[发明专利]一种电力信息软件缺陷预防方法

说明书

技术领域

本发明涉及一种预防方法，具体涉及一种电力信息软件缺陷预防方法。

背景技术

缺陷预测是预防的基础，准确预测才能集中有限的资源对缺陷进行针对性预防。按照预测技术的不同，缺陷预测方法可以分为类比法、Delph估算法、数学预测模型法三大类方法，但是因为前两种方法有着无法克服的局限性，目前软件缺陷预测领域的研究工作大部分是集中在数学预测模型方法。

常见数学预测模型方法有：线性判别分析(Linear Discriminant Analysis，LDA)，布尔判别函数(Boolean Discriminant Function，BDF)，贝叶斯网络(Bayesian Network，BN)，分类回归树(Classification And Regression Tree，CART)，优化集精简(Optimized Set Reduce，OSR)，聚类分析(Clustering Analysis，CA)，支持向量机(Support Vector Machine，SVM)，人工神经网络(Artificial Neural Network，ANN)，平均单一相关评估器(Average One Dependence Estimators，AODE)等。各种预测方法有着不同的适应面，可以解决不同的问题，也有各自的局限。

迄今为止，国内外有100多种缺陷预测模型发表在各种专业的刊物和学术会议上，但大多数模型并没有得到充分的项目数据的支撑和验证，其有效性和准确性得不到有力地证明，因而未能广泛应用。

发明内容

为了克服上述现有技术的不足，本发明提供一种电力信息软件缺陷预防方法，将电力信息软件生命周期中各个阶段的度量信息及开发过程的度量信息输入AODE预测模型，计算各阶段的缺陷密度；然后查找电力信息软件缺陷知识库，获取各个阶段缺陷引入原因及对应的预防措施；最后针对性地进行缺陷预防，降低缺陷密度。

为了实现上述发明目的，本发明采取如下技术方案：

本发明提供一种电力信息软件缺陷预防方法，所述方法包括：

根据AODE预测模型计算电力信息软件生命周期各个阶段的缺陷密度；

根据电力信息软件缺陷知识库获取电力信息软件生命周期各个阶段缺陷引入原因及对应的预防措施。

所述根据AODE预测模型计算电力信息软件生命周期某阶段的缺陷密度包括：

构建AODE预测模型，并对构建的AODE预测模型进行优化；

将电力信息软件生命周期各个阶段的度量信息及开发过程的度量信息输入AODE预测模型，进而得到电力信息软件生命周期各个阶段的缺陷密度。

所述构建AODE预测模型包括：

所述AODE预测模型表示为：

其中，y表示代码属性值，x_i表示属性向量的第i个代码属性值，F(x_i)表示具有x_i的实例数目；X_j表示第j个属性向量；i＝1,2,...,n，j＝1,2,...,n，n表示代码属性值总数；m表示具有x_i实例数目的阈值；表示y和x_i产生电力信息软件缺陷的概率；表示y和x_i在X_j中产生电力信息软件缺陷的概率。

所述对构建的AODE预测模型进行优化包括：

采用增加度量元个数、控制度量数据的采集和/或调整I类/II类错误率对构建的AODE预测模型进行优化。

所述根据电力信息软件缺陷知识库获取电力信息软件生命周期各个阶段缺陷引入原因及对应的预防措施包括：

构建电力信息软件缺陷知识库；

根据构建的电力信息软件缺陷知识库获取电力信息软件生命周期各个阶段缺陷引入原因及对应的预防措施。

所述构建电力信息软件缺陷知识库包括：

收集的历史数据；

从收集的历史数据中抽取代码属性值；

将抽取的代码属性值与测试报告中的描述信息相结合，从而构建电力信息软件缺陷知识库。

所述代码属性值包括缺陷类型数目、每类缺陷中的缺陷数目、缺陷状态数量和缺陷种类数量；

测试报告中的描述信息包括问题报告和缺陷评测报告。

所述根据构建的电力信息软件缺陷知识库获取电力信息软件生命周期各个阶段缺陷引入原因及对应的预防措施包括：

发现并提交电力信息软件缺陷时，按照缺陷收集要求记录代码属性值；