軟件質(zhì)量預(yù)測模型中的若干關(guān)鍵問題研究.pdf

1、隨著軟件產(chǎn)業(yè)的迅猛發(fā)展，軟件規(guī)模越來越大，開發(fā)過程也隨之越來越難以控制，而且軟件失效所帶來的損失也愈加嚴(yán)重，軟件質(zhì)量預(yù)測系統(tǒng)在這種情況下應(yīng)運(yùn)而生。這一系統(tǒng)致力于在軟件開發(fā)的早期發(fā)現(xiàn)有失效傾向的模塊，從而在后續(xù)的開發(fā)和系統(tǒng)測試中能夠優(yōu)化資源配置，以達(dá)到最大限度地降低軟件失效數(shù)量的目的。實(shí)踐證明，該系統(tǒng)的應(yīng)用能夠有效地縮短軟件產(chǎn)品的開發(fā)周期，降低軟件維護(hù)成本并同時(shí)提高軟件的質(zhì)量。本文以朗訊科技光網(wǎng)絡(luò)有限公司的某三個(gè)大型商用軟件產(chǎn)品為基礎(chǔ)對軟

2、件質(zhì)量預(yù)測模型中的屬性選擇、分類器集成和規(guī)則抽取等問題進(jìn)行了重點(diǎn)研究。 本文首先提出了軟件質(zhì)量預(yù)測系統(tǒng)的框架，將軟件質(zhì)量預(yù)測系統(tǒng)劃分為三個(gè)部分：前端、核心和后端，并闡明了每個(gè)部分的主要任務(wù)。在系統(tǒng)的前端，主要進(jìn)行數(shù)據(jù)的預(yù)處理和屬性選擇。經(jīng)過數(shù)據(jù)預(yù)處理和屬性選擇以后的數(shù)據(jù)被劃分為訓(xùn)練集和測試集進(jìn)入系統(tǒng)的核心部分。在核心部分，根據(jù)選定的算法對軟件質(zhì)量預(yù)測模型進(jìn)行訓(xùn)練，并用測試集數(shù)據(jù)進(jìn)行測試。核心部分得到的結(jié)果包括訓(xùn)練好的模型描述和模

3、型在測試集上的預(yù)測結(jié)果。后端的主要任務(wù)則是對已有的模型描述進(jìn)行規(guī)則提取，并根據(jù)模型在測試集上的預(yù)測結(jié)果對其進(jìn)行比較和評估。 其次，在軟件質(zhì)量預(yù)測的前端，本文提出了一種基于遺傳算法的屬性選擇方法(CFGA)，它在同一個(gè)遺傳進(jìn)化過程中完成聚類和屬性選擇兩個(gè)動(dòng)作，以聚類的效果作為屬性選擇進(jìn)化的適應(yīng)度函數(shù)，可以通過調(diào)整參數(shù)來使聚類得到的簇變得緊密或者疏松。這一方法既可以適用于無經(jīng)驗(yàn)數(shù)據(jù)的情況，也適用于有經(jīng)驗(yàn)數(shù)據(jù)的情況。對于無經(jīng)驗(yàn)數(shù)據(jù)的情

4、況，聚類的結(jié)果將由軟件領(lǐng)域?qū)＜覀冞M(jìn)行進(jìn)一步的分析。而經(jīng)過聚類和屬性選擇后的數(shù)據(jù)集將會大大減少專家的工作量。對于有經(jīng)驗(yàn)數(shù)據(jù)的情況，聚類后得到的簇將會被分為三類：孤點(diǎn)簇、高純度簇和低純度簇。孤點(diǎn)簇中的樣本由于其特殊性將會由領(lǐng)域?qū)＜疫M(jìn)行專門分析；低純度簇可以由經(jīng)驗(yàn)數(shù)據(jù)訓(xùn)練的監(jiān)督學(xué)習(xí)模型進(jìn)行再分類從而得到較高的預(yù)測準(zhǔn)確率；而高純度簇可以本身就具有較高的預(yù)測準(zhǔn)確率。實(shí)驗(yàn)結(jié)果表明，與Sprint-Sliq、TreeDisc和S-PLUS這三種最新的

5、軟件質(zhì)量預(yù)測模型相比，CFGA具有更高的預(yù)測準(zhǔn)確率。 再次，本文在軟件質(zhì)量預(yù)測的核心部分，提出了一個(gè)基于Kohonen網(wǎng)絡(luò)的多分類器集成系統(tǒng)來提高分類器的預(yù)測準(zhǔn)確率。Kohonen網(wǎng)絡(luò)能夠模仿人腦決策的過程，通過對多個(gè)分量分類器的集成來得出最后的結(jié)論。這種分類器集成策略在三個(gè)不同產(chǎn)品數(shù)據(jù)集上的預(yù)測準(zhǔn)確率都高于加權(quán)投票策略、簡單投票策略和求和規(guī)則這三種目前常用的集成策略。同時(shí)，本文還在集成網(wǎng)絡(luò)中引入了動(dòng)態(tài)選擇機(jī)制，動(dòng)態(tài)選擇網(wǎng)絡(luò)的作

6、用是為每個(gè)分量分類器限定局部有效空間，使分量分類器作用在局部的有效空間上，即在全部的樣本空間中表現(xiàn)出差異性，而不是對所有的樣本都表現(xiàn)出共同性。從數(shù)據(jù)結(jié)果看，這種作用在分量分類器數(shù)量較大時(shí)，能夠明顯地提高預(yù)測準(zhǔn)確率，消除越界表決的情況。 最后，本文在軟件質(zhì)量預(yù)測系統(tǒng)的后端提出了一種基于遺傳算法的神經(jīng)網(wǎng)絡(luò)規(guī)則提取算法。這是一種分解型規(guī)則提取算法，它首先從訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中抽取出輸入層和隱層之間的權(quán)值和偏置，然后把隱層的激躍值用輸入單

7、元、權(quán)值和偏置表示，接下來在這些由隱層單元表示的數(shù)據(jù)集上應(yīng)用遺傳算法進(jìn)行聚類，最后從聚類中，得到IF-THEN形式的規(guī)則集。在遺傳算法的進(jìn)化過程中討論了兩種不同的進(jìn)化策略：以聚類結(jié)果為導(dǎo)向的進(jìn)化策略和以抽取規(guī)則質(zhì)量為導(dǎo)向的進(jìn)化策略。以聚類結(jié)果為導(dǎo)向的進(jìn)化策略定義的適應(yīng)度函數(shù)致力于表現(xiàn)聚類結(jié)果，并通過調(diào)整權(quán)值使簇的進(jìn)化朝著疏松或者緊密的方向發(fā)展。而以抽取規(guī)則質(zhì)量為導(dǎo)向的進(jìn)化策略適應(yīng)度函數(shù)的定義則直接反應(yīng)了規(guī)則的精度、可理解性和保真度，使進(jìn)