[发明专利]一种软件缺陷预测方法、装置和电子设备

权利要求书

1.一种软件缺陷预测方法，其特征在于，包括：

获取待预测软件的特征向量；并

基于所述特征向量，以及预先训练得到的用于进行软件缺陷预测的预测模型，确定所述待预 测软件的软件缺陷预测结果，其中，所述预测模型是基于梯度提升算法和随机森林学习机训练得到的；

其中，按照下述方法得到所述用于进行软件缺陷预测的预测模型：

获取软件缺陷预测样本集，并按照预设比例将获取到的软件缺陷预测样本划分为训练集合和验证集合；并基于所述训练集合和梯度提升算法，对随机森林学习机进行模型训练，以及利用所述验证集合对已完成训练的随机森林学习机进行模型验证得到所述用于进行软件缺陷预测的预测模型；

基于所述训练集合和梯度提升算法，对随机森林学习机进行模型训练，具体包括：

将所述训练集合中包含的软件缺陷预测样本随机划分为若干批次，其中各个批次内包含的软件缺陷预测样本的数量相同；针对所述训练集合中包含的每一批次均执行以下过程：利用该批次内包含的软件缺陷预测样本和梯度提升算法，对随机森林学习机中的任一决策树进行预设次数的循环迭代训练得到该批次训练得到的训练模型；

利用该批次内包含的软件缺陷预测样本和梯度提升算法，对随机森林学习机中的任一决策树进行预设次数的循环迭代训练得到该批次训练得到的训练模型，具体包括：

针对第i次训练，确定第i-1次训练 确定出的损失函数在所述第i-1次训练得到的训练模型的梯度值；并根据所述梯度值确定该决策树包含的叶子节点区域；并根据所述叶子节点区域确定第i-1次确定出的损失函数取值满足预设条件时各个叶子节点的增益；并利用所述叶子节点区域和所述各个叶子节点的增益确定第i次训练得到的训练模型；其中，i为介于1与预设次数之间的整数。

2.如权利要求1所述的方法，其特征在于，根据所述叶子节点区域确定第i-1次确定出的损失函数取值满足预设条件时各个叶子节点的增益，具体包括：

根据所述叶子节点区域确定第i-1次确定出的损失函数取极小值时对应的各个叶子节点的增益。

3.如权利要求2所述的方法，其特征在于，利用所述验证集合对已完成训练的随机森林学习机进行模型验证得到所述用于进行软件缺陷预测的预测模型，具体包括：

针对各个批次训练得到的训练模型中的任一训练模型，均执行以下操作：

利用验证集合中的所有软件缺陷预测样本，对该训练模型进行验证，分别得到各个软件缺陷预测样本对应的验证结果；

根据各个软件缺陷预测样本的实际结果和验证结果，利用均方误差函数确定该训练模型的预测准确度；以及

比较各个训练模型得到的预测准确度，确定预测准确度最大的训练模型为所述用于进行软件缺陷预测的预测模型。

4.如权利要求1所述的方法，其特征在于，所述训练集合中的每一样本的样本特征包括以下至少一项：缺陷数量、缺陷所属模块、测试人员信息、开发人员信息、测试持续时间、用例数量和需求数量。

5.如权利要求1所述的方法，其特征在于，获取软件缺陷预测样本，具体包括：

基于软件缺陷结果已知的软件在开发过程中记录的原始数据，按照原始数据与软件缺陷预测的相关度，对所述原始数据进行筛选，得到软件缺陷预测样本。

6.如权利要求1～5任一权利要求所述的方法，其特征在于，所述软件缺陷预测结果包括缺陷数量和缺陷所属模块；以及所述方法，还包括：

获取所述待预测软件的实际结果；

基于所述待预测软件，将得到的软件缺陷预测结果中包含的缺陷数量与实际预测结果中包含的实际缺陷数量进行比较；

若确定出所述缺陷数量大于所述实际缺陷数量，则从所述软件缺陷预测结果中包含的所有缺陷所属模块，确定出与实际结果中包含的实际缺陷所属模块不一致的模块并存储到列表中，以列表的形式展示给用户。