[发明专利]一种基于复杂网络的软件缺陷分布影响因素分析方法

摘要

本发明提出一种基于复杂网络的软件缺陷分布影响因素分析方法，属于软件缺陷分析领域，包括：步骤1根据软件的修改模块，分析软件修改度量参数与缺陷分布的相关性；步骤2基于软件函数调用网络，分析软件网络结构度量参数与缺陷分布的相关性；步骤3基于机器学习算法，获得影响软件缺陷分布的最优特征子集；通过以上三大步骤可以获得用来分析软件缺陷分布情况的最优特征子集和相应的机器学习算法，一方面为软件缺陷预测的研究提供的数据基础和方法支持，也可作为软件可靠性相关工作的参考，另一方面也可以对软件测试领域提供指导作用。

主权项

1.一种基于复杂网络的软件缺陷分布影响因素分析方法，对待分析软件的每个版本建立软件函数调用网络，其特征在于，基于软件函数调用网络进行下面步骤：步骤1：根据软件的修改模块，分析软件修改度量参数与缺陷分布的相关性；为软件中的函数设置软件修改度量参数，并添加到网络节点的属性中，通过对比前后两个版本的软件函数调用网络，设置各节点的软件修改度量参数的状态值；然后采用逻辑回归模型对软件修改度量参数与缺陷分布之间的相关性进行分析，获得与缺陷分布相关的软件修改度量参数；步骤2：基于软件函数调用网络，分析软件网络结构度量参数与缺陷分布的相关性；基于软件函数调用网络，计算节点的整网结构度量参数；构建每个节点的自我网络，获得衡量每个节点的局部结构特性的自我网络结构度量参数；提取函数节点的缺陷信息，采用逻辑回归模型分析每个网络结构度量参数与软件缺陷分布的相关性，获得与缺陷分布相关的结构度量参数；步骤3：基于机器学习算法，获得影响软件缺陷分布的最优特征子集；将步骤1和2获得的与缺陷分布相关的修改度量参数和结构度量参数结合作为初始特征集，采用结合聚类和排序的特征选择方法，获取影响软件缺陷分布的最优特征子集；所述的结合聚类和排序的特征选择方法通过特征聚类，将初始特征集划分为高内聚低耦合的若干特征簇，然后对特征簇中的特征进行排序获得有序的特征集合，最后基于四种机器学习算法，对有序的特征集合进行子集搜索获得最优子集。