軟件維護中的關鍵預測問題研究.pdf

1、軟件工程中的預測問題是軟件工程研究領域的熱點課題之一，近年來一直受到軟件工程研究者和軟件開發(fā)從業(yè)者們的廣泛關注，其基本思想在于利用軟件開發(fā)與演化過程中的歷史經驗和知識，預測軟件未來可能的狀態(tài)，達到有效的輔助軟件工程活動決策的目的，典型的應用場景包括軟件項目計劃、軟件測試、軟件質量保證、過程改進和管理、軟件維護與演化。
　　在軟件整個生命周期中，軟件維護是時間跨度最長的階段。此外，隨著軟件開發(fā)技術、開發(fā)模式的不斷變化，軟件需求和業(yè)務

2、復雜度不斷提升，軟件維護在軟件開發(fā)與演化過程中的重要性日益凸顯。鑒于此，本文擬解決軟件維護中的三個關鍵預測問題：軟件維護工作量預測、軟件變更預測和軟件缺陷預測。論文的具體工作內容和創(chuàng)新點如下：
　　(1)動靜結合的軟件維護工作量預測算法設計。針對軟件維護工作量預測中的現(xiàn)有問題：靜態(tài)預測方法并不適應于維護中的軟件項目，在維護的過程中軟件的所有基本構成要素都會變化而目前的靜態(tài)方法不能完全掌握這些變化對軟件維護工作量構成的影響，動態(tài)預測

3、方法依賴軟件演化數據，這對部分項目來講，其數據收集比較困難。本部分工作設計了一種動靜結合的預測方法，即RPBSC模型，該模型結合了靜態(tài)模型和動態(tài)模型的優(yōu)點，來彌補各自在實踐應用中的不足。
　　(2)軟件維護工作量預測實證研究。本部分工作展示了基于工作(1)中算法所開展的實證研究，主要包括三個部分，一是介紹了實證研究所采用的數據集，即選取了Apach下三個開源項目shindig、Lucene、以及openwebbeans為實驗對象；

4、二是介紹了實驗設計及評價標準，最后給出了實驗結果和分析，實驗結果表明本文提出的方法可以較精準的預測軟件維護工作量。
　　(3)自學習的軟件變更預測算法設計?，F(xiàn)有軟件變更預測方法依賴于歷史標簽數據集，無法對無歷史標簽數據集做出預測，針對該問題，本部分工作設計了一種自學習的軟件變更預測解決方案，該方案從度量元數據特點與軟件變更的關系出發(fā)，基于度量元值越大軟件類越復雜從而更可能發(fā)生改變的原則，選取部分樣本打上標簽，構建訓練空間，進而構建

5、自學習的變更預測算法。
　　(4)基于自學習的軟件變更預測實證研究。本部分工作展示了基于工作(3)中的自學習算法的實證研究，首先介紹了實驗中所采用的數據集和實驗環(huán)境，其次介紹了實驗所采用的評指標和對比方法，最后給出了實驗結果與分析。實驗結果表明，在14個開源項目的平均預測效果上，自學習方法的預測效果優(yōu)于四個現(xiàn)有預測方法；
　　(5)基于LDA的缺陷預測算法設計?，F(xiàn)有缺陷預測方法多基于軟件結構和設計度量元來組成特征空間，軟件源

6、代碼中的語義特征卻鮮有工作涉及。鑒于此，本文基于LDA主題模型提出了一種新的缺陷預測度量元，即主題缺陷密度，該度量元使得源代碼中的語義信息和缺陷主題產生關聯(lián)，通過軟件前一版本的主題缺陷密度，來預測當前版本的主題缺陷密度，進而能預測當前軟件版本的缺陷信息?；谠撍悸罚静糠止ぷ髟敿氄故玖巳绾位谠创a語義信息來構建缺陷預測模型。
　　(6)基于LDA的缺陷預測實證研究。本部分工作展示了基于工作(5)中提出的缺陷預測算法的實證研究，首

7、先介紹了實驗環(huán)境和實驗所采用數據集，其次展示了實驗總體過程以及實驗性能所采用的評估指標，最后給出了實驗結果與分析。結果表明，利用語義特征，采用版本間主題的關聯(lián)度來量化版本間的主題缺陷密度來預測缺陷是一種可行方案。通過對三個開源項目的實驗結果分析，發(fā)現(xiàn)本文方法的預測結果與真實的缺陷之間能達到較好的一致性。
　　本論文的工作針對軟件維護中的關鍵預測問題，從現(xiàn)有方法的局限性出發(fā)，改進了現(xiàn)有預測方法，提出了新的預測模型，提高了預測精度，為