《基于支持向量机的软件缺陷预测模型 A Software DP (Defects Prediction) Model Based on SVM ( Support VectorMachine)》.pdfVIP

201．1年12月 西北工业大学学报 Dec．201l JournalofNorthwestern V01．29No．6 第29卷第6期 Polytechnical University 基于支持向量机的软件缺陷预测模型 王 涛，李伟华，刘 尊，史豪斌 (西北工业大学计算机学院，陕西西安710072) 摘要：软件缺陷预测在软件系统开发的各个阶段发挥着极为重要的作用。利用机器学*--7的相关方 法建立更好的预测模型已经被广泛研究。文章分析了支持向量机SVM作为二值分类模型应用到软 据集上开展比较实验，定量地分析了应用各种核函数对SVM-DP模型性能的影响。实验结果显示，应 测模型20％的性能进一步证明了SVM．DP模型应用于软件缺陷预测的有效性。 关键词：软件缺陷预测，软件度量，支持向量机 中图分类号：TP311．5 文献标识码jA 软件测试是一项极其耗费成本的工作。通常认 为缺陷在软件系统中的分布是不均匀的，20％的模 响，并且与已知的其它方法进行了比较。 块包含超过80％的缺陷。因此，软件缺陷预测的目 的，是在软件系统开发生命周期的各个阶段鉴别可 1 可迭代增强的SVM缺陷预测模型 能存在缺陷的模块，为测试人员提供缺陷分布等信 息，以此指导软件质量确保工作，这一流程已经成为 研究人员普遍认为，软件的内部属性(如静态 事实上的工业标准¨J。机器学习的方法将缺陷预 代码特征)和其外在表现(如缺陷)有联系。开发者 测看作二值分类问题。模型构造完成后，对分析目 收集同一个项目或本公司其它项目以及其它公司类 标(可能是文件、模块、方法等)进行分类预测，从而 似项目的历史数据，然后从其中抽取出代码的静态 ‘在一定条件下做出判决。B．Turhan等人【21提出了 属性(通常利用软件度量元表示)。许多缺陷预测 一种多变量方法与贝叶斯理论结合的预测模型，并 模型都是基于软件度量元提出的∽’3’6J。典型的静 且强调了利用特征选取技术对静态代码属性进行筛 选的重要性。实验结果显示，其预测模型有很好的 广泛用于抽象源码的表征。本文基于SVM理论构 性能。T．Gyimothy等人∞1分析并使用了逻辑回归、 造了一个可迭代增强的缺陷预测模型SVM-DP 线性回归、决策树及神经网络等四种方法构造预测 DefectPrediction (SVM Model)oSVM．DP将缺陷预 模型，并且试图找出最优的代码静态属性。在二值 测看作一个二值分类问题。首先从同一项目以往版 分类方面支持向量机SVM一直被广泛采用HJ，SVM 本积累的历史数据中，抽取出静态代码属性再加上 是建立在统计学习理论的VC维理论和结构风险最 代码单元是否包含缺陷的类型标记，就完成了对代 小原理基础上的，根据有限的样本信息在模型的复 杂性和学习能力之间寻求平衡，以期获得最好的泛 组构成的向量作为学