基于贝叶斯的软件错误定位方法

为提高基于程序切片和覆盖信息的传统错误定位技术的效率,提出一种基于程序动态切片和贝叶斯相结合的错误定位方法。针对程序执行轨迹计算动态切片,减少搜索空间;在切片后覆盖信息的基础上,利用贝叶斯公式计算相关语句的可疑度;根据语句可疑度降序排列语句,依次检查直到找出真正的错误语句。实验结果表明,该方法能够在一定程度上提高软件错误定位的效率与精度。     

结构化支持向量机研究综述

结构化支持向量机（Structural Support Vector Machine,SSVM）是支持向量机（Support Vector Machine,SVM）的变体算法,被广泛应用于多个领域。阐述了SSVM的发展过程,详细分析了SSVM各种具体实现算法的思想及表现上的优劣;并通过实验的对比讨论,发现了SSVM的各种具体实现算法在分类性能和分类效率上优于其他SVM算法,而在稳定性上则逊于后者;基于此,给出了SSVM的后续研究方向。     

一种基于粗糙集和模糊推理的生活方式病检查模型

为了实现从大量的医学数据中获取有效的知识并形成规则和做出正确的推理,提出了一种基于粗糙集和距离型模糊推理进行生活方式病检查的模型.采用改进的依赖度属性约简算法研究属性约简,去掉不必要属性,减小规则库规模,提高粗糙集知识发现方法在医疗健康数据上的分类效率和准确性.采用距离型模糊推理方法匹配知识库中已有规则,计算规则和给定事实的距离进行推理检查,构建距离型模糊推理的检查系统.通过实验数据描述了知识库的构建过程,并验证了模型的有效性.     

基于模式组合的粒子群优化测试用例生成方法

适应度函数的设计在基于搜索的测试用例生成技术中占据重要的位置,然而在某些特殊的程序中,如存在嵌套、非结构性跳转或因return,break等语句跳出循环的程序,已有的适应度函数无法评价到所有的分支.目前的方法是修改程序的源代码,以使每个分支得到评价.但修改源代码不但可能影响程序的原有结构、引入错误,而且很难实现自动化.针对这一问题,提出一种基于模式组合的粒子群优化测试用例生成方法.首先,将分支条件定义为"模式",即,一类具有相同特征且能提高适应度值的个体集合,并改变其分支函数的插桩方式,可解决分支条件不完全评价的问题;然后,设计一种新的交叉算子,寻找到所有使模式的分支函数值最小的个体,将这些个体中含有模式的部分通过交叉算子组合到一个个体上,既可防止模式在进化过程中被破坏,又可因多种模式的组合而提高个体的适应度值;最后,使用局部搜索策略对种群中的最优个体进行搜索,提高粒子群优化算法的局部搜索精度,进一步提高测试用例生成效率.为了评价该方法的有效性,基于一组基准程序和开源程序进行实验.实验结果表明:对于含有模式的程序,该测试用例生成方法与已有方法相比,在覆盖率和平均进化代数上均有明显优势.     

内存泄漏对象检测与度量方法

程序运行过程中一些不再被使用的对象未及时释放会引发内存泄漏问题,泄漏对象经过长期累积会降低系统性能,甚至导致系统崩溃。针对Java程序中的内存泄漏问题,提出了一种内存泄漏对象检测与度量方法。通过动态跟踪源程序的执行过程,周期性记录堆栈信息,并分析堆中可疑的泄漏对象。定义内存泄漏度计算方法,度量不同对象对程序泄漏的影响程度,从而确定产生泄漏的对象。最后选取两个开源程序进行验证,并与两种现有方法进行对比,结果表明该方法的泄漏检测率较高。     

基于分层数据筛选的跨项目缺陷预测方法

跨项目缺陷预测旨在解决传统的项目内缺陷预测的历史数据缺失,新项目初期缺乏训练数据等实际问题。然而,在跨项目缺陷预测中,不同项目之间以及实例之间的数据分布差异降低了其预测性能。针对这一问题,提出了基于分层数据筛选的跨项目缺陷预测方法。该方法将训练数据的筛选过程分为项目层筛选和实例层筛选,从源数据集中选出与目标项目数据分布最接近的候选项目集,在候选项目集中选出与目标项目中实例相似度较高的训练数据集,最后在训练数据集上训练朴素贝叶斯模型。在PROMISE数据集进行实验对比。结果表明,与项目内缺陷预测比较,提出的分层数据筛选方法优于项目内缺陷预测,并且有效降低了训练数据和目标项目数据之间的差异性。     

面向软件工程课程思政的教学探索

在传统教学中,高校思想政治教育主要通过思想政治课程来体现。近年来,在课程思政理念的影响下,高校专业课与思想政治课结合的教学模式备受关注,同时也对专业课教学提出了新的挑战。基于软件工程课程的教学经验,从课程的思政载体、教学设计和思政案例等角度进行了初步探索,对软件工程课程思政的实施起到了推进作用。     

基于正交搜索的粒子群优化测试用例生成方法

针对粒子群优化算法易出现早熟收敛的问题,本文提出一种基于正交搜索的粒子群优化测试用例生成方法.首先,利用奇异值分解来预测种群的进化方向,在其正交方向进行搜索,可避免已搜索过的区域,有助于跳出局部最优;然后,对粒子速度项进行改进,使其与正交方向保持一致,保证种群可持续受到正交方向的影响,有利于减少奇异值分解次数,降低时间消耗;最后,对每代最优个体进行局部搜索,以增强算法局部搜索能力.实验证明,本文方法在覆盖率、运行时间、进化代数等指标上均有优势.     

基于相似性度量的软件缺陷预测训练集推荐

在软件缺陷预测过程中，训练集质量是影响预测结果的关键因素。近几年，训练集选择也成为跨项目缺陷预测和跨版本缺陷预测等场景下的研究热点。然而，现有研究大多针对单一预测场景，可能会在一定程度上影响训练集质量。基于跨项目缺陷预测和跨版本缺陷预测两个场景，从数据分布角度提出一种基于相似性度量的训练集推荐（similarity-based training set recommendation,STSR）方法。采用聚类将候选源项目与目标项目划分为相同个数的簇，计算簇心之间的欧氏距离衡量数据集的相似度，对目标项目进行抽样，计算候选源项目与抽样目标项目缺陷率的差值，并计算干扰类比率，最终实现训练集推荐。在PROMISE数据集的11个项目共40个版本上进行实验验证，采用F1和AUC指标评价STSR方法的性能。实验结果表明，与跨版本缺陷预测相比，STSR方法的F1更优，在AUC指标上两者相当；在时间代价方面，STSR方法的最长推荐时间为5.09 s，是可接受的。