基于 PN 学习的软件模块缺陷预测模型研究.pdfVIP

第 39卷 第8期 西 南 师 范 大 学 学 报 (自然科学版) 2014年 8月 Vo1．39 No．8 JournalofSouthwestChinaNormalUniversity(NaturalScienceEdition) Aug． 2014 基于 PN学习的软件模块缺陷预测模型研究① 李 莉 ， 郝静静 1．河南工程学院，计算机学院，郑州 451191；2．开封大学 信息工程学院，河南 开封 475004 摘要：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． 关 键 词 ：PN学习；软件模块缺陷预测 ；灰色关联分析 ；软件测试 中图分类号 ：TP39 文献标志码 ：A 文章编号 ：1000—5471(2014)8—0057—05 软件模块缺陷预测在软件开发过程中发挥着重要的作用 ，开发者可以根据模块缺陷预测 的结果 ，准 确评估软件各模块的可靠性 ，指导开发者合理配置资源．在开发过程 中对易发生缺陷的模块分配更多资 源 ，从而有效降低软件开发各生命周期测试成本 ，从整体上保证软件 的可靠性，降低软件开发的成本 ， 满足用户的需求，具有重要的研究意义．软件模块缺陷预测作为数据挖掘 中一个重要的应用，得到了广 泛研 究． 目前 ，软件模块缺陷预测模型主要包括分类 回归树模型、线性判别模型、人工神经网络分析模型、分 类树模型、马尔科夫模型、支持向量机模型等，然而这些方法都存在一些问题，不能达到预期的效果．如， 分类 回归树模型泛化能力比较差 ；人工神经网络分析模型在选择 网络结构方面依然没有成熟 的理论指导 ； 马尔科夫模型只有在对软件失效过程和内部错误做 出许多假设的情况下成立 ；支持向量机模型主要应用于 静态学习分类问题等口]． PN学习方法是 ZdenekKalat2010年在计算机视觉国际会议上提出来 的，主要用于单 目标长时间跟踪 中对 目标 的学习过程．PN学习方法本质上是一个二分类方法 ，通过对所跟踪 目标的不断学习更新 ，成功识 别所跟踪的对象．PN学习通过已标记和未标记 的样本训练二分离器 ，训练过程 由 “正约束”和 “负约束’’共 同指导未标记样本 ，有效提升了分类 的准确率 ，表现出很多优点． 为了有效提高软件模块缺 陷预测模型的准确性 ，本文首次提出了基于 PN学习的软件模块缺陷预测模 型．即利用 PN学习在处理二分类问题上的优势 ，处理软件模块缺陷预测问题 ，建立基于PN学习的软件模 块缺陷预测模型，同时利用灰色关联分析理论进行数据降维处理，提升模型效率． ① 收稿 日期 ：2013一O6—23 基金项 目：河南省教育厅科学技术研究重点项 目(13A520148)；河南工程学院博士基金项 目(D2012016)． 作者简介 ：李 莉 (1979一)，女，河南社旗人，讲师，硕士研究生，主要从事计算机应用、网络安全、人工智能的研究 58 西南师范大学学报 (自然科学版) http：／／xbbjb．SWU．cn 第 39卷 1 相关工作 1．1 PN学习 PN学习即PNlearning，是一种通过学习(训练)用于分类器训练的带标签样本和用于分类器测试的不 带标签样本之间存在 的结构特征 ，达到改善两类分类器性能的方法．P指代正约束 PositiveConstraint，N 指代负约束 NegativeConstraint．正约束的作用是通过学习发现样本的新特征，并 以此来增加相应的正样 本，从而使分类预测具有更强的鲁棒性．负约束 的作用是生成负的训练样本[2]．正、负约束共 同测试样本 的标签赋值过程．PN学习通过评估测试样本 的分类结果 ，寻找分类结果 中与分类约束条件存在矛盾的样 本 ，重新对训练集进行调整 ，对整个样本进行重复的迭代训练 ，当满足设定条件时停止分类器训练过程． 在对软件模块缺陷预测过程中，因为软件模块的功能、属性等存在一定的差异，造成预测结果往往不准确， 因此 ，基于这种情况 ，对软件