[发明专利]基于CNN-SVM的软件缺陷预测方法

权利要求书

1.一种基于CNN-SVM的软件缺陷预测方法，其特征在于，包括如下步骤：

步骤1，从软件历史开发数据中提取软件数据特征，将获得的数据特征进行归一化处理；

步骤2，对归一化后的缺陷样本的数据特征进行SMOTE样本扩充；

步骤3，构建CNN-SVM模型，正常样本和扩充后的缺陷样本一起输入到CNN-SVM模型中,先由CNN网络进行卷积、下采样和扁平化处理，完成特征提取后，输入到SVM层进行缺陷预测；

步骤4，采用RMSProp优化器，基于binary_cross_entroy损失函数进行优化拟合，完成CNN-SVM模型的训练；

步骤5，将目标软件缺陷特征输入训练好的CNN-SVM模型，输出预测结果。

2.根据权利要求1所述的基于CNN-SVM的软件缺陷预测方法，其特征在于，步骤1，从软件历史开发数据中提取软件数据特征，将获得的数据特征进行归一化处理，具体方法为：

从软件历史开发数据中提取软件数据特征，包括代码结构信息、代码行数信息、数符信息、可读性信息、McCabe度量信息、Halstead度量信息以及缺陷信息；

将获得的数据特征进行归一化处理，公式为：

其中，x_max与x_min分别为某一数据特征信息列中的最大、最小值，x'为对每一个数据特征信息x作归一化后得到结果。

3.根据权利要求1所述的基于CNN-SVM的软件缺陷预测方法，其特征在于，步骤2，对归一化后的缺陷样本的数据特征进行SMOTE样本扩充，其中，SMOTE算法是一种合成少数类的随机过采样技术，算法步骤如下：

1)对于每一个缺陷样本x，基于欧式距离计算其到其他样本y中的距离并得到最近的K个样本，称K近邻样本，欧式距离公式如下，

其中，x_i与y_i分别为缺陷样本x和其他样本y中的第i个数据特征；

2)根据不平衡比率设置采样比例，确定采样倍率N，之后对每个缺陷样本随机选择若干K近邻样本x_k；

3)根据每个选择出的K邻近样本x_k，做如下计算获得新样本x'：

x'＝x+rand(0,1)×(x-x_k)。

4.根据权利要求1所述的基于CNN-SVM的软件缺陷预测方法，其特征在于，步骤3，构建CNN-SVM模型，正常样本和扩充后的缺陷样本一起输入到CNN-SVM模型中,先由CNN网络进行卷积、下采样和扁平化处理，完成特征提取后，输入到SVM层进行缺陷预测，具体方法为：

(1)首先设置batch、kernel、stride、epoch这些参数，调整CNN网络结构，根据所设置的网络层数进行一次或多次卷积、下采样操作，完成特征提取；

由于软件缺陷特征并不具有二维结构，因此模型采用一维卷积进行计算，卷积层中使用卷积核进行特征提取和特征映射，卷积核大小设为2，步长设为1，使用softmax函数作为激励函数协助表达输入的复杂特征,卷积计算公式如下：

其中，f是缺陷特征序列，N为缺陷特征序列长度，g是卷积核序列，S是输出序列；

池化层采用maxpooling函数进行下采样操作完成特征选择和过滤，池化层滑动窗口大小设为2，通过滑动窗口对缺陷特征进行采样，将窗口内最大值作为输出，形成池化层缺陷特征输出序列；

然后通过全连接层对选择和过滤后的缺陷特征进行扁平化处理，并将扁平化后的缺陷特征输入SVM层；

(2)SVM层使用SVC分类算法，惩罚系数C取值86，kernel采用线性核函数linear，输出分类结果，得到初步的软件缺陷预测模型。