[发明专利]一种基于深度森林网络的软件缺陷预测方法在审
| 申请号： | 201711290710.2 | 申请日： | 2017-12-04 |
| 公开（公告）号： | CN107943704A | 公开（公告）日： | 2018-04-20 |
| 发明（设计）人： | 李斌;周天驰;孙小兵 | 申请（专利权）人： | 扬州大学 |
| 主分类号： | G06F11/36 | 分类号： | G06F11/36;G06K9/62;G06N99/00 |
| 代理公司： | 南京中新达专利代理有限公司32226 | 代理人： | 孙鸥,朱杰 |
| 地址： | 225009 *** | 国省代码： | 江苏;32 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明涉及一种基于深度森林网络的软件缺陷预测方法。本发明对程序模块按照设定好的度量进行相关代码特征数据提取，筛选出与缺陷相关度高的代码特征，构建多个随机森林和完全随机森林模型，联成缺陷预测网络，将缺陷特征向量随机切片到缺陷预测网络进行训练，形成缺陷预测的分类器，与真实标记的数据进行对比得到最终的缺陷预测分类器。本发明克服了过去整体的缺陷预测精度不高的缺陷。本发明从深度森林网络的角度，结合多粒度扫描，级联森林等技术来构建缺陷预测分类器，提供有效的代码缺陷预测，帮助开发者合理使用测试资源，大大缩短了软件开发周期。 | ||
| 搜索关键词： | 一种 基于 深度 森林 网络 软件 缺陷 预测 方法 | ||
【主权项】：
一种基于深度森林网络的代码缺陷预测方法，其特征在于如下步骤：(1)挖掘代码历史仓库，抽取程序模块，对程序模块按照设定好的度量进行相关代码特征数据提取；(2)将步骤(1)代码特征进行多粒度扫描，筛选出与缺陷相关度高的代码特征；(3)利用步骤(2)中的缺陷特征构建多个随机森林和完全随机森林模型；(4)将步骤(3)的多个随机森林级联成缺陷预测网络；(5)对步骤(2)的缺陷特征向量按照设定比例进行随机切片，输入到步骤(4)中建立的缺陷预测网络进行训练，形成缺陷预测的分类器；(6)将步骤(5)切片剩余的数据输入到缺陷预测分类器中，与真实标记的数据进行对比，验证训练效果，根据结果调整训练参数后得到最终的缺陷预测分类器。
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扬州大学，未经扬州大学许可，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/201711290710.2/，转载请声明来源钻瓜专利网。
