基于DA_SVM的软件缺陷预测模型_甘露2
需积分: 0 50 浏览量
2022-08-03
16:42:32
上传
评论
收藏 591KB PDF 举报
计 算 机 与 现 代 化
2017
年第
2
期
JISUANJI YU XIANDAIHUA
总第
258
期
文章编号
： 1006-2475（ 2017） 02-0036-04
收稿日期
： 2016-06-08
作者简介
：
甘露
（ 1991-） ，
女
，
安徽宁国人
，
南京航空航天大学计算机科学与技术学院硕士研究生
，
研究方向
：
软件测试
；
臧洌
（ 1964-） ，
女
，
副教授
，
硕士
，
研究方向
：
网络安全及软件可靠性
；
李航
（ 1992-） ，
男
，
硕士研究生
，
研究方向
：
机器学习
。
基于
DA-SVM
的软件缺陷预测模型
甘 露
，
臧 洌
，
李 航
（
南京航空航天大学计算机科学与技术学院
，
江苏 南京
210016）
摘要
：
特征提取是软件缺陷预测技术研究中的重要环节
，
而现有的特征提取方法无法准确获得特征之间的非线性依赖关
系
，
因而无法提高软件缺陷预测的准确性
。
针对该问题
，
本文构建基于降噪编码器和支持向量机的软件缺陷预测模型
（ Denoising Autoencoder Support Vector Machine，DA-SVM） 。
首先利用降噪编码器进行特征提取
，
然后将提取的特征作为
支持向量机的输入向量
，
最后再进行软件缺陷预测
。
实验结果表明
，DA-SVM
提高了软件缺陷预测的准确度
，
同时降低
了历史数据中的噪声
，
增强了软件预测模型的鲁棒性
。
关键词
：
特征提取
；
软件缺陷预测
；
降噪自动编码器
；
支持向量机
中图分类号
： TP311
文献标识码
： A doi： 10． 3969 /j． issn． 1006-2475． 2017． 02． 007
Software Defect Prediction Model Based on DA-SVM
GAN Lu，ZANG Lie，LI Hang
（ College of Computer Science and Technology，Nanjing University of Aeronautics and Astronautics，Nanjing 210016，China）
Abstract： Feature extraction is an important step in software defect prediction technology research． However，the existing feature
extraction cannot accurately obtain the nonlinear dependence relations among features，thus these methods are unable to improve
the accuracy of software defect prediction model． In this paper，to solve this question we propose a software defect prediction mod-
el （ Denoising Autoencoder Support Vector Machine，DA-SVM） which is based on denoising autoencoder and Support Vector Ma-
chine． Firstly，the model extracts features by using denoising autoencoder，secondly uses these features as input of support vector
machine，lastly，uses this model to predict bugs． Experimental results show that DA-SVM not only improves the accuracy of soft-
ware defect prediction model，but also reduces the noise of history data and enhances the robustness of the software defect predic-
tion model．
Key words： feature extraction； software defect prediction； denoising autoencoder； support vector machine
0
引 言
近
30
年来
，
软件缺陷预测
［1］
一直是软件测试领
域中重要的研究课题
。
在软件开发周期中
，
利用软件
缺陷预测技术预测当前开发模块的缺陷情况
，
从而决
定是否可以进入下一阶段的开发
。
软件缺陷预测技
术不仅可以调节软件的开发过程
，
在测试阶段还可以
将有限的资源集中在缺陷较多的模块
，
合理利用资
源
，
提高软件的安全性能
，
因此
，
软件缺陷预测技术的
研究具有深远意义
。
软件属性对于构建软件缺陷预测模型起着重要
的作用
。
软件缺陷模型的性能和有效性取决于软件
模块的特征属性
，
利用这些特征属性可以快速有效地
对软件模块进行预测
。
用来描述软件的属性有很多
，
由于某些属性不包含重要的信息或存在不相关的冗
余信息
，
从而会影响软件缺陷预测模型的准确性
。
如
果属性选择不当
，
构建的缺陷预测模型的预测性能则
会降低
。
因此
，
为了提高缺陷预测模型的效率和性
能
，
采用合适的特征选择
［2-3］
算法对于构建软件缺陷
预测模型尤为重要
。
1
相关工作
软件缺陷预测技术是对历史缺陷数据进行一系
列的数据预处理和特征提取
，
然后将提取的特征通过
特定的算法进行训练
，
最后得到缺陷预测模型
，
并对
软件进行缺陷预测
。
在这个过程中
，
由于各种混合组
评论0