![](https://csdnimg.cn/release/download_crawler_static/86298471/bg1.jpg)
收稿日期
: 2016-07-13;
修回日期
: 2016-08-30
基金项目
:
国家自然科学基金资助项目
( 51503224) ;
陕西省自然科学基金资助项目
( 2015JQ6224) ;
武警工程大学基础研究基金资助项目
( WJY201602) ;
大学军事理论研究项目
( JLX201680)
作者简介
:
常瑞花
( 1982-) ,
女
,
山西清徐人
,
工程师
,
博士
,
主要研究方向为机器学习
、
模式识别
( sxwcrh@ 163. com) ;
沈晓卫
( 1982-) ,
男
,
江苏
盐城人
,
讲师
,
博士
,
主要研究方向为智能信息处理
.
基于超欧氏距离近邻传播的软件缺陷预测方法
*
常瑞花
1
,
沈晓卫
2
( 1.
武警工程大学 科研部
,
西安
710086; 2.
火箭军工程大学 核工程系
,
西安
710025)
摘 要
:
为了进一步提高无标志软件缺陷数据预测的精度
,
提出了一种基于超欧氏距离近邻传播的软件缺陷预
测方法
。
在近邻传播算法中引入密度思想
,
定义了密度因子和超欧氏距离测度概念
,
设计了密度敏感相似度度
量元
(
即密集度量元
) ,
解决了传统近邻传播算法采用欧氏距离表示数据相似度难以有效处理复杂结构数据的
不足
。
该方法应用于无标志软件缺陷数据的预测
,
并通过三组航空航天软件数据仿真验证了该方法的有效性
,
提高了无标志软件缺陷数据预测的精度
,
为无标志软件缺陷预测提供了一种新的思路
。
关键词
:
密度
;
近邻传播
;
软件缺陷
;
超欧氏距离
;
预测
中图分类号
: TP311. 5
文献标志码
: A
文章编号
: 1001-3695( 2017) 05-1384-04
doi: 10. 3969 /j. issn. 1001-3695. 2017. 05. 024
Software defect prediction based on affinity pro pa gation with
hyper Euclidean distance
Chang Ruihua
1
,Shen Xiaowei
2
( 1. Dept. of Research,Armed Police Engineering University,Xi’an 710086,China; 2. Dept. of Nuclear Engineering,University of Rocket En-
gineering,Xi’an 710025,China)
Abstract: In order to improve the accuracy of prediction for unlabeled software defect data,this paper proposed a novel soft-
ware defect prediction method based on affinity pro pa gation with hyper Eucl i de a n distance. The tr a di t i o nal aff i nit y propagation
algorithm used Euclidean distance to re present data similarity
,it was difficult to meet the characteristics of global da t a consis-
tency and couldn’t effectively deal with the complex data structure. In order to overcome the shortages,this paper introduced
the idea of density
,and defined density factors and hyper Euclidean distance. Meantime,it designed the density sensitive sim-
ilarity metrics. The new method was used to deal with the unlabeled and complicated software defectdata,and three data sets
were used to verify the effectiveness of the proposed method. The expe r i mental results show that the proposed method is effec-
tive. It improves the prediction accuracy of unl a beled data and provides a practical way for unlabeled software defe c t predic-
tion.
Key words: density; affinity propagation; software defect; hyper Euclidean distance; prediction
0
引言
随着航空航天系统中软件所占比例的不断增加
,
系统可靠
性越来越依赖于软件的可靠性
,
而软件缺陷往往是导致系统出
错
、
失效和崩溃的潜在根源
[1]
。
软件测试和故障诊断是保证
软件质量的重要手段
,
然而完全的软件测试需要耗费大量时间
和资源
,
软件故障诊断则主要用在故障发生后
。
相比之下
,
软
件缺陷预测技术可以在软件发布之前预测软件模块的缺陷
,
使
得软件测试人员将有限的资源和精力用在含有缺陷的模块上
,
从而进一步提高武器系统的可靠性
。
在过去的
30
多年中
,
国内外学者已经展开了软件缺陷预
测的相关研究
,
提出了许多模型
[1,2]
。
早期模型大部分利用统
计的方法构建
,
如多元线性回归
( multiple linear regression,
MLR)
[3]
,
然而存在预测准确性不高
、
不能获得满意置信度的
问题
。
鉴于此
,
近年来许多研究人员利用机器学习技术建立模
型
,
提出许多软件缺陷预测的方法
[4 ~ 7]
,
如支持向量机
( support
vector machine,SVM)
[4]
、
决策森林
( decision forest,DF)
[5]
、
朴
素贝叶斯
( naive Bayes,NN)
[6,7]
等
,
并取得了不错的预测效
果
。
但是这些传统研究主要集中在有监督的学习方法上
,
该类
方法获得较好的预测性能依赖具有完整标记的软件缺陷数据
,
但现实中存在大量标记不完整或无标志软件缺陷数据
,
另外完
整标记样本需要耗费大量的人力和财力
。
因此
,
如何利用无标
志数据进行准确的软件缺陷预测成为当前一个亟待解决的问
题
[8]
。Zhong
等人
[9]
提出利用
K-means
和
Neural-Gas
的方法
对无标志数据进行聚类
,
但该方法需要具有丰富机器学习和软
件工程经验的人员对聚类模块进行类别标志
,
从而限制了其广
泛应用
。Seliya
等人
[10]
以
K-means
为基聚类算法
,
提出一种半
监督学习方法
,
该方法取得了较好的效果
,
但预测的结果依赖
聚类个数的确定
; Catal
等人
[11]
提出一种基于度量边界和
X-
means
的方法
,
然而该方法对聚类数敏感
。
上述方法主要利用
K-means
或其扩展算法进行聚类预测
,
该类算法主要建立在凸
样本空间分布上
,
当样本空间不为凸时
,
算法易于陷入局部最
第
34
卷第
5
期
2017
年
5
月
计算机应用研究
Application Research of Computers
Vol. 34 No. 5
May 2017