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.     

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。     

文件和包层次的软件缺陷预测

软件缺陷预测中使用哪些软件度量和如何使用度量进行预测目前还没有定论。该文提出基于度量组合的方法来分析各种度量在缺陷预测中的作用,并用试验的方法证明了在缺陷预测中使用有限的度量可以达到与使用所有度量相近的预测效果。提出的度量组合方法具有通用性,能为缺陷预测过程提供有效的度量选择方法,并提高了预测结果的可解释性。     

基于 PN 学习的软件模块缺陷预测模型研究

PN学习作为一种新型的二元分类器,对结构化的无标签数据有较好的分类性能.软件模块缺陷预测中对无标签样本数据的分类直接影响着预测结果的准确性和可靠性.提出了基于PN学习方法的软件模块缺陷预测模型,结合灰色关联分析方法对实验样本进行降维处理从而提高模型的运算速度.通过实验和分析,证明了本方法的有效性.     

企业软件过程度量实践

研究了软件过程度量的意义、度量数据的分类,提出了通过划分度量元素的范畴对度量数据进行分类的方法,阐述了度量元素的确定、评审方法和度量元素的数据来源,描述了度量数据库的构建和管理、度量数据的分析、使用方法和改进目标,并对度量给企业带来的损益进行了权衡分析。提供了一套在企业可行的软件过程度量的框架性工作实践,以及通过度量对软件过程进行监控的实例。试图为正在实施软件能力成熟度模型(CMM)有关级别认证的企业或组织提供关于软件过程度量方面的实践经验,满足部分软件组织对软件过程度量经验的需求。     

基于神经网络的超声无损检测缺陷定征方法的研究

针对超声无损检测中缺陷分类难、分类结果可靠性差等问题，给出了一种以神经网络为基础的缺陷特征分类方法。利用Ｆｉｓｈｅｒ线性判别方法对表征缺陷特征的时域信号的波形参数进行了选择，并将这些参数作为神经网络的输入矢量对网络进行训练，用该网络对缺陷特征进行了识别，结果表明：神经网络的识别率远大于传统的贝叶斯分类方法。     

以活动为中心的软件过程建模及其作用的研究

从分析以活动为中心的软件过程的特点以及活动之间的规则、关系和分类出发,抓住了过程活动的特点与度量活动的难点.通过实例研究将以活动为中心的软件过程模型特点应用到软件过程度量中,通过活动图抓住度量关键域,并分析了两种方法具体结合对企业实际项目开发过程中的过程度量与改进的意义,不仅简化了软件过程度量,同时避免了过程度量的盲目性.     

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.     

软件过程度量过程模型的研究

软件过程的度量是影响软件项目管理和过程管理的关键因素,是对软件项目和软件过程进行目标管理的基础.软件过程的度量也是一个过程,需要建立过程模型指导度量过程的实施.提出了1个软件过程度量过程的SPM-IDEAL模型,定义了模型各阶段的主要活动,讨论了度量数据的分类和度量元的选取,并讨论了过程数据库在软件过程度量中的重要作用.     

改进的Jelinski-Moranda软件可靠性增长模型

Je linsk i-M oranda(J-M)模型是基于失效间隔时间的较理论化的可靠性增长模型,用于软件系统测试阶段的可靠性度量。J-M模型存在的问题是假设条件理想化,实际应用环境难以满足,而且模型的失效间隔时间数据收集很困难,实用性差。该文提出一种改进的J-M可靠性增长模型,在J-M原模型基础上改进并引入更加合理的假设条件,改进后的模型基于缺陷计数,数据收集更容易。结合盐湖城奥运会信息系统软件测试数据对改进的模型进行检验,证明改进的模型预测有效性好,同时还保持了原模型的简单性。     

基于体系结构的软件可靠性测评研究

针对传统高可靠性软件测评方法存在的问题,在分析基于体系结构测评重要性的基础上提出了基于软件体系结构的可靠性测评方法.将软件可靠性增长测试和软件可靠性验证测试有机统一起来,从模块级对可靠性进行控制,并提供可靠性先验信息.该方法有利于实现软件可靠性快速增长,有效减少测试用例量.     

基于主动学习的跨项目软件缺陷预测方法

通过软件缺陷预测可以有效地提高软件测试效率,保证软件产品的质量。针对新开发的项目面临训练数据不足,标注代价高以及源项目与目标项目的缺陷模式难以匹配的问题,提出基于主动学习的跨项目软件缺陷预测方法。首先使用主动学习方法对目标项目进行筛选标注,其次将得到的标签集与跨项目数据进行数据融合和模式匹配,最后构建跨项目软件缺陷预测模型。采用真实的软件缺陷数据进行实验,与传统方法比较性能有所提升。结果表明该方法可以通过模式匹配有效提高跨项目软件缺陷预测模型的性能。     

可缓解类重叠问题的跨版本软件缺陷预测方法

针对软件缺陷预测过程中未充分使用源代码语义特征以及训练数据集中的类重叠问题, 提出一种面向类重叠的跨版本软件缺陷深度特征学习方法. 该方法采用混合式最近邻清理策略缓解深度学习语义特征中存在的类重叠问题. 在PROMISE公开数据集上进行测试的结果表明, 该策略能提升基于深度语义学习的软件缺陷预测性能, 分类性能最多在中值上提升14.8%. 实验结果表明, 在跨版本深度缺陷预测问题中可采用混合式最近邻清理策略缓解类重叠问题.     

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.     

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.      

电荷俘获存储器界面缺陷生长模型及其可靠性模拟

建立界面缺陷态密度随时间变化的模型。对电荷俘获存储器在不同应力条件下的可靠性进行模拟, 为正常工作情形下, 电荷俘获存储器内界面缺陷的生长机制以及不同应力条件下器件性能的退化提供预测工具。     

软件可靠性及其模型

描述了软件可靠性的总况 ,并对具有代表性的Halstead模型、Jelinski Moranda模型、Littlewood Verrall模型、Cai模糊增长模型、Geol OkumotoNHPP模型以及超几何模型作了总体性论述 最后给出了软件可靠性面临的主要问题     

Empirical measurement of the software testing and reliability

The meanings of parameters of software reliability models are investigated in terms of the process of the software testing and in terms of other measurements of software. Based on the investigation, the empirical estimation of the parameters is addressed. On one hand, these empirical estimates are also measurements of the software, which can beused to control and to optimize the process of the software development. On the other hand, by treating these empirical estimates as Bayes priors, software reliability models are ex-tended such that the engineers‘ experience can be integrated into and hence to improve the models.