| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究工作的背景与意义 | 第10-11页 |
| 1.2 代码漏洞检测的国内外研究历史与现状 | 第11-14页 |
| 1.3 本文的研究内容与创新 | 第14-15页 |
| 1.4 本论文的结构安排 | 第15-16页 |
| 第二章 代码漏洞预测相关基础 | 第16-28页 |
| 2.1 代码漏洞与缺陷定义 | 第16页 |
| 2.2 预测基础 | 第16-17页 |
| 2.3 代码度量方式 | 第17-19页 |
| 2.4 特征属性选择方法 | 第19-21页 |
| 2.5 预测模型相关算法 | 第21-25页 |
| 2.5.1 基于逻辑回归的预测模型 | 第21-22页 |
| 2.5.2 基于朴素贝叶斯的预测模型 | 第22页 |
| 2.5.3 基于决策树的预测模型 | 第22-23页 |
| 2.5.4 基于支持向量机的预测模型 | 第23-24页 |
| 2.5.5 基于随机森林的预测模型 | 第24页 |
| 2.5.6 基于k邻近算法的预测模型 | 第24-25页 |
| 2.6 模型效果评价方式 | 第25-27页 |
| 2.7 本章小结 | 第27-28页 |
| 第三章 类别不平衡问题对软件漏洞预测模型的性能影响分析 | 第28-40页 |
| 3.1 研究背景 | 第28-29页 |
| 3.2 类别不平衡影响分析过程 | 第29-33页 |
| 3.2.1 不同平衡率数据集生成 | 第30-32页 |
| 3.2.2 预测模型选择 | 第32页 |
| 3.2.3 模型的分析与评价方法 | 第32-33页 |
| 3.3 实验与评估 | 第33-39页 |
| 3.3.1 实验数据集及设计 | 第33页 |
| 3.3.2 实验结果与分析 | 第33-39页 |
| 3.3.3 有效性分析 | 第39页 |
| 3.4 本章小结 | 第39-40页 |
| 第四章 代码漏洞与缺陷的特征选择与度量方法分析 | 第40-53页 |
| 4.1 研究背景 | 第40-41页 |
| 4.2 主成分分析方法 | 第41-43页 |
| 4.3 基于核主成分分析的特征选择 | 第43-45页 |
| 4.4 实验评估 | 第45-52页 |
| 4.4.1 实验数据集及设计 | 第45-46页 |
| 4.4.2 实验结果与分析 | 第46-52页 |
| 4.4.3 有效性分析 | 第52页 |
| 4.5 本章小结 | 第52-53页 |
| 第五章 基于特征的迁移学习预测模型研究 | 第53-67页 |
| 5.1 研究背景 | 第53页 |
| 5.2 迁移学习 | 第53-56页 |
| 5.2.1 迁移成分分析 | 第55-56页 |
| 5.3 基于特征的迁移学习 | 第56-57页 |
| 5.4 实验结果与分析 | 第57-66页 |
| 5.4.1 实验数据集及设计 | 第57-58页 |
| 5.4.2 实验结果与分析 | 第58-66页 |
| 5.4.3 有效性分析 | 第66页 |
| 5.5 本章小结 | 第66-67页 |
| 第六章 全文总结与展望 | 第67-70页 |
| 6.1 全文总结 | 第67-68页 |
| 6.2 后续工作展望 | 第68-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-76页 |
| 攻读硕士学位期间取得的成果 | 第76页 |