本發(fā)明涉及軟件質(zhì)量技術(shù)領(lǐng)域，尤其涉及一種軟件缺陷預(yù)測方法及裝置。

背景技術(shù)：

隨著信息技術(shù)的發(fā)展，軟件復(fù)雜程度不斷提高、軟件規(guī)模不斷增大，良好的軟件質(zhì)量控制和預(yù)測機(jī)制，不但可以幫助企業(yè)開發(fā)出高質(zhì)量的軟件產(chǎn)品，減少產(chǎn)品生產(chǎn)和維護(hù)成本，而且在提高客戶滿意度，建立良好的企業(yè)形象和增強(qiáng)企業(yè)在市場上的競爭力等方面都有著重要的意義。另外，軟件系統(tǒng)的質(zhì)量問題極有可能會(huì)導(dǎo)致嚴(yán)重后果。因此，軟件質(zhì)量越來越受重視，如何預(yù)測軟件質(zhì)量及提高軟件質(zhì)量成為當(dāng)今研究的熱點(diǎn)之一。

軟件缺陷預(yù)測是通過統(tǒng)計(jì)學(xué)方法對與軟件質(zhì)量有關(guān)的數(shù)據(jù)進(jìn)行處理從而對軟件模塊是否存在缺陷進(jìn)行估計(jì)，這樣就能在軟件開發(fā)的早期根據(jù)軟件的有關(guān)數(shù)據(jù)，對軟件的質(zhì)量進(jìn)行預(yù)測和控制，從而預(yù)測出軟件可能出現(xiàn)的質(zhì)量問題，進(jìn)而提高和控制軟件的質(zhì)量。傳統(tǒng)的軟件缺陷預(yù)測方法主要包括基于統(tǒng)計(jì)學(xué)方法的預(yù)測模型和基于神經(jīng)網(wǎng)絡(luò)的預(yù)測模型等。其中，神經(jīng)網(wǎng)絡(luò)由于其訓(xùn)練不需要完全知道系統(tǒng)的具體細(xì)節(jié)，并且具有良好的非線性映射逼近性能和自學(xué)習(xí)能力，在軟件缺陷預(yù)測中得到了廣泛應(yīng)用。

然而在實(shí)際應(yīng)用中，由于軟件失效的概率相比正常的概率較低，實(shí)際得到的軟件缺陷分布基本上都是不均衡的，軟件失效模塊占軟件模塊總數(shù)相對較少。并且，由于軟件缺陷預(yù)測模型輸入的各種度量數(shù)據(jù)的計(jì)算方法不同，取值范圍和含義也各不相同，會(huì)導(dǎo)致質(zhì)量評價(jià)方法產(chǎn)生偏向性，這些因素都會(huì)嚴(yán)重影響軟件缺陷預(yù)測模型的準(zhǔn)確性。當(dāng)這些軟件失效模塊被錯(cuò)誤預(yù)測為無缺陷時(shí)，一旦投入實(shí)際使用，所帶來的經(jīng)濟(jì)損失和社會(huì)損失是不可估量的。

技術(shù)實(shí)現(xiàn)要素：

基于此，有必要提供一種提高軟件缺陷預(yù)測準(zhǔn)確性的軟件缺陷預(yù)測方法及裝置。

一種軟件缺陷預(yù)測方法，包括：

對待預(yù)測軟件的軟件模塊源代碼進(jìn)行靜態(tài)度量，構(gòu)建缺陷向量；

將所述缺陷向量通過預(yù)設(shè)投影矩陣映射到幾何空間中得到映射缺陷向量；所述預(yù)設(shè)投影矩陣為在訓(xùn)練獲得經(jīng)過訓(xùn)練的預(yù)測模型的過程中，使得樣本向量集的樣本缺陷子集之間的相對熵距離的幾何均值最大的投影矩陣，所述樣本缺陷子集包括有缺陷子集和無缺陷子集；

將所述映射缺陷向量輸入到所述經(jīng)過訓(xùn)練的預(yù)測模型中，通過所述經(jīng)過訓(xùn)練的預(yù)測模型，將所述映射缺陷向量與所述樣本缺陷子集的馬氏距離最小的樣本缺陷子集所對應(yīng)的類別，作為所述待預(yù)測軟件對應(yīng)的缺陷預(yù)測結(jié)果。

一種軟件缺陷預(yù)測裝置，包括：

缺陷向量構(gòu)成模塊，用于對待預(yù)測軟件的軟件模塊源代碼進(jìn)行靜態(tài)度量，構(gòu)建缺陷向量；

缺陷向量映射模塊，用于將所述缺陷向量通過預(yù)設(shè)投影矩陣映射到幾何空間中得到映射缺陷向量；所述預(yù)設(shè)投影矩陣為在訓(xùn)練獲得經(jīng)過訓(xùn)練的預(yù)測模型的過程中，使得樣本向量集的樣本缺陷子集之間的相對熵距離的幾何均值最大的投影矩陣，所述樣本缺陷子集包括有缺陷子集和無缺陷子集；

預(yù)測結(jié)果確定模塊，用于將所述映射缺陷向量輸入到所述經(jīng)過訓(xùn)練的預(yù)測模型中，通過所述經(jīng)過訓(xùn)練的預(yù)測模型，將所述映射缺陷向量與所述樣本缺陷子集的馬氏距離最小的樣本缺陷子集所對應(yīng)的類別，作為所述待預(yù)測軟件對應(yīng)的缺陷預(yù)測結(jié)果。

上述軟件缺陷預(yù)測方法及裝置，對待預(yù)測軟件的缺陷向量進(jìn)行幾何空間映射，所述預(yù)設(shè)投影矩陣為在訓(xùn)練獲得經(jīng)過訓(xùn)練的預(yù)測模型的過程中，使得樣本向量集的樣本缺陷子集之間的相對熵距離的幾何均值最大的投影矩陣，所述樣本缺陷子集包括有缺陷子集和無缺陷子集。如此可以實(shí)現(xiàn)軟件缺陷數(shù)據(jù)的優(yōu)化去噪，保證了數(shù)據(jù)分布的合理性，因此將映射得到的映射缺陷向量輸入至經(jīng)過訓(xùn)練的預(yù)測模型中，通過所述經(jīng)過訓(xùn)練的預(yù)測模型，將所述映射缺陷向量與所述樣本缺陷子集的馬氏距離最小的樣本缺陷子集所對應(yīng)的類別，作為所述待預(yù)測軟件對應(yīng)的缺陷預(yù)測結(jié)果，從而，可以得到準(zhǔn)確性更高的待預(yù)測軟件對應(yīng)的預(yù)測結(jié)果。

附圖說明

圖1為第一個(gè)實(shí)施例的軟件缺陷預(yù)測方法的流程圖；

圖2為第二個(gè)實(shí)施例的軟件缺陷預(yù)測方法的流程圖；

圖3為第三個(gè)實(shí)施例的軟件缺陷預(yù)測方法的流程圖；

圖4為第一個(gè)實(shí)施例的軟件缺陷預(yù)測裝置的結(jié)構(gòu)圖；

圖5為第二個(gè)實(shí)施例的軟件缺陷預(yù)測裝置的結(jié)構(gòu)圖；

圖6為第三個(gè)實(shí)施例的軟件缺陷預(yù)測裝置的結(jié)構(gòu)圖。

具體實(shí)施方式

為了便于理解本發(fā)明，下面將參照相關(guān)附圖對本發(fā)明進(jìn)行更全面的描述。附圖中給出了本發(fā)明的較佳的實(shí)施例。但是，本發(fā)明可以以許多不同的形式來實(shí)現(xiàn)，并不限于本文所描述的實(shí)施例。相反地，提供這些實(shí)施例的目的是使對本發(fā)明的公開內(nèi)容的理解更加透徹全面。

除非另有定義，本文所使用的所有的技術(shù)和科學(xué)術(shù)語與屬于本發(fā)明的技術(shù)領(lǐng)域的技術(shù)人員通常理解的含義相同。本文中在本發(fā)明的說明書中所使用的術(shù)語只是為了描述具體的實(shí)施例的目的，不是旨在于限制本發(fā)明。本文所使用的術(shù)語“或/及”包括一個(gè)或多個(gè)相關(guān)的所列項(xiàng)目的任意的和所有的組合。

請參閱圖1，一實(shí)施例的軟件缺陷預(yù)測方法，包括：

s110：對待預(yù)測軟件的軟件模塊源代碼進(jìn)行靜態(tài)度量，構(gòu)建缺陷向量。

對待預(yù)測軟件的各個(gè)軟件模塊的源代碼進(jìn)行靜態(tài)度量，從而構(gòu)建待預(yù)測的缺陷向量。其中，對各個(gè)軟件模塊的源代碼進(jìn)行靜態(tài)度量的方式包括halstead度量(霍爾斯特德度量)、macabe度量(麥克比度量)、khoshgoftaar度量(一種基于神經(jīng)網(wǎng)絡(luò)模型的度量方法)和ck度量(一種面向?qū)ο蟮亩攘糠椒?等。

s130：將缺陷向量通過預(yù)設(shè)投影矩陣映射到幾何空間中得到映射缺陷向量；預(yù)設(shè)投影矩陣為在訓(xùn)練獲得經(jīng)過訓(xùn)練的預(yù)測模型的過程中，使得樣本向量集的樣本缺陷子集之間的相對熵距離的幾何均值最大的投影矩陣，樣本缺陷子集包括有缺陷子集和無缺陷子集。

s150：將映射缺陷向量輸入到經(jīng)過訓(xùn)練的預(yù)測模型中，通過經(jīng)過訓(xùn)練的預(yù)測模型，將映射缺陷向量與樣本缺陷子集的馬氏距離最小的樣本缺陷子集所對應(yīng)的類別，作為待預(yù)測軟件對應(yīng)的缺陷預(yù)測結(jié)果。

上述軟件缺陷預(yù)測方法，對待預(yù)測軟件的缺陷向量進(jìn)行幾何空間映射，預(yù)設(shè)投影矩陣為在訓(xùn)練獲得經(jīng)過訓(xùn)練的預(yù)測模型的過程中，使得樣本向量集的樣本缺陷子集之間的相對熵距離的幾何均值最大的投影矩陣，樣本缺陷子集包括有缺陷子集和無缺陷子集。如此可以實(shí)現(xiàn)軟件缺陷數(shù)據(jù)的優(yōu)化去噪，保證了數(shù)據(jù)分布的合理性，因此將映射得到的映射缺陷向量輸入至經(jīng)過訓(xùn)練的預(yù)測模型中，通過經(jīng)過訓(xùn)練的預(yù)測模型，將映射缺陷向量與樣本缺陷子集的馬氏距離最小的樣本缺陷子集所對應(yīng)的類別，作為待預(yù)測軟件對應(yīng)的缺陷預(yù)測結(jié)果，從而，可以得到準(zhǔn)確性更高的待預(yù)測軟件對應(yīng)的預(yù)測結(jié)果。

請參閱圖2，在其中一個(gè)實(shí)施例中，將缺陷向量通過預(yù)設(shè)投影矩陣映射到幾何空間中得到映射缺陷向量的步驟之前，還包括：

s121：對已知的樣本軟件的軟件模塊源代碼進(jìn)行靜態(tài)度量，構(gòu)成樣本向量，各樣本向量組成樣本向量集。

假設(shè)對于樣本軟件中已知的n個(gè)模塊，其中，無缺陷模塊n1個(gè)，有缺陷模塊n2個(gè)，n1+n2＝n。

在其中一個(gè)具體實(shí)施例中，首先，對每一個(gè)模塊i,i＝1,2,...,n，分別對其是否存在缺陷進(jìn)行標(biāo)記，得到缺陷標(biāo)記flagi。其中，flagi＝1，表示該模塊存在缺陷；flagi＝0，表示該模塊沒有缺陷。

然后，對每一個(gè)模塊i,i＝1,2,...,n，分別對其源代碼進(jìn)行靜態(tài)度量，假設(shè)共有d個(gè)具體的度量值，可以將這些度量數(shù)據(jù)分別標(biāo)記為xi1,xi2,...,xid，則這些度量數(shù)據(jù)構(gòu)成模塊i的樣本向量xi＝[xi1,xi2,...,xid]。

最后，對于每一個(gè)樣本向量xi，根據(jù)有無缺陷的缺陷標(biāo)記flagi，將樣本向量集劃分為樣本缺陷子集，樣本缺陷子集包括有缺陷子集和無缺陷子集。無缺陷子集可表示為{x1i|i＝1,2,...,n1}；有缺陷子集可表示為{x2i|i＝1,2,...,n2}。

s122：根據(jù)樣本向量集的樣本缺陷子集確定樣本缺陷子集的協(xié)方差矩陣。

樣本缺陷子集的協(xié)方差的計(jì)算公式為：

其中，σc表示樣本缺陷子集的協(xié)方差矩陣，c＝1或2。具體地，c＝1時(shí)，σc表示無缺陷子集的協(xié)方差矩陣，c＝2時(shí)，表示有缺陷子集的協(xié)方差矩陣。為樣本缺陷子集{xci}的均值向量。

s123：根據(jù)樣本缺陷子集的協(xié)方差矩陣，將樣本缺陷子集之間的相對熵距離的幾何均值最大的投影矩陣確定為預(yù)設(shè)投影矩陣。

根據(jù)樣本缺陷子集的協(xié)方差矩陣可以確定樣本缺陷子集之間的相對熵距離。也即，根據(jù)有缺陷子集的協(xié)方差矩陣及無缺陷子集的協(xié)方差矩陣，可以確定有缺陷子集與無缺陷子集之間的相對熵距離。

具體地，樣本缺陷子集之間的相對熵距離的確定公式為：

其中，pc，表示樣本缺陷子集{xci}的概率密度，可以選擇高斯分布；c＝c1或c2，c1不等于c2；tr(·)表示矩陣的跡，|·|＝det(·)表示矩陣的行列式，需要說明的是，樣本缺陷子集的個(gè)數(shù)為2，即一個(gè)有缺陷子集和一個(gè)無缺陷子集。

在其中一個(gè)實(shí)施例中，假設(shè)幾何空間下的投影矩陣表示為w，原始樣本x在幾何空間中的投影可表示為：

y＝w^tx

則，在幾何空間下樣本缺陷子集之間的相對熵距離可表示為：

可以按照以下目標(biāo)函數(shù)公式確定投影矩陣w的最優(yōu)值為預(yù)設(shè)投影矩陣，使得樣本缺陷子集之間的相對熵距離的幾何均值最大。

其中，c為樣本缺陷子集個(gè)數(shù)，其值為2，即樣本缺陷子集包括有缺陷子集和無缺陷子集；qc，表示為樣本缺陷子集{xci}的先驗(yàn)概率，c為c1、c2、m或n，通常取值為1/c或nc/n；可以理解地，c1、c2、m、n的取值為1或2。

進(jìn)一步地，為了進(jìn)一步提高預(yù)測的準(zhǔn)確性，可以按照以下目標(biāo)函數(shù)公式計(jì)算投影矩陣w的最優(yōu)值，使得經(jīng)過歸一化的樣本缺陷子集之間的相對熵距離幾何均值最大，從而確定預(yù)設(shè)投影矩陣。

其中，ew(pc1||pc2)為經(jīng)過歸一化的樣本缺陷子集之間的相對熵距離，

在其中一個(gè)實(shí)施例中，幾何空間下的投影矩陣w的最優(yōu)值，即預(yù)設(shè)投影矩陣可以確定為樣本缺陷子集之間的相對熵距離幾何均值最大和經(jīng)過歸一化的樣本缺陷子集之間的相對熵距離幾何均值最大的加權(quán)，如下式所示：

其中，α為權(quán)重因子。

在其中一個(gè)優(yōu)選的實(shí)施例中，對上式進(jìn)行推到，從而可以確定預(yù)設(shè)投影矩陣w*可表示為：

其中，w^*為預(yù)設(shè)投影矩陣，c為樣本向量集的樣本缺陷子集的個(gè)數(shù)；dw(pc1||pc2)為在幾何空間下的兩個(gè)樣本缺陷子集之間的相對熵距離；qc，表示為樣本缺陷子集{xci}的先驗(yàn)概率，c為c1、c2、m或n，c1、c2、m、n的取值范圍為1至c；α為權(quán)重因子。

請參閱圖3，在其中一個(gè)實(shí)施例中，將映射缺陷向量輸入到經(jīng)過訓(xùn)練的預(yù)測模型中的步驟之前，即步驟s150之前，還包括：

s141：將樣本向量集的樣本缺陷子集通過預(yù)設(shè)投影矩陣映射到幾何空間中，得到映射向量集。

利用預(yù)設(shè)投影矩陣w^*，對樣本向量集{xi|i＝1,2,...,n}進(jìn)行幾何空間映射，得到映射向量集{yi|i＝1,2,...,n}，其中，yi＝w^*txi。

s142：根據(jù)樣本缺陷子集對應(yīng)的映射向量集的映射缺陷子集確定映射后的樣本缺陷子集的協(xié)方差矩陣。

映射后的的樣本缺陷子集xc的協(xié)方差矩陣σyc可以表示為：

σyc＝w^*tσcw^*

s143：對映射后的樣本缺陷子集的協(xié)方差矩陣進(jìn)行特征分解，確定映射后的樣本缺陷子集的協(xié)方差矩陣的特征值及特征向量。

式中，λc＝diag[λc1,...,λcd]，其中，λcj，j＝1,...,d是協(xié)方差矩陣σyc的特征值。j＝1,...,d是對應(yīng)的特征向量，φc標(biāo)準(zhǔn)正交，

s144：根據(jù)映射后的樣本缺陷子集的協(xié)方差矩陣的特征值及特征向量對預(yù)測模型進(jìn)行特征分解，得到經(jīng)過訓(xùn)練的預(yù)測模型。

得到經(jīng)過訓(xùn)練的預(yù)測模型時(shí)，需先計(jì)算映射后的樣本缺陷子集xc＝{xci|i＝1,2....n1orn2}的均值

在其中一個(gè)實(shí)施例中，在經(jīng)過訓(xùn)練的預(yù)測模型中映射缺陷向量與樣本缺陷子集的馬氏距離可以表示為：

dc(y,σc)表示映射缺陷向量與樣本缺陷子集的馬氏距離；λc＝diag[λc1,...,λcd]，其中，λcj，j＝1,...,d是映射后的樣本缺陷子集的協(xié)方差矩陣的特征值；其中，j＝1,...,d是映射后的樣本缺陷子集的協(xié)方差矩陣的特征向量；d為對軟件模塊源代碼進(jìn)行靜態(tài)度量時(shí)的度量值的數(shù)量；為映射缺陷子集的均值；y為映射缺陷向量。

本申請還提供一種與上述方法對應(yīng)的裝置。請參閱圖4，一種軟件缺陷預(yù)測裝置，包括：

缺陷向量構(gòu)成模塊410，用于對待預(yù)測軟件的軟件模塊源代碼進(jìn)行靜態(tài)度量，構(gòu)建缺陷向量；

缺陷向量映射模塊430，用于將所述缺陷向量通過預(yù)設(shè)投影矩陣映射到幾何空間中得到映射缺陷向量；所述預(yù)設(shè)投影矩陣為在訓(xùn)練獲得經(jīng)過訓(xùn)練的預(yù)測模型的過程中，使得樣本向量集的樣本缺陷子集之間的相對熵距離的幾何均值最大的投影矩陣，所述樣本缺陷子集包括有缺陷子集和無缺陷子集；

預(yù)測結(jié)果確定模塊450，用于將所述映射缺陷向量輸入到經(jīng)過訓(xùn)練的預(yù)測模型中，通過經(jīng)過訓(xùn)練的預(yù)測模型，將映射缺陷向量與樣本缺陷子集的馬氏距離最小的樣本缺陷子集所對應(yīng)的類別，作為待預(yù)測軟件對應(yīng)的缺陷預(yù)測結(jié)果。

上述軟件缺陷預(yù)測裝置，缺陷向量映射模塊430對缺陷向量構(gòu)成模塊410根據(jù)待預(yù)測軟件構(gòu)成的缺陷向量進(jìn)行幾何空間映射，預(yù)設(shè)投影矩陣為在訓(xùn)練獲得經(jīng)過訓(xùn)練的預(yù)測模型的過程中，使得樣本向量集的樣本缺陷子集之間的相對熵距離的幾何均值最大的投影矩陣，樣本缺陷子集包括有缺陷子集和無缺陷子集。如此可以實(shí)現(xiàn)軟件缺陷數(shù)據(jù)的優(yōu)化去噪，保證了數(shù)據(jù)分布的合理性，因此預(yù)測結(jié)果確定模塊450將映射得到的映射缺陷向量輸入至經(jīng)過訓(xùn)練的預(yù)測模型中，通過經(jīng)過訓(xùn)練的預(yù)測模型，將映射缺陷向量與樣本缺陷子集的馬氏距離最小的樣本缺陷子集所對應(yīng)的類別，作為待預(yù)測軟件對應(yīng)的缺陷預(yù)測結(jié)，從而，可以得到準(zhǔn)確性更高的待預(yù)測軟件對應(yīng)的預(yù)測結(jié)果。

請參閱圖5，在其中一個(gè)實(shí)施例中，還包括：

樣本向量集構(gòu)建模塊421，用于對已知的樣本軟件的軟件模塊源代碼進(jìn)行靜態(tài)度量，構(gòu)成樣本向量，各所述樣本向量組成樣本向量集；

樣本協(xié)方差確定模塊422，用于根據(jù)所述樣本向量集的樣本缺陷子集確定所述樣本缺陷子集的協(xié)方差矩陣；

投影矩陣確定模塊423，用于根據(jù)所述樣本缺陷子集的協(xié)方差矩陣，將所述樣本缺陷子集之間的相對熵距離的幾何均值最大的投影矩陣確定為所述預(yù)設(shè)投影矩陣。

請參閱圖6，在其中一個(gè)實(shí)施例中，還包括：

樣本向量映射模塊441，用于將所述樣本向量集通過所述預(yù)設(shè)投影矩陣映射到幾何空間中，得到映射向量集；

映射協(xié)方差確定模塊442，用于根據(jù)所述樣本缺陷子集對應(yīng)的所述映射向量集的映射缺陷子集確定映射后的所述樣本缺陷子集的協(xié)方差矩陣；

矩陣特征分解模塊443，用于對映射后的所述樣本缺陷子集的協(xié)方差矩陣進(jìn)行特征分解，確定映射后的所述樣本缺陷子集的協(xié)方差矩陣的特征值及特征向量；

預(yù)測模型確定模塊444，用于根據(jù)所述映射后的所述樣本缺陷子集的協(xié)方差矩陣的特征值及特征向量對預(yù)測模型進(jìn)行特征分解，得到所述經(jīng)過訓(xùn)練的預(yù)測模型。

在其中一個(gè)實(shí)施例中，所述在經(jīng)過訓(xùn)練的預(yù)測模型中所述映射缺陷向量與所述樣本缺陷子集的馬氏距離表示為：

dc(y,σc)表示映射缺陷向量與樣本缺陷子集的馬氏距離；λc＝diag[λc1,...,λcd]，其中，λcj，j＝1,...,d是映射后的樣本缺陷子集的協(xié)方差矩陣的特征值；其中，j＝1,...,d是映射后的樣本缺陷子集的協(xié)方差矩陣的特征向量；d為對軟件模塊源代碼進(jìn)行靜態(tài)度量時(shí)的度量值的數(shù)量；為映射缺陷子集的均值；y為映射缺陷向量。

在其中一個(gè)實(shí)施例中，所述預(yù)設(shè)投影矩陣表示為：

其中，w^*為預(yù)設(shè)投影矩陣，c為所述樣本向量集的所述樣本缺陷子集的個(gè)數(shù)；dw(pc1||pc2)為在幾何空間下的兩個(gè)所述樣本缺陷子集之間的相對熵距離；qc，表示為樣本缺陷子集{xci}的先驗(yàn)概率，c為c1、c2、m或n，c1、c2、m、n的取值范圍為1至c；α為權(quán)重因子。

由于上述裝置與上述方法對應(yīng)，為節(jié)約篇幅，對于裝置中與方法對應(yīng)的細(xì)節(jié)技術(shù)特征，在此不作贅述。

以上實(shí)施例僅表達(dá)了本發(fā)明的幾種實(shí)施方式，其描述較為具體和詳細(xì)，但并不能因此而理解為對本發(fā)明專利范圍的限制。應(yīng)當(dāng)指出的是，對于本領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明構(gòu)思的前提下，還可以做出多個(gè)變形和改進(jìn)，這些都屬于本發(fā)明的保護(hù)范圍。因此，本發(fā)明專利的保護(hù)范圍應(yīng)以所附權(quán)利要求為準(zhǔn)。