隨著軟件應(yīng)用場景的不斷擴(kuò)大,軟件的規(guī)模和復(fù)雜度也隨之增大,在軟件的開發(fā)和維護(hù)過程中,為了避免軟件在生產(chǎn)環(huán)境中出現(xiàn)問題,需要對軟件源碼進(jìn)行一定的測試,而軟件測試隨著規(guī)模的擴(kuò)大,所需要投入的資源也呈爆炸式的增長。軟件缺陷預(yù)測是軟件測試中的一部分,依據(jù)歷史數(shù)據(jù)來預(yù)測開發(fā)的軟件源碼是否存在缺陷,從而合理的分配測試資源。近年來,軟件缺陷預(yù)測主要研究的是軟件工程領(lǐng)域的特征,包括代碼的結(jié)構(gòu)和復(fù)雜度特征,將不同的軟件工程特征進(jìn)行選擇和組合。而隨著深度學(xué)習(xí)與自然語言處理領(lǐng)域的不斷發(fā)展和體系完善,基于語義特征的軟件缺陷預(yù)測成為現(xiàn)階段研究的熱點(diǎn),本文將源碼缺陷預(yù)測與自然語言處理領(lǐng)域的文本分類相類比,針對源碼本身所蘊(yùn)含的語義特征難以提取的關(guān)鍵問題,在分析現(xiàn)有語義特征提取模型的基礎(chǔ)上,設(shè)計了基于卷積神經(jīng)網(wǎng)絡(luò)和長短期記憶網(wǎng)絡(luò)的源碼語義提取模型,該模型通過深度神經(jīng)網(wǎng)絡(luò)對源碼文本進(jìn)行特征抽象,獲取源碼語義特征;并提出采用Word Embedding技術(shù)對源碼輸入進(jìn)行詞向量映射,以此作為語義特征提取模型的基礎(chǔ),該技術(shù)能夠?qū)斎霐?shù)據(jù)進(jìn)行降維,并映射到低維的語義空間。實(shí)驗和分析表明,針對相同的開源數(shù)據(jù)集,基于語義特征提取的預(yù)...

【文章頁數(shù)】：64 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖2-1有監(jiān)督的缺陷預(yù)測一般過程

目前缺陷預(yù)測模型在訓(xùn)練過程上主要分為兩種，有監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)。有監(jiān)督的缺陷預(yù)測模型需要人工標(biāo)注樣本的標(biāo)簽，通過已有的訓(xùn)練樣本和對應(yīng)的標(biāo)簽去訓(xùn)練得到一個符合當(dāng)前特征集的最優(yōu)模型，再利用訓(xùn)練好的模型對待預(yù)測數(shù)據(jù)進(jìn)行輸入映射并進(jìn)行計算，得到類別的概率輸出，對輸出類別概率與特定的閾值....

圖2-2缺陷代碼示例

圖2-2缺陷代碼示例在圖2-2的這個示例中，上文中所提出的缺陷預(yù)測度量元會出現(xiàn)下列問題：（1）相似的軟件度量：兩段代碼在代碼行數(shù)、條件判斷、變量、循環(huán)以及分支完全一致，因此，如果將軟件度量用作特征，則它們將難以區(qū)分。在其他情況下，兩段代碼可能具有相同的度量，但它們的行為....

圖2-3樸素貝葉斯分類網(wǎng)在樸素貝葉斯分類算法中，每個數(shù)據(jù)特征都是互相獨(dú)立的，因此需要計算每個

華中科技大學(xué)碩士學(xué)位論文向量條件下，數(shù)據(jù)屬于特定類別的后驗概率，其中最大的后簽。公式表示為12argmax{,,...,}|iiniCCcPCPdddC數(shù)據(jù)中，由于各個特征維度是的聯(lián)合后驗概率難以得到準(zhǔn)確斯....

圖2-4線性可分的分類面

區(qū)分?jǐn)?shù)據(jù)類別的分類線。數(shù)據(jù)邊界與分類‖。支持向量機(jī)模型在二維空間下就是得下，使分類間隔最大。在高維空間中，區(qū)據(jù)維度的情況下，將最優(yōu)分類的函數(shù)稱為分類學(xué)習(xí)問題的數(shù)據(jù)集：(,),=1,2,…設(shè)數(shù)據(jù)集線性可分，這些樣本數(shù)據(jù)可以被類別。據(jù)集，可假定訓(xùn)練集的數(shù)據(jù)向....

本文編號：4019602