基于特征选择的软件缺陷预测方法

软件缺陷对软件功能的实现具有不可预知的危险,是软件产品的固有成分,提高软件的可靠性,关键在于降低软件缺陷出现的概率,而如何利用已有缺陷数据构建预测系统框架是研究的重点.针对传统软件测试技术虽然能够有效发现软件缺陷,但需要消耗大量的时间和精力,制约软件开发效率的缺点,提出基于特征选择的软件缺陷预测方法,算法对软件缺陷模型的经验数据集进行多特征选择,进而克服数据集之间的冗余性移除无关特征,得到缺陷模型的分类,最终实现软件缺陷的精确预测.实验表明,基于特征选择的软件缺陷预测方法具有较好的预测效果和较高的应用价值.     

基于Trackrecord的软件缺陷分析统计系统的设计

依据软件工程中的相关理论和实践经验，本文设计了一个基于Trackrecord的软件缺陷分析统计系统。长期以来。软件质量一直是人们关注的焦点．软件缺陷跟踪技术也因此成为保证软件质量的一个重要手段。文中主要提出软件缺陷度量应用模型的解决方案．结合理论和实践选取了对软件缺陷数据分析统计的方法。并研究了该系统的体系结构。最后．得到一个完整的系统设计方案。     

一种软件缺陷预测改进模型的研究

研究考虑缺陷移除失败的软件缺陷预测改进模型,以提高缺陷预测能力.分析了传统Rayleigh模型的不足,在考虑缺陷移除失败因素的基础上,建立缺陷预测改进模型,并使用经验值及最大似然法估计获得模型参数.实例验证表明,改进模型可以有效地提高软件缺陷预测值与实际值的拟合度.     

软件缺陷管理中分类及度量方法研究

本文以软件缺陷为研究对象,介绍了几种常用的、基于缺陷分类的缺陷分析方法,并对这些方法在缺陷分析过程中的应用进行了讨论。通过对这些缺陷分析方法的剖析,提出软件缺陷管理分类和度量分析方法,对不同类型软件缺陷进行收集、跟踪、处理和分析,在软件开发过程中,能够较好的预防引入同类缺陷;在软件测试阶段,利用设计好的缺陷分类方法,设计测试用例发现缺陷,提高软件系统的质量。     

软件缺陷管理与防范

本文研究了软件缺陷的产生原因,介绍了软件缺陷的分类及属性,详细地研究了对软件缺陷进行的管理方法和防范措施。通过这些方法和措施,可以大大提高软件质量。     

浅谈软件缺陷报告中的元素及其提取面临的挑战

阐述了软件使用者提交的软件缺陷报告对软件开发者的重要性，以及提取缺陷报告中含有软件缺陷信息的重要结构元素对研究软件缺陷和提高软件缺陷修复速度的重要作用，并分析了补丁、堆栈轨道、源代码、枚举等4种主要结构元素，以及在提取这些元素的过程中所面临的主要挑战。     

工作流技术在软件缺陷跟踪系统中的应用

研究了工作流技术在企业中的应用,并在此基础上将工作流引擎OSWorkflow应用到软件缺陷跟踪系统中,实现了缺陷跟踪中流程定义和流程调度的分离,从而使系统具备较高的可重用性与可维护性。     

对软件缺陷预防的分析研究

本文介绍了为什么要预防软件缺陷，并且详细阐述了软件缺陷预防的原则和步骤。     

基于ODC的软件缺陷度量研究及应用

利用软件缺陷度量技术对软件项目进行评估是现今软件企业常用的评估手段.探讨了软件缺陷的分类技术,给出了利用正交分类法进行软件缺陷度量的一般方法.在此基础上对一个实例系统的缺陷进行度量,实验结果说明了从缺陷数据可以较好的评估软件项目.     

可靠性增长模型和正交缺陷分类的结合及在过程定性分析中的应用

软件过程的度量和分析是近年来软件工程领域的重要研究方向。传统可靠性增长曲线模型可对软件过程进行预警,正交缺陷分类方法可对软件缺陷进行度量,但是两种方法都无法对软件过程提供直接的指导和定性的分析。提出将传统可靠性增长曲线模型结合正交缺陷分类属性缺陷类型,将不同种类的缺陷放在同一横坐标上进行比较,得出软件过程定性分析结论。     

基于根本原因分析的软件测试技术架构

针对传统基于需求的软件测试技术架构存在因需求质量导致漏测问题,提出了一种新的基于根本原因分析的软件测试技术架构,对基于需求的软件测试技术架构进行了优化和补充。利用该测试技术架构指导测试用例的设计和实现,可对软件缺陷进行划分,查找缺陷产生的原因和源头,从而对缺陷进行完整修复,克服由于软件需求自身的问题而导致的漏测现象,提高了发现软件缺陷的手段,保证了软件最终产品的质量。通过工程实际应用,证明了该测试技术架构的可行性和有效性。     

静态代码属性与软件模块缺陷数的偏相关分析

为了解决因选择不同的静态代码属性子集而带来的不同软件缺陷预测性能的分歧,采用偏相关分析法,分析了静态代码属性之间的相关性,以及该相关性对预测算法的影响.在Eclipse数据集(包括发布前与发布后的缺陷数据)上的实验结果表明,静态代码属性之间存在偏相关.同时,也证实了偏相关是软件质量分析的非常重要的因素,为建立软件缺陷预测模型提供了可靠的分析方法.     

基于SA-BP神经网络的软件缺陷预测模型的研究

探讨了传统BP神经网络的模型与结构,并针对BP神经网络容易陷入局部最优的缺陷,提出用模拟退火技术代替局部梯度下降法修正网络权值的SA-BP算法,用于构建SA-BP神经网络的软件缺陷预测模型,并通过实验证明了SA-BP神经网络模型应用于软件缺陷预测的有效性.     

基于数据集扩充的即时软件缺陷预测方法

即时软件缺陷预测针对项目开发与维护过程中的代码提交来预测是否会引入缺陷。在即时软件缺陷预测研究领域,模型训练依赖于高质量的数据集,然而已有的即时软件缺陷预测方法尚未研究数据集扩充方法对即时软件缺陷预测的影响。为提高即时软件缺陷预测的性能,提出一种基于数据集扩充的即时软件缺陷预测(prediction based on data augmentation,PDA)方法。PDA方法包括特征拼接、样本生成、样本过滤和采样处理4个部分。增强后的数据集样本数量充足、样本质量高且消除了类不平衡问题。将提出的PDA方法与最新的即时软件缺陷预测方法(JIT-Fine)作对比,结果表明：在JIT-Defects4J数据集上,F₁指标提升了18.33%;在LLTC4J数据集上,F₁指标仍有3.67%的提升,验证了PDA的泛化能力。消融实验证明了所提方法的性能提升主要来源于数据集扩充和筛选机制。     

基于线性LTSA算法维数约减的软件缺陷预测研究

软件缺陷预测是软件开发过程中的一项重要技术,针对软件缺陷数据集的高维、小采样造成预测精度下降的问题,采用线性局部切空间排列算法对数据集降维处理,选用支持向量机作为基础分类器进行二值分类,建立软件缺陷预测模型,采用二维混淆矩阵评价模型的预测精度.实验结果表明,与其他模型相比,该模型可用较少的邻域点约简至更低的维度,不需要重新学习样本空间的流行几何结构,直接映射新的样本点,且预测时间耗费成本由13. 726 9 s降低至6. 217 s,给定参数区间寻优时间耗费由267. 442 1 s降低至165. 98 s,有效提高了软件缺陷预测的效率.     

基于DTS的软件测试管理

通过对软件测试管理的必要性和组成结构的分析,提出了三层架构的支持多角色协同测试的网络解决方案,设计了基于ASP.NET的软件缺陷跟踪系统.该系统有助于软件开发及测试活动的组织、管理和评价,提高软件开发效率及其质量.     

基于深度文本摘要的开源软件缺陷挖掘研究

软件缺陷（Software Defeat/Bug）对于用户体验影响巨大，针对软件缺陷的快速定位与修复是软件工程领域一项重要研究内容。开源软件构建过程中会产生大量软件相关文本，为结合自然语言处理技术进行软件缺陷定位提供了可能。相关研究主要结合信息抽取工具对软件相关文本进行挖掘，对于文本相关的语义信息考虑较少。文章将预训练语言模型引入软件缺陷报告挖掘研究中以增强软件相关文本的语义理解，在分析开源软件文本特点基础上，提出一种基于预训练自然语言模型的深度文本摘要模型。在Summary DataSet(SDS)、Authorship DataSet(ADS)数据集上进行实验，结果表明本文提出的模型可达到约72%(ADS)准确率，与文本摘要常用基线模型相比有10%以上提升。     

基于缺陷分析与测试评审的软件可信性评价方法

该文提出一种软件缺陷分析与软件测试评审相结合的可信评价办法,用于在软件开发周期中量化评估软件可信性。本方法将软件可信性定位在正确性、可靠性、容错性、安全性、隐私性,以软件缺陷入手,评估软件的安全性、隐私性、容错性;以扩展软件测试入手,评估软件的正确性、可靠性;通过这5个素的评估,最终考量软件的可信性。通过这种方法,从以上5个维度对软件可信性进行量化评价,并发现设计初期引入的缺陷,提高了软件开发的质量和效率。     

稳健边界强化GMM-SMOTE软件缺陷检测方法

基于软件大数据的自动化缺陷检测模型已成为缺陷发现的重要工具.针对软件大数据中,被准确标定的缺陷样本稀少,且漏标、误标率高,导致现有机器学习数据平衡优化方法易使噪声加剧、分类边界模糊等问题,提出一种稳健边界强化GMM-SMOTE软件缺陷检测方法.该方法利用高斯混合聚类将软件集合划分为多簇,基于簇内类别比进行可靠样本筛选并且通过后验概率实现边界识别,用以指导完成加权数据平衡,最后利用平衡优化数据构建软件缺陷检测模型.在NASA多个公开数据集上的实验结果表明,GMM-SMOTE可实现噪声抑制、边界强化的数据平衡,有效提高了软件缺陷识别效果,实际应用价值大.      

基于LDA-BERT重复缺陷报告检测模型研究

为解决当前软件缺陷报告库中经常存在着大量重复缺陷报告被提交的问题,提出了一种基于LDA-BERT的重复缺陷报告检测模型模型.首先,将潜在狄利克雷分配模型(LDA,Latent Dirichlet Allocation)模型输出向量同BERT(Bidirectional Encoder Representations from Transformers)模型输出向量连接成新的模型向量,目的是融合主题模型LDA对于主题识别的优势和BERT模型识别上下文语义优势;然后,为了保证在检测的精度的同时,缩短检测时间,提出了二级特征向量再检测方法,通过二次抽取特征向量,以达到检测的精度与时间上的平衡的问题;最后,将大型开源项目缺陷报告库作为实验数据集,对所提出的模型方法与同类模型进行实验比对,实验结果表明本模型的召回率、精度在实验数据集的TOP-2000等指标上分别达到61.35%、47.34%.与同类模型相比该模型提高的百分比分别是4.3%和5.2%.实验结果表明,与已有的方法相比,提出的模型对于重复缺陷报告检测是有效果的.