[发明专利]一种基于动态特征引导实例选择的跨项目缺陷预测方法

权利要求书

1.一种基于动态特征引导实例选择的跨项目缺陷预测方法，其特征在于，包括如下步骤：

S1、构建项目实例向量集CPIVS；

S2、构建预训练动态特征PREDF；

S3、计算预训练动态特征与实例特征之间距离；

S4、构建引导实例选择索引集GISI；

S5、构建基于动态特征引导实例选择的训练集DFD；

S6、构建基于动态特征引导实例选择的跨项目缺陷预测方法DFGIS。

2.根据权利要求1所述的基于动态特征引导实例选择的跨项目缺陷预测方法，其特征在于，步骤S1包括如下步骤：

S1.1、基于开源网站获取软件项目集合；

S1.2、以项目类作为实例构建项目实例集合；

S1.3、基于开源数据历史记录、项目源代码语法结构、源代码抽象语法树构建传统度量元集{WMC,DIT,NOC,CBO,RFC,LCOM,LCOM3,NPM,DAM,MOA,MFA,CAM,IC,CBM,AMC,Ca,Ce,Max_CC,Avg_CC,LOC}，其中，WMC代表每个类的加权方法，DIT代表继承树的深度，NOC代表子类的数目，CBO代表对象类之间的耦合，RFC代表一个类的响应，LCOM和LCOM3代表在方法上缺少的凝聚力，NPM代表公共类的个数，DAM代表数据访问指标，MOA代表聚合的量度，MFA代表功能抽象的量度，CAM代表类方法之间的聚合，IC代表继承耦合，CBM代表方法之间的耦合，AMC代表平均方法复杂度，Ca代表传入耦合，Ce代表传出耦合，Max_CC代表McCabe圈复杂性的最大值，Avg_CC代表McCabe圈复杂性的平均值，LOC代表代码的行数；

S1.4、将源项目中的所有实例按步骤S1.3处理得到源项目传统度量元向量集SCPIVS＝[instance₁,instance₂,…,instance_i]，其中，i＝1,2,3,…,n；

S1.5、将目标项目中的所有实例按步骤S1.3处理得到目标项目传统度量元向量集TCPIVS＝[tradition_value₁,tradition_value₂,…,tradition_value_j]，其中，j＝1,2,3,…,m；

S1.6、基于开源数据历史记录构建源项目实例标签SLABEL＝[stag₁,stag₂,…,stag_i]，其中，i＝1,2,3,…,n；该标签与步骤S1.4中的源项目传统度量元向量集SCPIVS中实例对应；

S1.7、基于开源数据历史记录构建目标项目实例标签TLABEL＝[ttag₁,ttag₂,…,ttag_j]，其中，j＝1,2,3,…,m；该标签与步骤S1.5中的目标项目传统度量元向量集TCPIVS中实例对应；

S1.8、构建项目实例向量集CPIVS＝{SCPIVS,SLABEL,TCPIVS,TLABEL}。

3.根据权利要求1所述的基于动态特征引导实例选择的跨项目缺陷预测方法，其特征在于，步骤S2包括如下步骤：

S2.1、若预训练索引列表pretrain-list不存在，则构建预训练索引列表pretrain-list；若预训练索引列表pretrain-list存在，则读取预训练索引列表pretrain-list；

S2.2、读取步骤S1中的源项目传统度量元向量集SCPIVS；

S2.3、读取目标实例向量tiv；

S2.4、若步骤S2.1的预训练索引列表pretrain-list为空，则预训练动态特征PREDF定义为步骤S2.3的目标实例向量tiv；

S2.5、若步骤S2.1的预训练索引列表pretrain-list不为空，使用pretrain-list将步骤S2.2的源项目传统度量元向量集SCPIVS中对应实例向量取出，组成预训练实例集pretrain-instance，计算预训练实例集中每一种特征对应所有实例的特征值的标准差，则预训练动态特征PREDF定义为所有特征对应的标准差的集合。