CN108829607B - 一种基于卷积神经网络的软件缺陷预测方法 - Google Patents
一种基于卷积神经网络的软件缺陷预测方法 Download PDFInfo
- Publication number
- CN108829607B CN108829607B CN201810743379.3A CN201810743379A CN108829607B CN 108829607 B CN108829607 B CN 108829607B CN 201810743379 A CN201810743379 A CN 201810743379A CN 108829607 B CN108829607 B CN 108829607B
- Authority
- CN
- China
- Prior art keywords
- convolutional neural
- neural network
- vector
- defect prediction
- software
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 56
- 230000007547 defect Effects 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 37
- 239000013598 vector Substances 0.000 claims abstract description 64
- 238000012549 training Methods 0.000 claims abstract description 11
- 230000003068 static effect Effects 0.000 claims abstract description 10
- 238000005516 engineering process Methods 0.000 claims abstract description 9
- 238000012706 support-vector machine Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000013507 mapping Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3604—Software analysis for verifying properties of programs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Stored Programmes (AREA)
Abstract
本发明公开的一种基于卷积神经网络的软件缺陷预测方法,包括以下步骤:解析软件项目中的各文件源代码,形成AST Token向量集合;在整数和Token之间建立映射,将AST Token向量转换成数值向量;利用SMOTE技术对数值向量集合数据进行分类不均衡问题的处理;在数值向量集合基础上构建卷积神经网络,提炼出能够表达代码语义的特征向量;将卷积神经网络学习的特征与传统手工静态特征合并;将具有合并特征的数据集合输入到支持向量机分类器中,训练出软件缺陷预测模型。本发明可直接应用于实际软件的缺陷预测任务中,可以捕捉源码的语义特征,解决传统方法中缺失对语义特征分析的问题,进而提高缺陷预测模型的准确性。
Description
技术领域
本发明涉及软件工程中的软件分析及缺陷预测领域,特别涉及一种基于卷积神经网络的软件缺陷预测方法。
背景技术
软件中潜在的和未知的缺陷将严重影响软件的质量,因此软件分析及缺陷预测技术在软件质量保障任务中起着重要的作用。如果可以及早地发现软件缺陷,这将有助于软件团队了解当前项目的质量状态,进而合理分配测试资源。然而对项目中所有代码单元的手动审查是不切实际的,因此,越来越多的软件工程研究和实践人员开始高度关注基于机器学习的软件缺陷预测技术,并尝试使用多种机器学习方法来检测软件中可能有缺陷的模块和文件。
基于机器学习的软件缺陷预测方法,首先从软件项目的源文件中提取代码特征,其主要包括基于操作符和操作数的Halstead特征,基于依赖性的McCabe特征,基于面向对象程序的CK特征和基于代码变化历史的Change特征等。这些特征主要利用的是软件分析学者们提炼的手动特征。进一步地,软件缺陷预测方法使用机器学习算法对历史的缺陷数据进行有监督学习得到分类模型,即在对历史数据进行手动特征提取的基础上,运用如支持向量机、随机森林、逻辑回归等基分类器进行缺陷预测模型的学习。预测结果将帮助软件质量保障团队找到可能包含缺陷的代码区域。
然而,传统基于机器学习的软件缺陷预测方法所利用的手动特征无法捕获和利用软件代码中丰富的语义特征,因此预测性能往往不理想。卷积神经网络作为自动化特征生成的强大技术之一,可以有效地捕捉软件代码中复杂的非线性特征,可以解决软件缺陷预测方法中手动特征缺失语义特征的问题。
但是如何实现卷积神经网络在软件缺陷检测领域的应用,这对本领域的技术人员而言,是一个难题。
发明内容
本发明的目的在于克服现有技术的缺点与不足,提供一种基于卷积神经网络的软件缺陷预测方法,该方法结合神经网络自动化特征生成的技术,解决现有软件缺陷预测方法中传统手动特征缺失语义特征的问题。该方法操作简易,只需在规范的软件缺陷预测流程基础上提交一份软件源码即可提供一套对该软件项目各文件缺陷倾向的预测结果,为软件团队在项目质量评估和测试资源分配任务提供参考依据。
本发明的目的通过以下的技术方案实现:
一种基于卷积神经网络的软件缺陷预测方法,包括以下步骤:
1)解析软件项目中的各文件源代码,得到各文件的AST(Abstract Syntax Trees)Token向量,形成AST Token向量集合;
2)在整数和Token之间建立映射,将步骤1)得到的AST Token向量集合中的向量转换成卷积神经网络输入所需要的数值向量;
3)利用少数类别数据过采样技术(SMOTE),对步骤2)得到的数值向量集合数据进行分类不均衡问题的处理,最终所得的结果即为均衡的数据集;
4)在步骤3)中经过分类不均衡问题处理的数值向量集合的基础上,构建卷积神经网络,提炼出能够表达代码语义的特征向量;
5)将步骤4)中卷积神经网络学习的特征向量与基于操作符和操作数的Halstead特征、基于依赖性的McCabe特征和基于面向对象程序的CK特征合并,形成更加完整的静态代码特征向量,进而得到基于该特征向量的数据集合;
6)将步骤5)中得到的数据集合输入到支持向量机(SVM)分类器中,训练出基于卷积神经网络的软件缺陷预测模型。
所述步骤3)具体为:
通过少数类别数据过采样技术(SMOTE)对训练数据进行预处理;SMOTE属于一种基于过采样的分类不均衡数据处理技术。它在模型训练之前合成新的少数样本,为学***衡的类别分布。
所述过采样技术,具体的过程如下:
A、对于少数类别中的每一个样本,找到其k个近邻;
B、根据样本不平衡比例从每个少数类别样本k个近邻中随机选择;选取近邻个数根据类别不均衡率计算;
给定M作为少数类别样本的数量,并将N作为多数类别样本的数量,过采样技术的策略是计算不平衡比率IR=M/N;随机选取的近邻个数rk=1/IR-1,如无法除尽,则向上取整;
C、合成的少数类别样本是通过在少数类别样本和选取的近邻之间进行插值得到的。
所述步骤4)具体为:
通过使用步骤3)得到的均衡数据集来训练一套卷积神经网络,即学习卷积神经网络中的权重和偏差;
具体来说,所述卷积神经网络由一个输入层、两个卷积层、两个平均池化层和一个完全连接的隐藏层组成,所述卷积神经网络各层中都使用ReLU函数作为激活函数;所述卷积神经网络利用Keras工具来实现,构建具有两层卷积层的卷积神经网络后能够提炼出表达静态代码语义的特征。
本发明与现有技术相比,具有如下优点和有益效果:
本发明利用了卷积神经网络进行软件源码自动化特征的生成,可以有效捕捉到源码中复杂的非线性特征,解决软件缺陷预测方法中缺失对语义特征分析的问题,进而提高缺陷预测模型的准确性。
附图说明
图1为本发明所述一种基于卷积神经网络的软件缺陷预测方法的流程图。
图2为AST Token向量解析例子的示意图。
图3为卷积神经网络获取语义表达特征的流程示意图。
图4为基于卷积神经网络的软件缺陷预测流程的详细示意图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
如图1、2、3、4,一种基于卷积神经网络的软件缺陷预测方法,包括以下步骤:
步骤1)解析软件项目中的各文件源代码,得到各文件的Abstract Syntax Trees(AST)Token向量,形成AST Token向量集合。具体实现如下:本发明选择源代码文件的AST中节点作为向量的解析粒度。使用一个名为JDT-core的开源Java库来解析软件文件的源代码到AST Token向量中。我们主要在AST上选择三种类型的节点作为标记:1)声明节点(含方法声明,类型声明等),其值被提取作为Token的值,2)方法调用和类实例创建的节点,它们被记录为它们的方法名或类名,放入Token中,以及3)包括If语句,While语句,For语句,Throw语句等控制流节点被简单地记录作为它们的节点类型。本发明所选定主要的AST节点在表1中列出。通过这种方式,我们将软件项目中每个源文件转换为一个Token向量。如图2所示代码例子所示,代码段可解析成AST Token向量:[For,myMethod,If,Continue,print]。
步骤2)将步骤1)得到的AST Token向量转换成卷积神经网络的输入所需要的数值向量。因为卷积神经网络的输入需要是数值向量集合,所以该步骤需要将步骤1)中得到的AST Token向量转换成数值向量。为了解决这个问题,我们首先在整数和Token之间建立映射,进而将Token向量转换为整数向量。每个Token都与唯一的整数标识符关联,整数标识符范围从1到Token节点类型的总数。此外,卷积神经网络需要输入的向量具有相同的长度,但是不同文件最后的整数向量的长度往往不同。因此我们将0附加到每个整数向量的尾部,使其长度与最长的整数向量一致。另外,我们只处理软件项目中出现两次或更多次的Token节点,而将只出现一次的Token节点表示为0,以此避免文件因调用很少出现的语句而导致一些意义不大的整数向量。表2中列举了三个AST Token向量的集合以及其转换成整数向量的例子,其中Continue语句在集合中只出现过一次,因此我们不考虑它,在第一条整数向量中将其标记其为0,第三条AST Token向量是最长序列,长度为7,因此第一条和第二条整数向量用0补齐长度到7。
表1:本发明所选定的主要AST节点
表2:AST Token向量转换成数值向量
步骤3)利用对少数类别数据的过采样(运用SMOTE方法),对步骤2)得到的数值向量集合数据进行分类不均衡问题的处理。实际上,一些软件项目的缺陷率很低或者很高,所以在基于机器学***衡问题可能会给学习带来困难,因为训练出来的分类器倾向于选择多数的类别,并且对少数类别的分类能力较弱。为了缓解这个问题,分类不均衡学习技术被广泛使用。在本发明中,我们在预测模型学习之前使用少数类别数据过采样技术(SMOTE)对模型训练数据进行预处理。此处的SMOTE是一种过度抽样技术,可以综合地创建少数类别的新样本,为学习任务提供更均衡的分类分布。
步骤4)在步骤3)中经过分类不均衡问题的处理的数值向量集合的基础上,构建卷积神经网络,提炼出能够静态代码语义的表达特征。我们通过使用步骤3)得到的均衡数据集来训练一套卷积神经网络,即学***均池化层和一个完全连接的隐藏层组成,这里提到的七层中都使用ReLU函数作为激活函数。图3为该步骤中卷积神经网络获取语义特征流程的示意图。本发明中卷积神经网络的实现利用的是Keras工具(http://keras.io)。通过Keras可以快速地构建卷积神经网络,并得到卷积神经网络提炼出来的特征向量。
步骤5)将步骤4)中卷积神经网络学习的特征向量与基于操作符和操作数的Halstead特征,基于依赖性的McCabe特征,基于面向对象程序的CK特征合并(表3列出了典型的Halstead、McCabe和CK特征),形成更加完整的静态代码特征向量,并得到基于该特征向量的数据集合。到步骤4)为止,我们只考虑通过卷积神经网络提炼出的基于语义的特征。然而,在传统的缺陷预测方法中,其他特征如复杂性度量和面向对象程序特征也包含了可用于预测缺陷的静态代码特征信息。这些静态特征都可以通过代码分析得到。为了利用这些信息,我们将卷积神经网络学习的特征向量(完全连接的隐藏层所代表的特征向量)与传统的静态特征向量连接起来。这个连接可以通过Keras中的合并操作符来实现。图4中包含了卷积神经网络提炼出来的特征与传统手工特征合并的步骤示意图。在完成特征向量合并后我们得到基于该特征向量的数据集合。上述操作完成后该步骤也对数据集合进行Z-Score标准化处理。
表3:有代表性的的Halstead、McCabe和CK特征
Halstead&McCabe特征 | CK特征 |
操作符数量及操作次数 | 类的方法数量 |
操作对象数量及***作次数 | 类在继承树中的深度 |
基本复杂度 | 类在继承树中的孩子节点数 |
环形复杂度 | 与类存在耦合关系的其他类的数量 |
设计复杂度 | 类中可调用的外部方法数量 |
代码行数 | 类中访问一个或多个属性的方法数 |
6)将步骤5)中得到的数据集合输入到支持向量机(SVM)分类器中,训练出基于卷积神经网络的软件缺陷预测模型。本发明利用开源库Libsvm(https://www.csie.ntu.edu.tw/~cjlin/libsvm/)实现SVM分类器的训练。最后一个作为支持向量机分类器的卷积神经网络单元输出层使用Sigmoid作为激活函数。图4为实现的基于卷积神经网络的软件缺陷预测流程的详细示意图。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (3)
1.一种基于卷积神经网络的软件缺陷预测方法,其特征在于,包括以下步骤:
1)解析软件项目中的各文件源代码,得到各文件的AST Token向量,形成AST Token向量集合;
2)在整数和Token之间建立映射,将步骤1)得到的AST Token向量集合中的向量转换成卷积神经网络输入所需要的数值向量;
3)利用少数类别数据过采样技术,对步骤2)得到的数值向量集合数据进行分类不均衡问题的处理,最终所得的结果即为均衡的数据集;
4)在步骤3)中经过分类不均衡问题处理的数值向量集合的基础上,构建卷积神经网络,提炼出能够表达代码语义的特征向量;
5)将步骤4)中卷积神经网络学习的特征向量与基于操作符和操作数的Halstead特征、基于依赖性的McCabe特征和基于面向对象程序的CK特征合并,形成更加完整的静态代码特征向量,进而得到基于该特征向量的数据集合;
6)将步骤5)中得到的数据集合输入到支持向量机分类器中,训练出基于卷积神经网络的软件缺陷预测模型。
2.根据权利要求1所述基于卷积神经网络的软件缺陷预测方法,其特征在于,所述步骤3)具体为:
通过少数类别数据过采样技术对训练数据进行预处理;
所述过采样技术,具体的过程如下:
A、对于少数类别中的每一个样本,找到其k个近邻;
B、根据样本不平衡比例从每个少数类别样本k个近邻中随机选择;选取近邻个数根据类别不均衡率计算;
给定M作为少数类别样本的数量,并将N作为多数类别样本的数量,过采样技术的策略是计算不平衡比率IR=M/N;随机选取的近邻个数rk=1/IR-1,如无法除尽,则向上取整;
C、合成的少数类别样本是通过在少数类别样本和选取的近邻之间进行插值得到的。
3.根据权利要求1所述基于卷积神经网络的软件缺陷预测方法,其特征在于,所述步骤4)具体为:
通过使用步骤3)得到的均衡数据集来训练一套卷积神经网络,即学习卷积神经网络中的权重和偏差;
所述卷积神经网络由一个输入层、两个卷积层、两个平均池化层和一个完全连接的隐藏层组成,所述卷积神经网络各层中都使用ReLU函数作为激活函数;所述卷积神经网络利用Keras工具来实现,构建具有两层卷积层的卷积神经网络后能够提炼出表达静态代码语义的特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810743379.3A CN108829607B (zh) | 2018-07-09 | 2018-07-09 | 一种基于卷积神经网络的软件缺陷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810743379.3A CN108829607B (zh) | 2018-07-09 | 2018-07-09 | 一种基于卷积神经网络的软件缺陷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108829607A CN108829607A (zh) | 2018-11-16 |
CN108829607B true CN108829607B (zh) | 2021-08-10 |
Family
ID=64136032
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810743379.3A Expired - Fee Related CN108829607B (zh) | 2018-07-09 | 2018-07-09 | 一种基于卷积神经网络的软件缺陷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108829607B (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109376092B (zh) * | 2018-11-26 | 2021-07-13 | 扬州大学 | 一种面向缺陷补丁代码的软件缺陷原因自动分析方法 |
CN109710512A (zh) * | 2018-12-06 | 2019-05-03 | 南京邮电大学 | 基于测地线流核的神经网络软件缺陷预测方法 |
CN110109835B (zh) * | 2019-05-05 | 2021-03-30 | 重庆大学 | 一种基于深度神经网络的软件缺陷定位方法 |
CN110134108B (zh) * | 2019-05-14 | 2021-10-22 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种代码缺陷测试方法和装置 |
CN110489348B (zh) * | 2019-08-23 | 2023-08-25 | 山东浪潮科学研究院有限公司 | 一种基于迁移学习的软件功能缺陷挖掘方法 |
CN110825615A (zh) * | 2019-09-23 | 2020-02-21 | 中国科学院信息工程研究所 | 基于网络嵌入的软件缺陷预测方法及*** |
CN110597735B (zh) * | 2019-09-25 | 2021-03-05 | 北京航空航天大学 | 一种面向开源软件缺陷特征深度学习的软件缺陷预测方法 |
CN111522743B (zh) * | 2020-04-17 | 2021-10-22 | 北京理工大学 | 一种基于梯度提升树支持向量机的软件缺陷预测方法 |
CN111767216B (zh) * | 2020-06-23 | 2022-08-09 | 江苏工程职业技术学院 | 一种可缓解类重叠问题的跨版本深度缺陷预测方法 |
CN112070716A (zh) * | 2020-08-03 | 2020-12-11 | 西安理工大学 | 一种基于深度学习的印刷缺陷智能识别方法 |
CN112328469B (zh) * | 2020-10-22 | 2022-03-18 | 南京航空航天大学 | 一种基于嵌入技术的函数级缺陷定位方法 |
CN112286807B (zh) * | 2020-10-28 | 2022-01-28 | 北京航空航天大学 | 一种基于源代码文件依赖关系的软件缺陷定位*** |
CN112631898A (zh) * | 2020-12-09 | 2021-04-09 | 南京理工大学 | 基于cnn-svm的软件缺陷预测方法 |
CN112905468A (zh) * | 2021-02-20 | 2021-06-04 | 华南理工大学 | 基于集成学习的软件缺陷预测方法、存储介质和计算设备 |
CN113608747B (zh) * | 2021-08-18 | 2024-04-02 | 南京航空航天大学 | 一种基于图卷积神经网络的软件缺陷预测方法及终端 |
CN113722218B (zh) * | 2021-08-23 | 2022-06-03 | 南京审计大学 | 一种基于编译器中间表示的软件缺陷预测模型构建方法 |
CN114169500B (zh) * | 2021-11-30 | 2023-04-18 | 电子科技大学 | 一种基于小规模电磁数据的神经网络模型处理方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105930277A (zh) * | 2016-07-11 | 2016-09-07 | 南京大学 | 一种基于缺陷报告分析的缺陷源代码定位方法 |
CN107103235A (zh) * | 2017-02-27 | 2017-08-29 | 广东工业大学 | 一种基于卷积神经网络的Android恶意软件检测方法 |
CN107885999A (zh) * | 2017-11-08 | 2018-04-06 | 华中科技大学 | 一种基于深度学习的漏洞检测方法及*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170212829A1 (en) * | 2016-01-21 | 2017-07-27 | American Software Safety Reliability Company | Deep Learning Source Code Analyzer and Repairer |
-
2018
- 2018-07-09 CN CN201810743379.3A patent/CN108829607B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105930277A (zh) * | 2016-07-11 | 2016-09-07 | 南京大学 | 一种基于缺陷报告分析的缺陷源代码定位方法 |
CN107103235A (zh) * | 2017-02-27 | 2017-08-29 | 广东工业大学 | 一种基于卷积神经网络的Android恶意软件检测方法 |
CN107885999A (zh) * | 2017-11-08 | 2018-04-06 | 华中科技大学 | 一种基于深度学习的漏洞检测方法及*** |
Non-Patent Citations (3)
Title |
---|
Automatically Learning Semantic Features for Defect Prediction;Song Wang等;《2016 IEEE/ACM 38th International Conference on Software Engineering (ICSE)》;20170403;全文 * |
Software Defect Prediction via Convolutional Neural Network;Jian Li等;《 2017 IEEE International Conference on Software Quality, Reliability and Security (QRS)》;20170815;全文 * |
基于改进ACO优化BPNN的软件缺陷预测模型;李克文等;《计算机工程与设计》;20170816;第38卷(第8期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108829607A (zh) | 2018-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108829607B (zh) | 一种基于卷积神经网络的软件缺陷预测方法 | |
CN110163261B (zh) | 不平衡数据分类模型训练方法、装置、设备及存储介质 | |
CN107608877B (zh) | 一种基于机器学习的自动化应用程序界面测试方法和测试*** | |
US10656973B2 (en) | Automated API evaluation based on API parameter resolution | |
CN107273294B (zh) | 一种基于神经网络语言模型的重复代码检测方法 | |
US11269760B2 (en) | Systems and methods for automated testing using artificial intelligence techniques | |
Gupta et al. | Novel xgboost tuned machine learning model for software bug prediction | |
WO2019100635A1 (zh) | 自动化测试脚本的编辑方法、装置、终端设备及存储介质 | |
Singh et al. | Software defect prediction tool based on neural network | |
CN111290947B (zh) | 一种基于对抗判别的跨软件缺陷预测方法 | |
CN113961241A (zh) | 一种基于gat图神经网络模型的代码克隆检测方法 | |
CN110909224A (zh) | 一种基于人工智能的敏感数据自动分类识别方法及*** | |
CN114995729A (zh) | 一种语音绘图方法、装置及计算机设备 | |
US10402303B2 (en) | Determining similarities in computer software codes for performance analysis | |
CN117575865A (zh) | 高校科研信息化管理平台及方法 | |
CN112416800A (zh) | 智能合约的测试方法、装置、设备及存储介质 | |
CN114731341A (zh) | 信息获取方法、设备和*** | |
Yashaswini et al. | HTML Code Generation from Website Images and Sketches using Deep Learning-Based Encoder-Decoder Model | |
CN115587111A (zh) | 用于数据库查询优化的基数估计方法及装置 | |
CN114445656A (zh) | 多标签模型处理方法、装置、电子设备及存储介质 | |
Fan et al. | High-frequency keywords to predict defects for android applications | |
Deshpande et al. | Assessment of Software Reliability by Object Oriented Metrics using Machine Learning Techniques | |
CN113535594B (zh) | 业务场景测试用例的生成方法、装置、设备和存储介质 | |
Zhu et al. | An Efficient Design Smell Detection Approach with Inter-class Relation (S). | |
CN115796228B (zh) | 算子融合方法、装置、设备以及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210810 |