基于复杂性的软件缺陷预测

• 作 者: 冯大成
• 机 构: 航天科工集团第二研究院
• 出 处: 中国航天第二研究院 航天科工集团第二研究院
• 发表日期: 2010年期

软件复杂程度与软件模块中的缺陷分布有着显著的关系,一些软件复杂性度量元的度量结果与软件测试和验证过程中发现缺陷的数目密切相关。　　
本文研究了利用软件复杂性度量信息预测软件缺陷的问题,并给出了解决方法。回归分析是解决此类问题的基本统计方法,针对相同的数据,有很多种建立回归模型的方法,本文介绍了最小二乘支持向量机算法(LS-SVM),LS-SVM是建立在统计学习理论(STL)的VC维和结构风险最小化(SRM)基础上的一种全新学习机制。它根据有限样本信息在模型的复杂性和学习能力之间寻求最佳折中,以期获得最优的预测能力。　　
LS-SVM的一个重要步骤是确定超参数,本文利用分块矩阵的性质化简了矩阵求逆的过程,使求取超参数的过程得到很大程度地化简。同时给出了逐个加入新样本用于模型校正的便捷方法,提出了快速最小二乘支持向量机自适应算法(FLS-SVM)。　　
多元变量回归模型确定的另一个主要问题是变量间的多重共线性。因子分析方法能够有效消除多个变量间的多重共线性,降低软件复杂性空间的维度。结合因子分析方法和FLS-SVM算法建立了基于复杂性的软件缺陷预测模型,该模型在超参数的选择和模型的修正上都有良好地性能,并可以得到唯一确定的回归函数用于分析不同复杂性度量的敏感性。通过两个具体实例发现,与传统的建模方法相比,该模型具有显著地优势,它能够很好地解决人工神经网络结构难于确定、欠拟合或过拟合、容易陷入局部最优解等问题,并且在小样本情况下具有更出色的性能。