[发明专利]基于搜索的代价敏感超图学习的软件缺陷预测方法及系统有效
| 申请号： | 201810178494.0 | 申请日： | 2018-03-05 |
| 公开（公告）号： | CN108334455B | 公开（公告）日： | 2020-06-26 |
| 发明（设计）人： | 高跃;王楠;赵曦滨 | 申请（专利权）人： | 清华大学 |
| 主分类号： | G06F11/36 | 分类号： | G06F11/36 |
| 代理公司： | 北京律谱知识产权代理事务所(普通合伙) 11457 | 代理人： | 黄云铎 |
| 地址： | 100084*** | 国省代码： | 北京;11 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明提供了一种基于搜索的代价敏感超图学习的软件缺陷预测方法，所述方法包括：输入原始的训练和测试数据，获得软件模块的特征及相应的软件模块标签；对软件数据进行特征提取，将数据特征转换到新的特征空间；在新的特征空间中，基于测试数据选取与相应测试数据距离最近的训练数据；利用选取的训练数据和测试数据构建超图结构，超图的连接是根据软件模块在转换软件模块特征空间的距离来测算，不断优化错分代价敏感的测试数据总代价，并且优化超图结构；利用学习到的转换向量可以用来计算测试模块是否含有错误。 | ||
| 搜索关键词： | 基于 搜索 代价 敏感 超图 学习 软件 缺陷 预测 方法 系统 | ||
【主权项】：
1.一种基于搜索的代价敏感超图学习的软件缺陷预测方法，其特征在于，所述方法包括下述步骤：步骤S1、输入原始的训练和测试数据，包括软件模块的特征及相应的软件模块标签；步骤S2、对软件数据进行特征提取，将数据特征转换到新的特征空间；步骤S3、在新的特征空间中，基于测试数据选取与相应测试数据距离较近的训练数据，所述训练数据中包括软件错误模块和无错模块；步骤S4、利用选取的训练数据和测试数据构建超图结构，超图的连接是根据在转换后的特征空间中不同软件模块的距离来测算的，不断优化错分代价敏感的测试数据集的总代价，并且优化超图结构，获得转换向量；步骤S5、利用学习到的转换向量可以用来计算测试模块是否含有错误。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于清华大学，未经清华大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201810178494.0/，转载请声明来源钻瓜专利网。
