[发明专利]基于深度神经网络的故障定位方法

摘要

本发明公开了一种基于深度神经网络的故障定位方法，用于解决现有故障定位方法故障定位精度差的技术问题。技术方案是基于深度神经网络(deep neural network)通过学习一种深层非线性网络结构，实现复杂函数逼近，从而对输入数据进行分布式表征，同时展现了强大的从少数样本集中学习数据集本质特征的能力。这种方法通过利用测试用例样本对深度神经网络进行训练，训练后的深度神经网络被输入新的测试用例，输出结果得到每一条语句的故障概率，通过比较故障概率，来进行故障的有效定位，提高了故障定位的精确度。

主权项

一种基于深度神经网络的故障定位方法，其特征在于包括以下步骤：步骤一、设计深度神经网络模型；构造深度神经网络，确定输入层与输出层的层数；根据公式num＝[a/30]*10  (1)计算隐层节点数，其中，num为隐层节点个数，a为输入层节点数；假设输入层节点数为m，隐层节点数为n，输出层节点数为1，每个节点的转换函数采用单极性sigmoid函数f(s)＝1/1+e‑s；其中，s表示输入特征，ρ(s)表示输出；步骤二、训练深度神经网络模型；深度神经网络模型输入层的节点数等于输入特征向量的维数，对应于可疑度值，输出层仅仅有一个输出节点；在模型经过区分性预训练后，用反向传播算法来微调这个模型的参数；设y1:T是训练样本，目标是最小化训练样本y1:T和标注x1:T之间的平方误差和，目标函数为：E(W,b)=12Σt||f(yt,W,b)-xt||2---(2)]]>对权重W和偏置b进行逐层求导并化简，递推得到对任意的第l层权重为：∂E(W,b)∂Wl=Σtel+1(t)(vl(t))T---(3)]]>∂E(W,b)∂bl=Σtel+1(t)---(4)]]>为计算实际输出和期望输出的误差，输出样本y1:T到深度神经网络，然后执行其的前向过程，同时计算所有隐层节点和输出节点的输出，再计算误差eL(t)；得到L层误差eL(t)后，执行反向传播过程，迭代计算每层隐节点的误差eL(t)，计算所需导数，得到DNN的参数更新方法：(Wl,bl)m+1＝(Wl,bl)m+Δ(Wl,bl)m,0≤l≤L  (5)Δ(Wl,bl)m=(1-α)ϵ(-∂E∂(Wl,bl))+αΔ(Wl,bl)m-1,0≤l≤L---(6)]]>其中，是ε学习率，α是冲量，m表示第m次迭代；输入虚拟测试矩阵Y到深度神经网络中，然后执行前向计算过程，最终输出节点的输出值就是对应每一句故障的可疑度值；步骤三、获取测试用例；通过在相同程序中注入不同类型的故障，得到不同的错误版本，方法有在正确的程序版本中遗漏一些语句，改变原语句中的逻辑或是改变语句的赋值等；使用Gcov方法对待测源文件进行编译，得到程序可执行语句的覆盖信息；有故障版本程序的测试用例执行结果通过采用以下方法得到：在原正确版本上执行测试用例，得到测试用例执行结果；在故障版本上执行测试用例，得到测试用例执行结果；将正确版本的执行结果与故障版本的执行结果进行比较，如果相同，则认为故障版本中的测试用例执行成功，若不相同，则认为测试用例执行失败；步骤四、基于深度神经网络的故障定位；根据Gcov方法得到程序执行测试用例后的覆盖信息及执行结果，作为所构造深度神经网络的训练样本；将测试用例覆盖信息与其对应执行结果依次输入到构建好的深度神经网络中，训练深度神经网络；以此模拟和之间的非线性映射关系；构造虚拟测试集，使测试集中的每个测试用例都只覆盖待测文件中的一条语句；将此虚拟测试集表现为公式的形式，其中，向分别表示测试用例v1,v2,...,vm的覆盖信息，并将虚拟测试集输入到训练好的深度神经网络中，得到输出反映了可执行语句sj中包含故障的概率，即可疑度值；对进行降序排名，排名将作为故障定位的依据，排名越靠前的语句越先被查找；从高到底逐条检查语句，直到故障被定位。