基于混合神经网络的Android软件缺陷精准预测研究

针对Android软件缺陷无法精准预测的问题,提出了基于混合神经网络的Android软件缺陷精准预测方法。通过混合神经网络采集及训练缺陷样本,获取训练结果最优解。构建混合神经网络模型,标记缺陷软件。采取信息增益方法获取关键指令集,避免出现数据集合的维度灾难,设计Android软件缺陷预测流程进行软件缺陷预测。由实验结果可知,该方法预测精度均高于75%,有效保障Android软件应用安全。     

基于分类算法的软件缺陷原因分析

软件缺陷预防是软件质量保证的重要手段,而软件缺陷原因分析又是软件缺陷预防的核心任务。针对当前的缺陷原因分析方法对大型项目缺陷数据无法快速、深入地定位软件缺陷原因的问题,提出了一种基于机器学习分类算法的缺陷原因分析方法。通过对当前两种原因分析方法的比较,建立改进的缺陷量化方法;然后比较主流的分类算法,应用算法对量化数据分类。实验结果表明,该方法有较好的实用效果,同时极大的减少了分析代价。     

软件缺陷数据处理研究综述

软件缺陷数据是软件质量分析和改进的重要基础数据之一.如何在分析缺陷数据前对缺陷数据进行有效的预处理,如何根据缺陷特征对缺陷数据进行合理分类,如何对缺陷数据进行挖掘以及统计分析,是软件缺陷研究领域面临的问题.详细介绍了缺陷数据预处理、缺陷分类以及缺陷数据挖掘分析3个方面的研究内容、方法和技术,并对这些方法进行了比较和分析,最后提出了几个软件缺陷数据处理研究领域需要进一步研究的问题.     

基于缺陷报告分析的软件缺陷定位方法

在软件开发过程中,软件缺陷是不可避免的。在缺陷跟踪系统中,一个重要的问题是如何根据用户所提交的缺陷报告,进行缺陷的自动定位。本文在综合考虑缺陷报告与源代码文件结构相似性的基础上,进一步分析已修复缺陷报告、缺陷报告中的异常堆栈(StackTrace)信息对软件缺陷定位的作用,从而提高定位的精度。在Eclipse、AspectJ和SWT开源项目数据程序集上进行相关实验,并与Buglocator、BRTracer和BLUiR缺陷定位方法进行了比较分析,实验结果表明,本文方法能显著提高软件缺陷定位的精度。     

软件缺陷报告严重性属性分析

软件缺陷报告的严重性对缺陷的解决具有关键作用。随着软件规模的不断扩大,使用开源的软件缺陷跟踪系统成为海量缺陷信息数据的主要处理方法。分析缺陷报告严重性在数据仓库中的作用,是处理软件缺陷的重要内容。通过对Bugzilla缺陷跟踪系统数据的研究和分析,发现不同项目的属性特征差异较大,同时在修复率、解决时长、开发者、组件等属性上的统计特征具有一致性。对Mozilla项目和Eclipse项目的数据进行系统分析,并根据不同组件和项目中严重性程度分布情况,认为软件缺陷报告严重性程度的提升会导致缺陷修复率的提高,同时严重性程度为normal级别的缺陷解决时长最短,开发者持有缺陷的数量越高其修复率越低。     

基于指针神经网络的细粒度缺陷定位

软件缺陷定位是指找出与软件失效相关的程序元素. 当前的缺陷定位技术仅能产生函数级或语句级的定位结果. 这种粗粒度的定位结果会影响人工调试程序和软件缺陷自动修复的效率和效果. 专注于细粒度地识别导致软件缺陷的具体代码令牌, 为代码令牌建立抽象语法树路径, 提出基于指针神经网络的细粒度缺陷定位模型来预测出具体的缺陷代码令牌和修复该令牌的具体操作行为. 开源项目中的大量缺陷补丁数据集包含大量可供训练的数据, 且基于抽象语法树构建的路径可以有效捕获程序结构信息. 实验结果表明所训练出的模型能够准确预测缺陷代码令牌并显著优于基于统计的与基于机器学习的基线方法. 另外, 为了验证细粒度的缺陷定位结果可以贡献于缺陷自动修复, 基于细粒度的缺陷定位结果设计两种程序修复流程, 即代码补全工具去预测正确令牌的方法和启发式规则寻找合适代码修复元素的方法, 结果表明两种方法都能有效解决软件缺陷自动修复中的过拟合问题.     

基于变分自编码器的异构缺陷预测特征表示方法

跨项目软件缺陷预测技术可以利用现有的已标注缺陷数据集对新的无标记项目进行预测,但需要两者之间具有相同的度量集合,难以用于实际开发.异构缺陷预测技术可以在具有异构度量集合的项目间进行缺陷预测,该技术引起了大量研究人员的关注.现有的异构缺陷预测技术利用朴素的或者传统机器学习方法为源项目和目标项目学习特征表示,所学习到的特征表示能力很弱且缺陷预测性能很差.鉴于深度神经网络强大的特征抽取和表示能力,本文基于变分自编码器技术提出了一种面向异构缺陷预测的特征表示方法.该模型结合了变分自编码器和最大均值差异距离,能有效地学习源项目和目标项目的共性特征表示,基于该特征表示可以训练出有效的缺陷预测模型.在多组缺陷数据集上通过与传统跨项目缺陷预测方法及异构缺陷预测方法实验对比验证了所提方法的有效性.     

重复软件缺陷报告检测方法综述

软件缺陷在软件的开发和维护过程中是不可避免的,软件缺陷报告是软件维护过程中重要的缺陷描述文档,高质量的软件缺陷报告可以有效提高软件缺陷修复的效率.然而,由于存在许多开发人员、测试人员和用户与缺陷跟踪系统交互并提交软件缺陷报告,同一个软件缺陷可能被不同的人员报告,导致了大量重复的软件缺陷报告.重复的软件缺陷报告势必加重人工检测重复缺陷报告的工作量,并造成人力物力的浪费,降低了软件缺陷修复的效率.以系统文献调研的方式,对近年来国内外学者在重复软件缺陷报告检测领域的研究工作进行了系统的分析.主要从研究方法、数据集的选取、性能评价等方面具体分析总结,并提出该领域在后续研究中存在的问题、挑战以及建议.     

基于CMM和ASP．NET的软件缺陷跟踪系统

软件测试是软件能力成熟度模型CMMII的KPA(关键过程区域)软件质量保证的关键实践,缺陷跟踪管理是测试工作的一个重要部分。为了集中管理软件测试过程中发现的软件缺陷,确保每个被发现的缺陷都能够及时得到处理,按照CMMII对缺陷跟踪的描述,文中利用ASP.NET技术设计了一个三层网络架构的软件缺陷跟踪系统。该系统实现了缺陷跟踪的流程,对缺陷状态变化进行控制,提供及时的问题报告,通知并定位到相应的人员,并具有统计分析、查询、权限管理等功能,从而帮助软件企业提高软件质量水平。     

航空机载软件缺陷分类方法研究及应用

分析现有软件缺陷分类方法,针对现有缺陷分类方法不能完全适用于航空机载软件缺陷管理的问题,结合机载软件研制阶段和特点,以现有软件缺陷分类方法为基础,综合考虑缺陷度量分析的要求,提出一种符合航空机载软件研制特点的缺陷分类方法,并给出了“缺陷类别”详细的分类.将其应用于实际软件研制过程中,应用结果表明,该方法满足机载软件缺陷分类原则.     

软件缺陷模式的研究

软件缺陷是导致软件不可靠的根本原因,提高软件可靠性的关键在于减少软件缺陷,那么如何利用积累的缺陷数据提高软件可靠性?结合软件缺陷和模式的概念提出了软件缺陷模式的定义。通过分析积累的软件缺陷数据对缺陷模式的所属分类进行了划分,在此基础上进一步给出了软件需求分析、设计和编码各阶段的软件缺陷模式。最后阐述了在软件开发过程和测试过程中缺陷模式的应用,为如何利用缺陷数据来提高软件可靠性提供了思路。     

面向缺陷分析的软件库挖掘方法综述

缺陷分析是软件工程领域内一个重要的课题,软件开发过程中的历史信息（缺陷记录、各个版本的源代码等）为缺陷分析这一课题提供了很有价值的经验数据。如何有效地利用这些数据进行缺陷分析,是软件库挖掘研究所面临的挑战。本文从统计方法和程序分析方法两个主要方面介绍了软件开发的历史信息是如何被用来进行缺陷分析的。     

基于软件度量的Solidity智能合约缺陷预测方法

随着区块链技术的兴起,智能合约安全问题被越来越多的研究者和企业重视,目前已有一些针对智能合约缺陷检测技术的研究.软件缺陷预测技术是软件缺陷检测技术的有效补充,能够优化测试资源分配,提高软件测试效率.然而,目前还没有针对智能合约的软件缺陷预测研究.针对这一问题,提出了面向Solidity智能合约的缺陷预测方法.首先,设计了一组针对Solidity智能合约特有的变量、函数、结构和Solidity语言特性的度量元集(smart contract-Solidity, SC-Sol度量元集),并将其与重点考虑面向对象特征的度量元集(code complexity and features of object-oriented program, COOP度量元集)组合为COOP-SC-Sol度量元集.然后,从Solidity智能合约代码中提取相关度量元信息,并结合缺陷检测结果,构建Solidity智能合约缺陷数据集.在此基础上,应用了7种回归模型和6种分类模型进行Solidity智能合约的缺陷预测,以验证不同度量元集和不同模型在缺陷数量和倾向性预测上的性能差异.实验结果表明,相对于COOP度量元集...     

软件缺陷数据的定义

提出系统的方法来指导软件缺陷数据的定义。根据软件缺陷管理的一般目标和过程提出软件缺陷数据定义的准则和缺陷管理工具应具有的特性,并举例说明了缺陷数据定义的方法。完整地提出了软件缺陷数据定义的方法。正确的缺陷数据定义方法对于软件缺陷管理具有非常重要的意义。     

A defect prediction method for software versioning

New methodologies and tools have gradually made the life cycle for software development more human-independent. Much of the research in this field focuses on defect reduction, defect identification and defect prediction. Defect prediction is a relatively new research area that involves using various methods from artificial intelligence to data mining. Identifying and locating defects in software projects is a difficult task. Measuring software in a continuous and disciplined manner provides many advantages such as the accurate estimation of project costs and schedules as well as improving product and process qualities. This study aims to propose a model to predict the number of defects in the new version of a software product with respect to the previous stable version. The new version may contain changes related to a new feature or a modification in the algorithm or bug fixes. Our proposed model aims to predict the new defects introduced into the new version by analyzing the types of changes in an objective and formal manner as well as considering the lines of code (LOC) change. Defect predictors are helpful tools for both project managers and developers. Accurate predictors may help reducing test times and guide developers towards implementing higher quality codes. Our proposed model can aid software engineers in determining the stability of software before it goes on production. Furthermore, such a model may provide useful insight for understanding the effects of a feature, bug fix or change in the process of defect detection.

基于级联卷积神经网络的复杂花色布匹瑕疵检测算法

当布匹的背景信息复杂多变时,复杂花色布匹的瑕疵定位与分类较为困难.针对这一问题,文中提出基于级联卷积神经网络的复杂花色布匹瑕疵检测算法.首先,使用双路残差的骨干特征提取网络,在缺陷图和模板图上提取并融合特征.然后,设计密度聚类边框生产器,指导框架中区域候选网络的预检测框设计.最后,通过级联回归方法完成瑕疵的精确定位和分类.采用工业现场采集的布匹图像数据进行训练与预测,结果表明,文中算法的精准率和召回率较高.     

Stack Overflow的缺陷代码特征分析与相似缺陷检测

目前在软件代码缺陷审查以及缺陷预测中,研究人员对源代码进行分析研究却忽略了代码的缺陷信息.本文通过对缺陷信息进行分析,发现缺陷信息对于相似缺陷的检测有着重要的参考价值.基于这一思想,本文分析软件缺陷社区Stack Overflow中关于缺陷代码的信息,提出一种基于缺陷代码特征分析的相似缺陷检测方法.该方法首先对缺陷报告进行LDA主题分析并将缺陷报告分类到不同的主题(类别)中,统计得到高频缺陷类别;其次对于高频缺陷类别的缺陷代码提取特征;最后根据缺陷代码特征构建相似缺陷检测模型.为了验证相似缺陷检测模型的有效性,针对数据操作缺陷数据构建诊断模型并对该模型进行实证,实验结果表明该方法对检测其他代码中相似缺陷有较好的效果.     

基于电力大数据的变电主设备缺陷演化规律红外成像分析方法

针对目标区域与背景区域混杂,变电主设备缺陷缺陷演化规律不明的问题,提出了基于电力大数据的变电主设备缺陷演化规律红外成像分析方法。应用红外成像技术采集变电主设备红外图像后,使用Otsu算法分割变电主设备红外图像内目标区域和背景区域;以分割后的变电主设备红外图像和电力大数据作为输入,通过混合深度学习神经网络模型输出变电主设备缺陷检测结果;将变电主设备缺陷检测结果输入到RFPA2D软件内,分析变电主设备缺陷检测结果基元破裂情况,得到变电主设备缺陷演化规律分析结果。实验结果表明：该方法采集变电主设备图像与其实际图像吻合度较高;分割变电主设备红外图像目标区域与背景区域时,受对比度影响较小;可有效检测变电主设备缺陷类型和分析其缺陷演化规律。     

桥梁水下结构缺陷的图像分割与特征提取算法

针对传统的桥梁水下结构缺陷检测方法的弊端,在深入分析缺陷图像像素特征的基础上,提出一种新的基于大津法和最大互信息量相结合的图像分割算法。依据轮廓跟踪原理,计算出桥梁水下结构破损区域的面积、周长等参数。在Visual C++ 6.0开发环境中进行了算法的实现。实验结果表明,该算法在提取图像破损边缘的同时有效地滤除了噪声,精确地计算出破损区域的几何参数,为桥梁水下结构缺陷的定量化识别提供了一种有效的手段。