[发明专利]一种跨项目软件缺陷预测方法

说明书

本发明公开一种跨项目软件缺陷预测方法，涉及数据处理技术领域。针对软件缺陷预测过程经常受阻、且往往会出现类别分布不平衡的问题，采用方案基于TextCNN和Borderline‑SMOTE算法，包括训练阶段和预测阶段。在训练阶段，基于Java源文件的已知维度特征、语义信息特征、以及存在的软件缺陷，进行Word2vec模型、TextCNN、逻辑回归分类器的训练，在预测阶段，则直接利用训练好的Word2vec模型、TextCNN、逻辑回归分类器的进行目标Java源文件的预测，并最终预测输出目标Java源文件的软件缺陷数量。本发明的预测方法提高了预测的准确率和提高训练速度，不仅限于对同项目的软件缺陷进行预测，还可以用于跨项目的软件缺陷进行预测。

技术领域

本发明涉及数据处理技术领域，具体的说是一种跨项目软件缺陷预测方法。

背景技术

软件缺陷在工业界和学术界，也被称为软件故障或软件错误等。NASA对软件缺陷的定义是：软件无法完成预期指定的功能。软件缺陷在软件开发过程中不可避免产生，根据微软研究院调查发现，每个应用软件在内部测试的时候平均1000行代码会存在10到20个软件缺陷，在已经发布的软件产品中，每1000行代码会存在0.5个软件缺陷，而为了修复已经发布软件产品中的一个软件缺陷，将花费50到200倍的成本。因此，如何帮助测试人员更快更早地发现软件中的缺陷变得更加重要。

软件缺陷预测就是为了帮助测试人员进行缺陷测试，发现源代码文件中潜在的软件缺陷，从而更好分配人力、物力进行缺陷修复。软件缺陷预测分为同项目软件缺陷预测和跨项目软件缺陷预测，它们的主要区别就是训练项目与预测项目是否是同一个软件项目。由于跨项目缺陷预测中，源项目和目标项目存在很大的差异性，所以预测性能受到阻碍。

另外，在软件缺陷预测中，往往会出现类别分布不平衡问题，即不同类别的样本数量上相差很大。

基于NLP技术的快速发展，为了获得更具有泛化能力的包含语义信息的特征，解决软件缺陷预测中出现的类别分布不平衡，提出一种跨项目软件缺陷预测方法。

TextCNN，即将卷积神经网络CNN应用到文本分类任务，利用多个不同size的kernel来提取句子中的关键信息(类似于多窗口大小的ngram)，从而能够更好地捕捉局部相关性。

Borderline-SMOTE算法，其计算速度明显优于SMOTE算法，其先从少数类样本中选择种子样本，然后在种子样本上采用SMOTE算法。

发明内容

本发明针对软件缺陷预测过程经常受阻、且往往会出现类别分布不平衡的问题，提供一种跨项目软件缺陷预测方法，其基于TextCNN和Borderline-SMOTE算法，进行软件缺陷数量的预测，预测结果的准确率高。

本发明的一种跨项目软件缺陷预测方法，解决上述技术问题采用的技术方案如下：

一种跨项目软件缺陷预测方法，其包括训练阶段和预测阶段；

训练阶段包括：

Ⅰ)提取Java源文件的原始多维特征，并对每一个Java源文件进行标记；

Ⅱ)将Java源文件解析成抽象语法树，抽取抽象语法树的相关节点形成单词文件；

Ⅲ)训练Word2vec模型，利用Word2vec模型对单词进行向量化，形成词向量；

Ⅳ)已知Java源文件包含的语义信息，提取Java源文件所包含语义信息的特征，基于词向量和提取的特征训练TextCNN；

Ⅴ)组合包含Java源文件语义信息的特征和Java源文件的原始多维特征，形成新特征向量；

Ⅵ)利用Borderline-SMOTE算法对组合后的新特征向量进行不平衡处理；