[发明专利]一种基于数据类不平衡分布的即时软件缺陷预测方法

权利要求书

1.一种基于数据类不平衡分布的即时软件缺陷预测方法，其特征在于，包含如下步骤：

步骤1)数据预处理；

计算度量之间的相关性，处理高度相关的度量，对度量执行对数转换；

步骤2)获得各样本的近邻集；

步骤3)识别并处理训练样本集中的噪声样本；

步骤3-1：计算训练样本集的缺陷密度；

假设原始训练集为T，其中有缺陷的样本为少数类，表示为T₊；无缺陷的样本为多数类，表示为T_-；使用公式(1)计算训练样本集的缺陷密度D_T，其中nums(T₊)表示有缺陷样本集T₊中样本的数量，nums(T)表示原始训练集T的样本数量；

D_T＝nums(T₊)/nums(T) (1)

步骤3-2：计算样本的缺陷密度；

通过公式(2)计算各个样本的近邻集的缺陷密度D_i，其中Y_nsj表示近邻集中第j个样本的标签，Y_nsj为0表示近邻集的第j个样本为无缺陷样本，Y_nsj为1表示近邻集的第j个样本为有缺陷样本；

步骤3-3：对样本进行区域划分；

如公式(3)所示，如果样本x_i为无缺陷样本，通过对当前样本x_i的近邻集的缺陷密度D_i与训练样本集缺陷密度D_T的比较，划分样本x_i的区域；当缺陷密度D_i大于训练样本集的缺陷密度D_T，将样本x_i划分到噪声区；当缺陷密度D_i小于训练样本集的缺陷密度D_T，将样本x_i判断为非噪声区；如公式(4)所示，如果样本x_i为有缺陷样本，当缺陷密度D_i等于0时，也就是当前有缺陷样本x_i的近邻集中全都是无缺陷样本，则判断样本x_i处于噪声区；当缺陷密度D_i大于0时，将样本x_i划分到非噪声区；

无缺陷样本：

有缺陷样本：

步骤3-4：处理噪声区样本；

如公式(5)所示，丢弃处于噪声区的有缺陷样本；将噪声区的无缺陷样本的标签转换成有缺陷样本的标签，以此增加有缺陷样本的数量；

步骤4)识别并处理边界样本；

步骤4-1：通过步骤3)获得了相对干净的训练样本集T′后，进入数据处理的第二阶段，对处于边界区的无缺陷样本进行识别及处理；

步骤4-2：回到步骤3)重新计算各个样本的近邻集

步骤4-3：判断样本x_i是否是无缺陷样本；

如果样本x_i是无缺陷样本，进入步骤3-2计算当前样本x_i的缺陷密度D′_i；当样本x_i的缺陷密度D′_i大于0，也就是说，当前无缺陷样本周围的k个邻居中存在有缺陷样本，则认为该样本处于边界区域，丢弃处于边界区域的无缺陷样本，形成新的训练样本集T″；

步骤5)平衡数据集；

步骤6)使用随机森林训练模型。

2.根据权利要求1所述的一种基于数据类不平衡分布的即时软件缺陷预测方法，其特征在于步骤1所述的数据预处理的具体实施如下：

计算各个度量之间的相关性，由于NF和ND，REXP和EXP高度相关，ND和REXP被排除在外；由于LA和LD与LT高度相关，LA和LD通过除以LT归一化；由于LT和NUC与NF高度相关，LT和NUC通过除以NF归一化；对每个度量都执行对数转换，FIX除外。