[发明专利]基于机器学习的软件缺陷与复杂度关联关系分析方法

说明书

本发明涉及一种基于机器学习的软件缺陷与复杂度关联关系分析方法，涉及人工智能、大数据技术领域。本发明提出一种基于机器学习的软件缺陷与复杂度关联关系分析方法，基于大量的软件测试数据，分别通过单因素方差检验、高斯混合模型的方式探究不同类别软件缺陷的数目与复杂度、软件类型等多因素之间的关系。在高斯混合模型的方式中，通过对复杂度度量结果进行清洗、处理，量化计算软件缺陷数与每一个复杂度度量元之间的影响关系，并基于AOV网络、关联分析等方法客观分析软件缺陷与多软件复杂度度量元之间的涌现特征，进而计算出影响软件缺陷的关键复杂度因素。

技术领域

本发明涉及人工智能、大数据技术领域，具体涉及一种基于机器学习的软件缺陷与复杂度关联关系分析方法。

背景技术

近年来，随着人工智能、大数据等新型技术的不断发展，软件演化日渐频繁，造成软件系统的规模越来越大、复杂程度越来越高。但由于软件规模的指数增长、为完成进度忽略软件编码规范及软件复杂程度控制等原因，软件复杂度急剧上升，直接导致软件缺陷逐渐增多，软件质量变得越来越难以控制。因此，研究软件缺陷与软件复杂度之间的关系，分析影响软件缺陷的复杂度因素，对控制软件质量尤为重要。

传统软件缺陷的影响因素分析方法大多是从软件缺陷本身出发，将发现的软件缺陷分类，依据缺陷的结果数据采用统计分析、专家系统等方法，分析缺陷的产生原因。随着人工智能技术的出现，逐渐基于现有缺陷数据进行未来缺陷预测，或采用深度学习等方式分析缺陷之间的相互影响关系。以上软件缺陷分析方法从某一剖面研究了软件缺陷的影响因素，研究的影响因素粒度大小不一，缺乏对软件缺陷与软件质量关系的宏观分析。实际上，软件复杂度是最直观、最容易量化的一条软件质量评价指标，因此从软件复杂度宏观量化分析软件缺陷是较为有效的控制软件缺陷的一种方法，软件复杂度的升高会直接提高软件缺陷数增加的风险。但目前缺少软件复杂度与软件缺陷的客观、定量分析方法，无法准确定位影响软件缺陷的复杂度度量元，难以通过降低软件复杂度有效降低软件缺陷的数量。

发明内容

(一)要解决的技术问题

本发明要解决的技术问题是：如何设计一种软件复杂度与软件缺陷的客观、定量分析方法，准确定位影响软件缺陷的复杂度度量元，通过降低软件复杂度有效降低软件缺陷的数量。

(二)技术方案

为了解决上述技术问题，本发明提供了一种基于机器学习的软件缺陷与复杂度关联关系分析方法，包括以下步骤：

步骤一：面向领域的软件缺陷分类和软件复杂度度量元定义；

步骤二：基于步骤一进行基于单因素方差检验的软件缺陷影响因素分析；

步骤三：基于步骤二进行基于机器学习的软件缺陷与软件复杂度度量元之间关系的分析；

步骤四：基于步骤三进行基于AOV网络的软件复杂度度量元间涌现特征分析。

优选地，步骤1中，面向领域的软件缺陷分类时，依据不同领域软件运行时出现的软件缺陷情况，区分软件缺陷问题。

优选地，将软件缺陷问题分为：问题总数、文档问题数、代码问题数、修改程序数、其他修改数、代码关键问题数、代码重要问题数、代码一般问题数、代码建议问题数、编程准则问题数、容错防错问题数、接口通讯问题数、异步并发问题数、时序时限问题数、计算算法问题数、初始启动问题数、内存管理问题数、其他问题数。

优选地，步骤1中，软件复杂度度量元定义时，软件复杂度度量根据软件所在的领域、软件开发使用的编程语言不同，选择能反映软件复杂属性的度量元，并对软件的复杂程度进行评价。

优选地，步骤1中，若软件为装备软件，定义软件复杂度度量元包括：代码行数、注释行数、功能点个数、圈复杂度。

优选地，步骤二具体为：