基于机器学习的软件缺陷预测研究
| 中文摘要 | 第3-5页 |
| 英文摘要 | 第5-7页 |
| 1 绪论 | 第10-20页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外发展现状 | 第11-15页 |
| 1.2.1 动态缺陷预测技术 | 第12页 |
| 1.2.2 静态缺陷预测技术 | 第12-15页 |
| 1.3 本文研究的内容及贡献 | 第15-17页 |
| 1.4 本文结构安排 | 第17-20页 |
| 2 基于机器学习的软件缺陷预测模型 | 第20-38页 |
| 2.1 预测模型基本框架 | 第20-21页 |
| 2.2 缺陷预测相关软件度量 | 第21-24页 |
| 2.2.1 面向方法的软件度量 | 第22-23页 |
| 2.2.2 面向对象的软件度量 | 第23-24页 |
| 2.3 基于机器学习的缺陷预测模型 | 第24-34页 |
| 2.3.1 传统的缺陷预测模型 | 第24-26页 |
| 2.3.2 基于类不平衡学习的缺陷预测模型 | 第26-29页 |
| 2.3.3 基于跨公司学习的缺陷预测模型 | 第29-32页 |
| 2.3.4 基于无监督和半监督学习的缺陷预测模型 | 第32-34页 |
| 2.4 评价指标 | 第34-36页 |
| 2.5 本章小结 | 第36-38页 |
| 3 基于迁移Boosting的软件缺陷预测 | 第38-62页 |
| 3.1 引言 | 第38-40页 |
| 3.2 迁移学习相关理论 | 第40-41页 |
| 3.3 迁移Boosting缺陷预测模型 | 第41-47页 |
| 3.3.1 数据预处理 | 第42-43页 |
| 3.3.2 数据引力迁移算法 | 第43-44页 |
| 3.3.3 TrAdaBoost迁移算法 | 第44-46页 |
| 3.3.4 算法流程 | 第46-47页 |
| 3.4 实验结果与分析 | 第47-59页 |
| 3.4.1 实验数据集 | 第47-48页 |
| 3.4.2 与现有的CCDP模型对比 | 第48-56页 |
| 3.4.3 与现有的WCDP模型对比 | 第56-59页 |
| 3.5 本章小结 | 第59-62页 |
| 4 基于类重叠与不平衡学习的软件缺陷预测 | 第62-82页 |
| 4.1 引言 | 第62-63页 |
| 4.2 基于类重叠和不平衡学习的预测模型 | 第63-69页 |
| 4.2.1 基于类重叠的预处理算法 | 第63-66页 |
| 4.2.2 基于集成随机下采样的缺陷预测算法 | 第66-69页 |
| 4.2.3 算法总体框架 | 第69页 |
| 4.3 实验结果与分析 | 第69-79页 |
| 4.3.1 实验数据集 | 第69-70页 |
| 4.3.2 类重叠相关实验分析 | 第70-73页 |
| 4.3.3 缺陷预测对比实验结果 | 第73-79页 |
| 4.4 本章小结 | 第79-82页 |
| 5 基于单分类的软件缺陷预测 | 第82-104页 |
| 5.1 引言 | 第82-83页 |
| 5.2 单分类模型相关理论 | 第83-84页 |
| 5.3 基于单类SVM的缺陷预测模型 | 第84-98页 |
| 5.3.1 单类SVM算法 | 第84-87页 |
| 5.3.2 实验结果与分析 | 第87-98页 |
| 5.4 基于动态选择集成的单类预测模型 | 第98-102页 |
| 5.4.1 算法流程 | 第98-101页 |
| 5.4.2 实验结果与分析 | 第101-102页 |
| 5.5 本章小结 | 第102-104页 |
| 6 总结与展望 | 第104-108页 |
| 6.1 研究工作总结 | 第104-106页 |
| 6.2 进一步研究工作 | 第106-108页 |
| 致谢 | 第108-110页 |
| 参考文献 | 第110-124页 |
| 附录 | 第124页 |
| A 攻读博士期间发表的论文 | 第124页 |
| B 攻读博士期间参与的项目 | 第124页 |
