增加度量元的迁移学习跨项目软件缺陷预测_娄丰鹏1
需积分: 0 39 浏览量
2022-08-03
19:58:08
上传
评论
收藏 2.09MB PDF 举报
收稿日期
: 2017
－
08
－
12
修回日期
: 2017
－
12
－
28
网络出版时间
: 2018
－
03
－
07
基金项目
:
国家自然科学基金
( 61272273)
作者简介
:
娄丰鹏
( 1991
－
) ，
女
，
研究生
，
研究方向为信息安全
、
机器学习与数据挖掘
;
荆晓远
，
教授
，
博导
，
研究方向为模式识别
、
图像与信号处
理
、
信息安全
、
机器学习与数据挖掘
。
网络出版地址
: http: / / kns．cnki．net /kcms/detail /61．1450．TP．20180307． 1427．052．html
增加度量元的迁移学习跨项目软件缺陷预测
娄丰鹏
1
，
吴 迪
2
，
荆晓远
3
，
吴 飞
3
( 1．
南京邮电大学 计算机学院
，
江苏 南京
210003;
2．
武汉大学 计算机学院 软件工程国家 重点实验 室
，
湖北 武汉
430072;
3．
南京邮电大学 自动化学院
，
江苏 南京
210003)
摘 要
:
目前
，
结合机器学习方法和 软件 缺陷 预测技术自动地学习模型来发现软件中的缺陷
，
已经成为跨项目缺陷预测的
主要方法
。
由于源项目和目标项目之间的特征分布差异
，
跨项目相关性预测的表现通常较差
。
针对该问题
，
可以使用从
源项目中提取知识并 将其转移到目标项目的转移学习技术来提高预测性能
，
并提出了一种增加度量元的迁移学习方法进
行跨项目的软件缺陷预测
。
该方法首先使用分类 器对数据集进行一次项目内预测
，
并将预测结果作为新的度量元加入数
据集
。
然后采用迁移学习方 法将源项目中提取的知识转移至目标项目
，
并使用分类器预测目标项目
。
在
AEEEM
数据集
上的实验结果表明
，
该算法提高了跨项目软件缺陷预测效率
。
关键词
:
跨项目
;
机器学习
;
软件缺陷预测
;
迁移学习
;
分类器
中图分类号
: TP301．6
文献标识码
: A
文章编号
: 1673
－
629X( 2018) 07
－
0103
－
05
doi
: 10．3969/j．issn．1673
－
629X．2018．07．022
Cross
－
project Software Defect Prediction Based on Transfer
Learning with Metrics
LOU Feng
－
peng
1
，WU Di
2
，JING Xiao
－
yuan
3
，WU Fei
3
( 1．School of Computer，Nanjing University of Posts and Telecommunications，N anjing 210003，China;
2．State Key Laboratory of Software Engineering，School of Computer，Wuhan University，Wuhan 430072，China;
3．School of Automation，Nanjing University of Posts and Telecommunications，Nanjing 210003，China)
Abstract: The combination of machine learning method and software defect prediction technology to automatically learn the model to find
the software defects has become the main method of cross
－
project defect prediction in recent years．However，the performance of cross
－
project prediction is generally poor largely due to feature distribution differences between the source and target projects．In this cases，we
propose a method to add the prediction results as a metric to the original data set to form a new data set for cross
－
project software defect
predictio n．First，a classifier is used to predict the data set in a project，and the predicted result is added as a new metric to the data set．Sec-
ond，a transfer learning method is applied to transfer knowledge from original source project to target project，and a classifier is used to
predict target project，thus effectively improving the prediction accuracy． The experiment on AEEEM data set shows that the proposed
method significantly improves cross
－
project prediction performance．
Key words: cross
－
project; machine learning; software defect prediction; transfer learning; classifier
0
引 言
软件缺陷通常导致系统发生故障
，
进而造成财政
和金融损失
。
软件在正式发布之前
，
可以通过不同级
别的测试来检 验和删除这些缺陷
。
因此
，
软件缺陷预
测
是保证系统正 常运行的一个至关重要的步骤
。
在软件工程领域
，
软件缺陷预测已经成为一个重
大的研究课题
，
引起了很多学者的高度重视
［1
－
2］
。
近
年来
，
已经提出了许多有效的软件缺陷预测方法
［3
－
5］
。
这些方法是通 过从软件仓库中挖掘数据集
，
然后使用
机器学习分类 器预测一个学习模型
［6］
，
通过该模型可
以对软件缺陷 进行预测
［7］
。
近年来比较流 行的机器学
习分类器有很 多
，
如决策树
( decision tree，DT) 、
随机森
第
28
卷 第
7
期
2018
年
7
月
计算机技术与发展
COMPUTEＲ TECHNOLOGY AND DEVELOPMENT
Vol．28 No．7
July 2018
评论0