[发明专利]软件的缺陷预测方法和装置、存储介质和电子装置

说明书

本发明公开了软件的缺陷预测方法和装置、存储介质和电子装置。该方法包括：通过第一目标网络对源域数据集和目标域数据集分别进行编码，得到上述源域数据集对应的第一内在编码向量、以及上述目标域数据集对应的第二内在编码向量；将上述第一内在编码向量和上述第二内在编码向量分别输入至第二目标网络，得到上述第一内在编码向量对应的第一潜在编码向量、以及上述第二内在编码向量对应的第二潜在编码向量；通过上述第一内在编码向量和上述第一潜在编码向量确定第一特征向量，以及通过上述第二内在编码向量和上述第二潜在编码向量确定第二特征向量；使用目标分类器对上述第二特征向量进行分类，得到分类结果，上述分类结果用于表示上述第二特征向量是否存在缺陷。

技术领域

本发明涉及通信领域，具体而言，涉及一种软件的缺陷预测方法和装置、存储介质和电子装置。

背景技术

人们已经进入了信息化科技时代，小到移动电话、智能电视，大到飞机，动车，这些科技产品都离不开软件的控制。人们的生活也同时随着各种高科技产品的出现发生着翻天覆地的变化，社会也正朝着更加科技化、智能化的方向发展。同时各个行业对软件系统的依赖性越来越强。人们也越来越关注软件产品的质量，只有可靠性越高的软件产品才能最终得到用户的支持和认可。

对于一个软件项目的开发，软件若存在缺陷将会在软件质量中起严重的反向作用。如果软件中的潜在缺陷没有尽快解决，在软件运行期间可能会产生各种出乎意料的结果，轻则时间延误引起项目搁置，重则威胁到社会各界使用者的生命安全和财产安全，给企业或用户带来直接惨重的经济损失。软件开发计划SDP技术更加适用于项目开发的早期阶段，提前识别出软件程序模块中的潜在缺陷。通过预测出软件中将会存在的缺陷并反映出相关信息，对于软件质量和优化测试资源具有重要意义。但是SDP技术并不能适用于软件缺陷预测的全部阶段。

在每次开发一个新项目时，都需要对这个新的项目进行缺陷预测，在CPDP的解决方法中，迁移学习是一种重要的选择方案，通过将源项目学习到的知识迁移到相关但是不相同的目标域中。通过这种方式能够加快源项目的缺陷预测时间，但是，源域和目标域的数据结构存在异构性的问题。

针对相关技术中，在缺陷预测时，源域和目标域的数据结构存在异构性的问题，尚未提出有效的技术方案。

发明内容

本发明实施例提供了一种软件的缺陷预测方法和装置、存储介质和电子装置，以至少解决相关技术中，在缺陷预测时，源域和目标域的数据结构存在异构性的技术问题。

根据本发明实施例的一个方面，提供了软件的缺陷预测方法，包括：通过第一目标网络对源域数据集和目标域数据集分别进行编码，得到上述源域数据集对应的第一内在编码向量、以及上述目标域数据集对应的第二内在编码向量；将上述第一内在编码向量和上述第二内在编码向量分别输入至第二目标网络，得到上述第一内在编码向量对应的第一潜在编码向量、以及上述第二内在编码向量对应的第二潜在编码向量；通过上述第一内在编码向量和上述第一潜在编码向量确定第一特征向量，以及通过上述第二内在编码向量和上述第二潜在编码向量确定第二特征向量；使用目标分类器对上述第二特征向量进行分类，得到分类结果，其中，上述分类结果用于表示上述第二特征向量是否存在缺陷。

根据本发明实施例的另一方面，还提供了软件的缺陷预测装置，包括：第一处理单元，用于通过第一目标网络对源域数据集和目标域数据集分别进行编码，得到上述源域数据集对应的第一内在编码向量、以及上述目标域数据集对应的第二内在编码向量；第二处理单元，用于将上述第一内在编码向量和上述第二内在编码向量分别输入至第二目标网络，得到上述第一内在编码向量对应的第一潜在编码向量、以及上述第二内在编码向量对应的第二潜在编码向量；第三处理单元，用于通过上述第一内在编码向量和上述第一潜在编码向量确定第一特征向量，以及通过上述第二内在编码向量和上述第二潜在编码向量确定第二特征向量；第四处理单元，用于使用目标分类器对上述第二特征向量进行分类，得到分类结果，其中，上述分类结果用于表示上述第二特征向量是否存在缺陷。