面向無標(biāo)簽數(shù)據(jù)的軟件缺陷預(yù)測(cè)研究.pdf

1、軟件缺陷是指軟件產(chǎn)品未滿足與預(yù)期需求有關(guān)的功能。軟件存在缺陷會(huì)降低軟件的可靠性，降低軟件的質(zhì)量。軟件缺陷預(yù)測(cè)能夠提高軟件開發(fā)和測(cè)試的效率，保障軟件質(zhì)量。研究者根據(jù)軟件源代碼度量元對(duì)軟件進(jìn)行缺陷預(yù)測(cè)，提出了針對(duì)無標(biāo)簽數(shù)據(jù)集的無監(jiān)督缺陷預(yù)測(cè)方法和跨項(xiàng)目缺陷預(yù)測(cè)方法，并且取得了較好的效果。這兩種方法因其不需要待預(yù)測(cè)項(xiàng)目標(biāo)簽數(shù)據(jù)的特點(diǎn)而能夠快速應(yīng)用于新開發(fā)的項(xiàng)目。但是CLA(Clustering and LAbeling)無監(jiān)督方法忽略度量元值

2、與閾值的差值的影響。跨項(xiàng)目缺陷預(yù)測(cè)方法在計(jì)算項(xiàng)目分布相似度時(shí)沒有使用標(biāo)簽數(shù)據(jù)。
　　本文提出PCLA(Probabilistic Clusteringand LAbeling)無監(jiān)督缺陷預(yù)測(cè)方法和提出基于PCLA的跨項(xiàng)目缺陷預(yù)測(cè)方法。主要工作內(nèi)容如下：
　　1)提出PCLA無監(jiān)督缺陷預(yù)測(cè)方法，將度量元值與閾值的差值映射為概率，使用概率評(píng)估類存在缺陷的可能性，再通過聚類和標(biāo)記來完成缺陷預(yù)測(cè)。
　　2)分析了PCLA方法中

3、度量元閾值的計(jì)算方法，Sigmoid函數(shù)傾斜度參數(shù)a及標(biāo)記臨界值計(jì)算參數(shù)O對(duì)方法預(yù)測(cè)性能的影響。
　　3)將PCLA方法與CLA方法比較。實(shí)驗(yàn)在NetGen和Relink兩組數(shù)據(jù)集共7個(gè)軟件項(xiàng)目上進(jìn)行，結(jié)果表明PCLA方法在查全率、查準(zhǔn)率、F-measure上相對(duì)CLA方法分別平均提升4.58％，2.56%，3.25%。
　　4)研究不同模型在跨項(xiàng)目缺陷預(yù)測(cè)方法上的預(yù)測(cè)效果。選擇10個(gè)預(yù)測(cè)模型，對(duì)比它們?cè)?5個(gè)項(xiàng)目共50個(gè)版

4、本的數(shù)據(jù)集上進(jìn)行跨項(xiàng)目缺陷預(yù)測(cè)的效果，結(jié)果表明SimpleLogistic預(yù)測(cè)模型的預(yù)測(cè)效果最佳。
　　5)提出基于PCLA的跨項(xiàng)目缺陷預(yù)測(cè)方法，通過PCLA方法標(biāo)記目標(biāo)項(xiàng)目，再計(jì)算可選源項(xiàng)目和目標(biāo)項(xiàng)目的分布相似度，最后使用選取的源項(xiàng)目訓(xùn)練缺陷預(yù)測(cè)模型并在目標(biāo)項(xiàng)目上進(jìn)行預(yù)測(cè)。
　　6)在基于PCLA的跨項(xiàng)目缺陷預(yù)測(cè)方法上，對(duì)比9種分布相似度計(jì)算策略的預(yù)測(cè)效果。使用標(biāo)簽數(shù)據(jù)的百分比計(jì)算分布相似度時(shí)，取得的預(yù)測(cè)效果最佳。對(duì)比基于