[发明专利]一种软件缺陷严重程度识别方法

说明书

本发明公开了一种软件缺陷报告严重程度识别方法。该方法基于卷积神经网络来实现缺陷报告严重程度的识别，利用元启发式算法—遗传算法进行特征选择来提高预测的性能。通过本发明方法能够高效识别软件缺陷报告的严重程度，降低软件维护的成本，对软件开发过程具有非常重要的意义。本发明提出使用遗传算法来进行特征提取，同时结合深度学习模型进行预测。相比于传统的软件缺陷报告严重程度预测方法，本发明利用遗传算法进行特征选择，采用最小化平均绝对偏差作为适应度函数来评估每个个体，大大提高特征选择的效果；使用深度卷积神经网络创建模型，进一步提高特征选择的准确性，增强预测模型的性能。

技术领域

本发明涉及软件仓库挖掘领域，尤其涉及一种遗传算法和卷积神经网络的软件缺陷报告严重程度识别方法。

背景技术

在软件开发过程中，不可避免地会出现软件缺陷，软件缺陷会影响软件质量，需要被及时修复，并且软件缺陷的修复在软件开发生命周期中占很大比例。因此，提高软件缺陷修复效率是确保软件质量的关键。目前，为了解决这个问题，很多大型项目都使用软件缺陷报告跟踪系统来记录缺陷信息，以便快速定位和修复缺陷。

软件缺陷报告的严重性主要包括blocker、critical、major、normal、minor、trivial六个级别，其中blocker、critical和major级别的缺陷归类为严重缺陷，其他级别的缺陷归类为非严重缺陷。在对缺陷报告进一步分类时，传统的做法是开发人员手动将用户所提交的软件缺陷报告定性分成两类，来帮助开发人员确定哪些缺陷需要被及时修复以及哪些缺陷可以延迟修复。在实际操作中，首先由于用户之间表达方式的差异性，同类型的软件缺陷也许会被判定为不同级别的严重程度；其次，开发人员手动分类软件缺陷报告时，主观性较强且效率低下，因此人们迫切需要依靠自动化技术实现软件缺陷报告的分类。近年来受到机器学习在预测领域所取得的成果启发，研究人员已经将机器学习技术应用到软件缺陷报告严重程度识别这一问题。然而将传统机器学习技术应用到缺陷报告严重程度识别时，会遇到一个很大的挑战，即无法有效提取文本特征。

传统预测方法对软件缺陷报告严重程度预测的准确率较低，可能会导致开发人员花费大量时间在紧急度低的软件缺陷上，对软件质量造成巨大影响。相比较之下，机器学习算法可以有效识别软件缺陷报告严重程度，极大地降低了软件维护的成本。

发明内容

为了克服现有技术的不足，本发明提供一种结合遗传算法和卷积神经网络的软件缺陷报告严重程度识别方法，可有效解决上述问题。本发明具体采用的技术方案如下：

一种软件缺陷严重程度识别方法，具体包括以下步骤：

步骤(1)定义软件缺陷的严重程度，将normal、trivial和minor级别归为非严重缺陷s₁，将major、blocker和critical级别归为严重缺陷s₂；

步骤(2)给定缺陷报告集合R＝(R₁，R_2，...R_n)，将其中每个软件缺陷报告表示成R_i＝＜reportId，des，severity＞，i＝1，2...，n，其中reportId表示软件缺陷报告编号，des表示软件缺陷报告的描述信息，severity表示软件缺陷报告的严重程度，即s₁或s₂；

步骤(3)对每个软件缺陷的描述信息des进行预处理：首先对des进行标记，用空格区分成单词形式，并删除其中的符号，然后基于停用词列表移除其中的停用词，最后将每个单词转为它的原型(即将每个单词转为它原有的词干或词根)；经过预处理后每个缺陷报告R_i＝＜reportId，preDes，severity＞，其中preDes表示预处理后的描述信息；