeneticAlgorithm，AGA）优化的学习向量量化（LearningVectorQuantization，LVQ）神经网络的软件缺陷预测模型。利用A

7、GA算法的宏观搜索能力和全局寻优性能解决了LVQ神经网络对网络竞争层神经元初始权值敏感的问题；之后利用LVQ神经网络具备的分类性能、局部寻优能力和适合于实现模式识别领域的问题等优点成功构建了缺陷预测模型。结合复杂性度量特征选择方法选择出的输入数据子集，实现了软件缺陷预测。五、对本文所改进的软件缺陷预测框架利用MATLAB平台，结合美国国家航空航天局（NationalAeronauticsandSpaceAdministration，NASA）的相关公开数据集进行了实验仿真。仿真结果表明：与传统的特征选择方法在缺陷预测领域的应用相比，复杂性度量特征选择方法能够有效的

8、去除错误数