基于函数调用全信息的缺陷定位研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景和意义 | 第10页 |
| 1.2 研究现状 | 第10-13页 |
| 1.2.1 基于程序普的缺陷定位 | 第10-11页 |
| 1.2.2 基于BP神经网络的缺陷定位 | 第11-12页 |
| 1.2.3 其他缺陷定位方法 | 第12-13页 |
| 1.3 本文内容安排 | 第13-15页 |
| 第二章 研究基础 | 第15-26页 |
| 2.1 面向切面编程 | 第15-16页 |
| 2.1.1 AOP简介 | 第15页 |
| 2.1.2 Aspectc简介 | 第15-16页 |
| 2.1.3 Aspectc基本结构和编译机制 | 第16页 |
| 2.2 Gini指标 | 第16-19页 |
| 2.2.1 离散型属性Gini指数 | 第17-18页 |
| 2.2.2 连续性属性Gini指数 | 第18-19页 |
| 2.3 随机森林 | 第19-23页 |
| 2.3.1 随机森林中的决策树 | 第19-21页 |
| 2.3.2 随机森林的构建过程 | 第21-23页 |
| 2.4 hadoop生态系统 | 第23-25页 |
| 2.4.1 hadoop和mapreduce | 第23-24页 |
| 2.4.2 hive简介 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第三章 基于函数调用全信息的缺陷定位 | 第26-41页 |
| 3.1 方法的基本思路 | 第26-28页 |
| 3.1.1 当前软件缺陷定位方法的不足 | 第26页 |
| 3.1.2 本文改进和创新思路 | 第26-27页 |
| 3.1.3 本文方法概述 | 第27-28页 |
| 3.2 算法流程 | 第28-40页 |
| 3.2.1 函数调用信息的获取 | 第28-29页 |
| 3.2.2 函数参数维度的特征计算 | 第29-32页 |
| 3.2.3 函数调用次数维度的特征计算 | 第32-35页 |
| 3.2.4 函数之间调用关系维度特征计算 | 第35-36页 |
| 3.2.5 随机森林对样本训练和缺陷预测 | 第36-40页 |
| 3.3 本章总结 | 第40-41页 |
| 第四章 系统的设计和实现 | 第41-51页 |
| 4.1 基于函数调用全信息的缺陷定位系统 | 第41-49页 |
| 4.1.1 系统整体架构 | 第41页 |
| 4.1.2 整体工作流程 | 第41-42页 |
| 4.1.3 获取运行信息模块 | 第42-44页 |
| 4.1.4 清洗数据和可视化模块 | 第44-46页 |
| 4.1.5 特征提取与预测模块 | 第46-49页 |
| 4.2 评估系统 | 第49-50页 |
| 4.3 本章小结 | 第50-51页 |
| 第五章 实验结果分析 | 第51-57页 |
| 5.1 实验简介 | 第51页 |
| 5.2 实验环境 | 第51-52页 |
| 5.3 衡量准则 | 第52-53页 |
| 5.4 结果分析 | 第53-56页 |
| 5.5 本章小结 | 第56-57页 |
| 总结与展望 | 第57-59页 |
| 总结 | 第57-58页 |
| 未来的研究 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63页 |
