[发明专利]基于特征和实例迁移的跨项目软件缺陷预测方法及系统

权利要求书

1.基于特征和实例迁移的跨项目软件缺陷预测方法，其特征在于，包括如下步骤：

获取软件中的操作数和操作对象的度量信息；

根据软件中的度量信息构建出源项目和目标项目的软件模块度量元；

根据源项目和目标项目的软件模块度量元和采用机器学习构建的软件缺陷预测模型，预测含有缺陷的软件模块；其中，所述采用机器学习构建的软件缺陷预测模型的过程为：从特征和实例两个角度上进行迁移学习，采用特征迁移方法对目标项目从源项目上进行特征迁移，得到用来预测软件缺陷的特征，采用实例迁移方法对目标项目从源项目上进行实例迁移，增加训练过程中预测错误代价高的缺陷样本的权重，结合特征迁移和实例迁移，基于源项目找到目标项目中概率最大的含有缺陷的软件模块。

2.如权利要求1所述的基于特征和实例迁移的跨项目软件缺陷预测方法，其特征在于，采用基于遗传算法的包裹式特征迁移方法进行特征迁移，包括以下步骤:

定义遗传算法的染色体，每个染色体代表一个候选特征集；

根据时间成本以及特征空间覆盖范围，自定义种群的初始规模；

构建适应度函数，通过带标记的目标项目度量元构建验证集，以候选特征集合在验证集上取得的F-measure值为适应度来搜索最优迁移特征集合；

使用轮盘赌法来决定种群中可进入下一代生成新的种群的个体。

3.如权利要求2所述的基于特征和实例迁移的跨项目软件缺陷预测方法，其特征在于，在构建构建适应度函数时，将半监督学习算法Tri-training预测结果中的有缺陷样本加入验证集中。

4.如权利要求1所述的基于特征和实例迁移的跨项目软件缺陷预测方法，其特征在于，所述采用实例迁移方法对目标项目从源项目上进行实例迁移中，采用实例迁移算法TrAdaboost算法作为基础的实例迁移方法，训练多轮模型，最后对多轮模型模型集成使用。

5.如权利要求1所述的基于特征和实例迁移的跨项目软件缺陷预测方法，其特征在于，在TrAdaboost算法中加入代价敏感学习机制，改变TrAdaboost算法的实例权重更新策略，为每一个实例都加上了不同的代价敏感因子，增加预测错误代价高的缺陷样本的权重。

6.如权利要求1所述的基于特征和实例迁移的跨项目软件缺陷预测方法，其特征在于，所述软件中的操作数和操作对象的度量信息包括所有不同操作数的个数、所有不同操作对象的个数、软件模块中所有操作数个数以及模块中所有操作对象个数等度量信息。

7.如权利要求1所述的基于特征和实例迁移的跨项目软件缺陷预测方法，其特征在于，在采用基于遗传算法的包裹式特征迁移方法对目标项目从源项目上进行特征迁移方法中，直接以候选特征子集在验证集上的模型预测效果为指标搜索最优迁移特征集合。

8.基于特征和实例迁移的跨项目软件缺陷预测系统，其特征在于，包括：

软件模块度量元构建模块，被配置为：

获取软件中的操作数和操作对象的度量信息；

根据软件中的度量信息构建出源项目和目标项目的软件模块度量元；

软件缺陷预测模块，被配置为：根据源项目和目标项目的软件模块度量元和采用机器学习构建的软件缺陷预测模型，预测含有缺陷的软件模块；其中，所述采用机器学习构建的软件缺陷预测模型的过程为：从特征和实例两个角度上进行迁移学习，采用特征迁移方法对目标项目从源项目上进行特征迁移，得到用来预测软件缺陷的特征，采用实例迁移方法对目标项目从源项目上进行实例迁移，增加训练过程中预测错误代价高的缺陷样本的权重，结合特征迁移和实例迁移，基于源项目找到目标项目中概率最大的含有缺陷的软件模块。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的基于特征和实例迁移的跨项目软件缺陷预测方法中的步骤。

10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的基于特征和实例迁移的跨项目软件缺陷预测方法中的步骤。