[发明专利]一种软件缺陷预测方法、装置、设备及存储介质

说明书

本发明实施例公开了一种软件缺陷预测方法、装置、设备及存储介质。该方法包括：获取待测试软件的当前原始数据，其中，当前原始数据包括预先设定的对待测试软件的软件缺陷存在影响的影响因素的原始数据；对当前原始数据进行主成分分析，得到当前主成分数据；将当前主成分数据输入至已训练完成的软件缺陷预测模型中，得到待测试软件的软件缺陷的预测结果，其中，软件缺陷预测模型是对原始BP神经网络模型进行训练后得到的。本发明实施例的技术方案，在软件测试工作开展前，可以先基于主成分‑BP神经网络模型对待测试软件的软件缺陷进行客观且精准预测的效果。

技术领域

本发明实施例涉及计算机应用技术领域，尤其涉及一种软件缺陷预测方法、装置、设备及存储介质。

背景技术

随着信息技术的快速发展，计算机行业已经成为现代社会的核心支柱产业之一,而运行在计算机中的各软件是计算机运行性能高低的重要影响因素。

通常情况下，每个已开发的软件在正式应用前，需要对其进行测试以确定软件中是否存在缺陷。目前的软件测试工作主要是通过工作经验分配测试资源以及准备测试前期工作，由此尽可能减少测试成本并保证软件产品质量。但是，这一方案与工作经验的关联较强，测试效果难以保证。

发明内容

本发明实施例提供了一种软件缺陷预测方法、装置、设备及存储介质，以实现基于主成分-BP神经网络模型对软件缺陷进行客观且精准预测的效果。

第一方面，本发明实施例提供了一种软件缺陷预测方法，可以包括：

获取待测试软件的当前原始数据，其中，当前原始数据包括预先设定的对待测试软件的软件缺陷存在影响的影响因素的原始数据；

对当前原始数据进行主成分分析，得到当前主成分数据；

将当前主成分数据输入至已训练完成的软件缺陷预测模型中，得到待测试软件的软件缺陷的预测结果，其中，软件缺陷预测模型是对原始BP神经网络模型进行训练后得到的。

可选的，软件缺陷预测模型可以通过如下步骤预先训练得到：

获取已测试软件的样本原始数据和样本测试结果，其中，样本原始数据包括对已测试软件的软件缺陷存在影响的影响因素的原始数据；

对样本原始数据进行主成分分析，得到样本主成分数据；

基于样本主成分数据和样本测试结果对原始BP神经网络模型进行训练，得到软件缺陷预测模型。

可选的，对样本原始数据进行主成分分析，得到样本主成分数据，可包括：

对样本原始数据进行标准化处理，得到样本标准数据；

计算样本标准数据的相关系数矩阵的特征值，并根据预设贡献率从特征值中筛选出主成分特征值，计算主成分特征值的单位特征向量；

根据单位特征向量得到样本主成分数据。

可选的，原始BP神经网络模型可以包括输入层、隐含层和输出层。

可选的，原始BP神经网络模型可以通过如下公式表示：

其中，是样本测试结果，M是隐含层节点数，w_jz是第j个隐含层神经元与输出神经元间的权值，w_ij是第i个输入神经元与第j个隐含层神经元间的权值，u_i是样本主成分数据中第i列的主成分数据，p是输入神经元的个数，b_j是隐含层的阈值，b_z是输出层的阈值。

可选的，上述软件缺陷预测方法，还可以包括：

根据预测结果对当前原始数据进行调整，根据调整结果更新当前原始数据；