[发明专利]一种基于机器学习算法的软件故障定位系统

权利要求书

1.一种基于机器学习算法的软件故障定位系统，其特征在于，包括故障定位平台、数据采集单元、语句检测单元、预测分析单元以及分支检测单元；

所述数据采集单元用于对软件程序进行数据采集，获取到软件程序并将软件程序的实体划分为语句和分支，获取到软件程序的运行种类，软件程序的运行种类包括软件程序成功运行和失败运行，随后将软件程序的实体和运行种类发送至故障定位平台，将软件程序标记为i，i＝1，2，…，n，n为正整数；

所述故障定位平台接收到软件程序的实体后，对实体中语句和分支进行检测，随后生成语句检测信号和分支检测信号并将语句检测信号和分支检测信号对应发送至语句检测单元和分支检测单元；

所述语句检测单元接收到语句检测信号后，对软件程序的语句进行检测；

所述分支检测单元接收到分支检测信号后，对软件程序的分支数据进行分析，软件数据的分支数据包括节点数据和长度数据，节点数据为软件程序路径中的指令汇聚的节点数量，长度数据为软件程序路径中指令在节点分散后的指令数量；

所述预测分析单元对软件程序进行故障预测。

2.根据权利要求1所述的一种基于机器学习算法的软件故障定位系统，其特征在于，语句检测单元的具体检测过程如下：

步骤S1：实时获取到软件程序中的语句，并将软件程序中的语句标记为o，o＝1，2，…，m，m为正整数，随后获取到软件程序历史路径，软件程序历史路径包括历史失败路径和历史成功路径，历史失败路径表示为软件程序中历史失败的执行指令，历史成功路径表示为软件程序中历史成功的执行指令；

步骤S2：将实时获取的软件程序中语句与软件程序历史路径进行比对，若实时获取的软件程序语句为历史失败路径中出现过的语句，则将对应软件程序语句标记为红色，若实时获取的软件程序语句为历史成功路径中出现过的语句，则将对应软件程序语句标记为绿色，若实时获取的软件程序语句既是历史失败路径中出现过的语句也是历史成功路径中出现过的语句，则将对应软件程序语句标记为黄色；

步骤S3：获取到历史成功路径中成功语句总数量与历史成功路径中成功语句总数量的执行数量，并将历史成功路径中成功语句总数量与历史成功路径中成功语句总数量的执行数量分别标记为P和Po；获取到历史失败路径中失败语句总数量与历史失败路径中失败语句总数量的执行数量，并将历史失败路径中失败语句总数量与历史失败路径中失败语句总数量的执行数量分别标记为K和Ko，其中，Po和Ko均可以通过程序插桩获取，程序插桩为公开的现有技术；

步骤S4：随后获取到历史成功路径中成功语句的执行数量与总数量的比值BP，即其中，β1为误差修正因子，取值为2.36，获取到历史失败路径中失败语句的执行数量与总数量的比值BK，即其中，β2为误差修正因子，取值为1.28，随后获取到历史成功路径与历史失败路径的覆盖比值BZ，即其中，β3为误差修正因子，取值为1.59；

步骤S5：获取到绿色和红色色彩区间长度，并将绿色和红色色彩区间长度标记为CD；

步骤S6：通过公式获取到实时软件程序中语句的彩色系数YSo，随后将实时软件程序中语句的彩色系数YSo与黄色色彩区间上限值L1和下限值L2进行比较。

3.根据权利要求1所述的一种基于机器学习算法的软件故障定位系统，其特征在于，分支检测单元的具体分析过程如下：

获取到软件程序路径中的指令汇聚的节点数量和软件程序路径中指令在节点分散后的指令数量，通过公式获取到软件程序中分支的检测系数FZi，将软件程序中分支的检测系数FZi与分支的检测系数阈值进行比较。

4.根据权利要求1所述的一种基于机器学习算法的软件故障定位系统，其特征在于，所述预测分析单元接收到分支检测系数FZi和待定语句对应的彩色系数YSo后，对软件程序进行故障预测，具体预测过程如下：

将软件程序对应的分支检测系数FZi和待定语句对应的彩色系数YSo进行随机排序，并将随机排序后的分支检测系数与彩色系数分别设置不同的权重WFZi和WYSo，且WFZi+WYSo＝1，随后将分支检测系数FZi和待定语句对应的彩色系数YSo代入预测分析模型，预测分析模型公式为其中，e为自然常数，α为误差修正因子，取值为1.74，v1和v2均为比例系数，且v1＞v2＞0；

随后将代入计算后的故障预测分析系数HS与故障预测分析系数阈值进行比较：若代入计算后的故障预测分析系数HS≥故障预测分析系数阈值，则判定对应的软件程序故障发生率高，并将对应软件程序标记为预测异常软件程序，同时将预测异常软件程序发送至管理人员的手机终端，若代入计算后的故障预测分析系数HS＜故障预测分析系数阈值，则判定对应的软件程序故障发生率低，并将对应软件程序标记为预测正常软件程序，同时将预测正常软件程序发送至管理人员的手机终端。