CN114548327A - 基于平衡子集的软件缺陷预测方法、系统、设备及介质 - Google Patents

基于平衡子集的软件缺陷预测方法、系统、设备及介质 Download PDF

Info

Publication number
CN114548327A
CN114548327A CN202210448024.8A CN202210448024A CN114548327A CN 114548327 A CN114548327 A CN 114548327A CN 202210448024 A CN202210448024 A CN 202210448024A CN 114548327 A CN114548327 A CN 114548327A
Authority
CN
China
Prior art keywords
class
balanced
original
partitioning
subset
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.)
Pending
Application number
CN202210448024.8A
Other languages
English (en)
Inventor
张新玉
余绍黔
李晓翠
史庆宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan University of Technology
Original Assignee
Hunan University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan University of Technology filed Critical Hunan University of Technology
Priority to CN202210448024.8A priority Critical patent/CN114548327A/zh
Publication of CN114548327A publication Critical patent/CN114548327A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Stored Programmes (AREA)

Abstract

本发明实施例中提供了一种基于平衡子集的软件缺陷预测方法、系统、设备及介质，属于数据处理技术领域，具体包括：获取目标软件运行过程产生的不平衡数据集，其中，所述不平衡数据集包括原始多类集合和原始少类集合；将原始多类集合X N 随机划分为V个样本数相等的子类；根据用户输入的划分指令选择不同的划分策略，其中，所述划分策略为基于随机划分的平衡子集构造策略或基于层次划分的平衡子集构造策略的任一种；根据所述划分策略、全部所述子类和所述原始少类集合，构造所述不平衡数据集对应的V个平衡子集并进行集成学习，得到目标软件的缺陷类别。通过本发明的方案，保留了所有原始样本，同时没有引入新样本，提高了分类性能和预测精准度。

Description

基于平衡子集的软件缺陷预测方法、系统、设备及介质
技术领域
本发明实施例涉及数据处理技术领域，尤其涉及一种基于平衡子集的软件缺陷预测方法、系统、设备及介质。
背景技术
常见的软件缺陷预测方法假定数据集中的全部类别都是平衡的，即样本数量大致相等。然而，在软件实际运行过程中，往往具有缺陷的情形远远多于无缺陷的情形。不平衡问题被广泛认为是导致软件缺陷预测模型性能不佳的主要原因之一。因此，需要构造基于不平衡数据的软件缺陷预测模型。
近年来，各种各样针对软件缺陷预测的数据重平衡方法被提出来。尽管它们中的一些取得了较好的性能，然而存在以下不足：
对于上采样方法，它们需要合成大量的少类样本，从而使少类样本的数量与多类一致。然而，过多的合成新样本，可能会引入大量的噪声数据导致预测性能下降。
对于下采样方法，它们需要删除大量的多类样本，从而使多类样本的数量与少类相同。然而，过多的删除原有样本，会丢失大量的信息，特别是部分对预测起关键作用的信息。
组合采样方法虽然在一定程度上缓解了单独使用上采样或下采样的缺点，然而现有的组合采样方法在实现过程中仍然是以一种采样方式为主，另一种采样方式为辅。因此，同样需要删除或合成大量的样本。
综上所述，亟需一种新的基于平衡子集的软件缺陷预测方法，能够在既不删除大量原始样本也不合成大量新样本的情况下使得初始不平衡数据集达到类别平衡，消除数据不平衡带来的性能下降问题，进而提升软件缺陷预测的精准度。
发明内容
鉴于此，本发明实施例提供一种基于平衡子集的软件缺陷预测方法、系统、设备及介质，至少部分解决现有技术中存在预测精度低和效率较差的问题。
第一方面，本发明实施例提供了一种基于平衡子集的软件缺陷预测方法，包括：
步骤1，获取目标软件运行过程产生的不平衡数据集，其中，所述不平衡数据集包括原始多类集合和原始少类集合；
步骤2，将原始多类集合X N 随机划分为V个样本数相等的子类；
步骤3，根据用户输入的划分指令选择不同的划分策略，其中，所述划分策略为基于随机划分的平衡子集构造策略或基于层次划分的平衡子集构造策略的任一种；
步骤4，根据所述划分策略、全部所述子类和所述原始少类集合，构造所述不平衡数据集对应的V个平衡子集并进行集成学习，得到所述目标软件的缺陷类别。
根据本发明实施例的一种具体实现方式，V 的计算公式为
Figure 344601DEST_PATH_IMAGE001
，其中，n N 和n P 分别表示所述原始多类集合和所述原始少类集合的样本数量。
根据本发明实施例的一种具体实现方式，当所述划分策略为基于随机划分的平衡子集构造策略时，所述步骤4具体包括：
分别将每个所述子类与所述原始少类集合组合形成一个平衡子集，得到V个平衡子集。
根据本发明实施例的一种具体实现方式，每个子集中包含数量相同的多类样本与少类样本。
根据本发明实施例的一种具体实现方式，当所述划分策略为基于层次划分的平衡子集构造策略时，所述步骤4具体包括：
步骤4.1，利用k-means聚类方法将多类数据聚成k个类簇；
步骤4.2，对每个所述类簇进行分层抽样，使得抽样后构成的每个子类的样本数量与所述原始少类集合的样本数量相同；
步骤4.3，分别将每个所述子类与所述原始少类集合组合形成一个平衡子集，得到V个平衡子集。步骤4.4，利用SVM等分类模型对每个平衡子集的数据进行预测，结果为1则为有缺陷，0则为无缺陷，并将每个子集上的预测结果利用投票机制得到最终的缺陷类别。
根据本发明实施例的一种具体实现方式，所述k的取值范围为3至8。
根据本发明实施例的一种具体实现方式，所述步骤4.2具体包括：
根据每个所述类簇中样本数量的比例，分别从每个所述类簇中抽出多个样本，形成V个子类。
第二方面，本发明实施例提供了一种基于平衡子集的软件缺陷预测系统，包括：
输入模块，用于获取目标软件运行过程产生的不平衡数据集，其中，所述不平衡数据集包括原始多类集合和原始少类集合；
划分模块，用于将原始多类集合X N 随机划分为V个样本数相等的子类；
选择模块，用于根据用户输入的划分指令选择不同的划分策略，其中，所述划分策略为基于随机划分的平衡子集构造策略或基于层次划分的平衡子集构造策略的任一种；
构造模块，用于根据所述划分策略、全部所述子类和所述原始少类集合，构造所述不平衡数据集对应的平衡子集并进行集成学习，得到所述目标软件的缺陷类别。
第三方面，本发明实施例还提供了一种电子设备，该电子设备包括：
至少一个处理器；以及，
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述第一方面或第一方面的任一实现方式中的基于平衡子集的软件缺陷预测方法。
第四方面，本发明实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的基于平衡子集的软件缺陷预测方法。
第五方面，本发明实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述第一方面或第一方面的任一实现方式中的基于平衡子集的软件缺陷预测方法。
本发明实施例中的基于平衡子集的软件缺陷预测方法，包括：步骤1，获取目标软件运行过程产生的不平衡数据集，其中，所述不平衡数据集包括原始多类集合和原始少类集合；步骤2，将原始多类集合X N 随机划分为V个样本数相等的子类；步骤3，根据用户输入的划分指令选择不同的划分策略，其中，所述划分策略为基于随机划分的平衡子集构造策略或基于层次划分的平衡子集构造策略的任一种；步骤4，根据所述划分策略、全部所述子类和所述原始少类集合，构造所述不平衡数据集对应的V个平衡子集并进行集成学习，得到所述目标软件的缺陷类别。
本发明实施例的有益效果为：通过本发明的方案，不仅保留了所有原始样本，同时没有引入新样本，消除数据不平衡带来的性能下降问题，进而提升软件缺陷预测的精准度。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种基于平衡子集的软件缺陷预测方法的流程示意图；
图2为本发明实施例提供的另一种基于平衡子集的数据重采样方法的流程示意图；
图3为本发明实施例提供的一种基于随机划分的平衡子集构造流程示意图；
图4为本发明实施例提供的一种基于层次划分的平衡子集构造流程示意图；
图5为本发明实施例提供的一种基于平衡子集的软件缺陷预测方法的结构示意图；
图6为本发明实施例提供的电子设备示意图。
具体实施方式
下面结合附图对本发明实施例进行详细描述。
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本发明，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。
本发明实施例提供一种基于平衡子集的软件缺陷预测方法，所述方法可以应用于不平衡数据处理场景的数据重平衡过程。
参见图1，为本发明实施例提供的一种基于平衡子集的软件缺陷预测方法的流程示意图。如图1和图2所示，所述方法主要包括以下步骤：
步骤1，获取目标软件运行过程产生的不平衡数据集，其中，所述不平衡数据集包括原始多类集合和原始少类集合；
例如，当需要对一个不平衡数据集进行分类处理时，可以先输入所述不平衡数据集{X N ,X P }，其中X N 表示所述原始多类集合，X P 表示所述原始少类集合。
步骤2，将原始多类集合X N 随机划分为V个样本数相等的子类；
可选的，V 的计算公式为
Figure 605949DEST_PATH_IMAGE001
，其中，n N 和n P 分别表示所述原始多类集合和所述原始少类集合的样本数量。
具体实施时，假设n N ，n P 分别表示多类及少类的样本数量，由于n N 不一定刚好是n P 的整数倍，因此通常会存在若干个“剩余样本”。如图3所示，少类中有 4 个样本，而多类中有 17 个样本。当将多类随机划分为四个样本数量均为 4 的子类后，会剩下一个样本，该样本即称为“剩余样本”。然后，从前面 4 个子类中随机选取 3 个不同样本与该剩余样本合起来组成一个子集。根据以上原则，V 的计算方式如下：
Figure 854528DEST_PATH_IMAGE001
。
步骤3，根据用户输入的划分指令选择不同的划分策略，其中，所述划分策略为基于随机划分的平衡子集构造策略或基于层次划分的平衡子集构造策略的任一种；
具体实施时，可以采用基于随机划分的平衡子集构造策略(简称为BS-R) 及基于层次划分的平衡子集构造策略(简称为BS-C)作为所述划分策略，考虑到两种不同策略在处理时间和性能存在不同，可以根据用户输入的划分指令分析需求，从而选择不同的划分策略。
步骤4，根据所述划分策略、全部所述子类和所述原始少类集合，构造所述不平衡数据集对应的V个平衡子集并进行集成学习，得到所述目标软件的缺陷类别。
在上述实施例的基础上，当所述划分策略为基于随机划分的平衡子集构造策略时，所述步骤4具体包括：
分别将每个所述子类与所述原始少类集合组合形成一个平衡子集，得到V个平衡子集。
可选的，每个子集中包含数量相同的多类样本与少类样本。
进一步的，当所述划分策略为基于层次划分的平衡子集构造策略时，所述步骤4具体包括：
步骤4.1，利用k-means聚类方法将多类数据聚成k个类簇；
步骤4.2，对每个所述类簇进行分层抽样，使得抽样后构成的每个子类的样本数量与所述原始少类集合的样本数量相同；
步骤4.3，分别将每个所述子类与所述原始少类集合组合形成一个平衡子集，得到V个平衡子集。
步骤4.4，利用SVM分类模型对每个平衡子集的数据进行预测，结果为1则为有缺陷，0则为无缺陷，并将每个子集上的预测结果利用投票机制得到最终的缺陷类别。
可选的，所述k的取值范围为3至8。
可选的，所述步骤4.2具体包括：
根据每个所述类簇中样本数量的比例，分别从每个所述类簇中抽出多个样本，形成V个子类。
具体实施时，当所述划分策略为基于随机划分的平衡子集构造策略时，如图3所示，可以通过将X N 划分为 V 个子类，分别记为
Figure 706463DEST_PATH_IMAGE002
,
Figure 865043DEST_PATH_IMAGE003
，然后依次将每个子类
Figure 156347DEST_PATH_IMAGE004
与所述原始少类集合X P 组合起来形成一个平衡子集
Figure 16856DEST_PATH_IMAGE005
。通过这种方式，一共可以得到V个平衡子集，每个子集中包含数量相同的多类样本与少类样本。
同时，当所述划分策略为基于层次划分的平衡子集构造策略时，如图4所示，所述基于层次划分的平衡子集构造策略分为以下三个步骤：
步骤一(多类聚类)：用k-means聚类方法将多类数据聚成k个类，记为{Z 1 , Z 2 ,··· ,Z k }。其中k通过拐点法确定，其取值区间为[3,8]。
步骤二(分层抽样)：对第一步中得到的每个类簇进行分层抽样，使得抽样后构成的每个子类的样本数量与少类的样本数量相同。假设多类样本100个，少类样本10个，具体来说：(i)通过步骤一将多类样本聚为数量分别为50、30、20的三个类簇。(ii)根据V的计算公式可知V=10，即需要构造的平衡子集数量为10，然后每次从这三个类簇中分别取5(=50/10)、3(=30/10)、2(=20/10)个样本，将取得的共10个样本组成一个子类，一共可以得到V个子类，记作
Figure 684597DEST_PATH_IMAGE006
。
步骤三(构造平衡子集)：将由步骤二得到的V个子类依次与所述原始少类集合X P 组合起来形成一个平衡子集
Figure 87897DEST_PATH_IMAGE007
。最终，一共可以得到V个平衡子集，每个子集中包含数量相同的多类样本与少类样本，然后可以利用SVM等分类模型对每个平衡子集的数据进行预测，结果为1则为有缺陷，0则为无缺陷，并将每个子集上的预测结果利用投票机制得到最终的缺陷类别。
本实施例提供的基于平衡子集的软件缺陷预测方法，通过提出两种新的平衡子集构造策略组合，不仅保留了所有原始样本，同时没有引入新样本，消除数据不平衡带来的性能下降问题，进而提升软件缺陷预测的精准度。
下面将结合一个具体实施例对本方案进行说明，为了充分验证本章提出的基于平衡子集的数据重采样方法的优越性，选择了三个标准类不平衡数据集，即Pima、Haberman、Ecoli3。同时，选取了三个严重类不平衡数据集，即PC1、Glass2、Abalone19。表1统计了这些数据集的基本属性。
Figure 392845DEST_PATH_IMAGE008
为了充分验证本章提出的基于平衡子集的数据重采样方法(BS)及具体的两种实现方式，即基于随机划分的平衡子集构造(BS-R)和基于层次划分的平衡子集构造(BS-C)的性能，选取了三种类型的方法作为对比方法：
基于下采样的方法：RUS(随机下采样)，ClusterUS，NearMiss(一种基于kNN的下采样方法，即选择到最远的三个少数类样本平均距离最小的那些多数类样本)；
基于上采样的方法：SMOTE，BSMOTE，kSMOTE；
基于组合采样的方法：SMOTE-TLR，SMOTE-ENN。
首先，测试标准类不平衡数据集上的预测性能：
主要在三个标准类不平衡数据集上对所有的方法进行性能评估，包含Pima、
Haberman、Ecoli3。表2展示了本章提出的两种实现方法BS-R/BS-C和对比方法在这三个数据集上的G-mean值。
Figure 740650DEST_PATH_IMAGE009
表2的结果可以总结以下几点：
相比直接使用原始不平衡数据的Baseline方法，所有重采样方法的性能都有一定程度的提高，这说明数据平衡化有利于缓解类不平衡带来的负面性能，从而提升分类及预测性能。
通过对比三种上采样方法SMOTE、BSMOTE、kSMOTE和三种下采样方法RUS、ClusterUS、NearMiss的性能，可以看出上采样方法和下采样方法没有明显的优劣，这说明新增样本或删除样本达到数据平衡在本质是一样的。
表2中，BS-R/BS-C及对比方法在三个标准类不平衡数据集上的G-mean值，加粗表示对应数据集上最高的两个结果，Baseline表示直接使用原始数据集构造预测模型(单位：百分比)
从 SMOTE-TLR和SMOTE-ENN的结果来看，组合采样通过同时使用上采样和下采样可以获得比单一使用上采样或下采样更好的性能，但提升不明显。
BS-R和 BS-C在三个数据集中均获得了相对更好的预测性能。具体来说，比现有方法中最高结果在G-mean上分别至少提高了1.20% (72.14%-70.94%)、0.83%(57.81%-56.98%)、0.30% (87.41%-87.11%)。
BS-R和 BS-C两种实现方法的性能相当。具体来说，BS-R在 Haberman上取得了最好结果，而 BS-C在 Pima和 Ecoli3上取得了最好结果。
其次，测试严重类不平衡数据集上的预测性能：
在三个严重类不平衡数据集上对所有的方法进行性能评估，包含PC1、Glass2、Abalone19。表3展示了本章提出的两种实现方法BS-R/BS-C和对比方法在这三个数据集上的G-mean和AUC值。表3中，BS-R/BS-C及对比方法在三个严重类不平衡数据集上的G-mean值，加粗表示对应数据集上最高的两个结果，Baseline表示直接使用原始数据集进行预测(单位：百分比)。
Figure 946503DEST_PATH_IMAGE010
从表3的结果综合来看，可以得出以下几点结论：
（1）相比直接使用原始不平衡数据进行预测的Baseline方法，所有重采样方法的性能都取得了较大程度的提升。这些结果充分证明了对数据进行平衡化处理是非常有必要的，特别是在严重类不平衡情况下。
（2）三种上采样方法和三种下采样方法的性能相当。相对来说，BSMOTE在三种上采样方法中性能最佳，而ClusterUS在三种下采样方法中性能最佳。
两种组合采样方法SMOTE-TLR和SMOTE-ENN性能，与单一使用上采样或下采样的性能也差别大不。这说明当数据呈现严重类不平衡时，现有上采样、下采样及组合采样方法没有本质区别。
（3）BS-R和BS-C在三个数据集中均获得了相对更好的预测性能。具体来说，比现有方法中的最高结果在G-mean上分别至少提高了1.37%(55.80%-54.33%)、
1.87%(69.65%-67.77%)、2.41%(56.32%-53.91%)。
（4）BS-C在三个数据集上都获得了比BS-R更好的性能。这说明，在处理严重类不平衡数据分类时，BS-C更有效。
与上面的方法实施例相对应，参见图5，本发明实施例还提供了一种基于平衡子集的软件缺陷预测50，包括：
输入模块501，用于获取目标软件运行过程产生的不平衡数据集，其中，所述不平衡数据集包括原始多类集合和原始少类集合；
划分模块502，用于将原始多类集合X N 随机划分为V个样本数相等的子类；
选择模块503，用于根据用户输入的划分指令选择不同的划分策略，其中，所述划分策略为基于随机划分的平衡子集构造策略或基于层次划分的平衡子集构造策略的任一种；
构造模块504，用于根据所述划分策略、全部所述子类和所述原始少类集合，构造所述不平衡数据集对应的平衡子集并进行集成学习，得到所述目标软件的缺陷类别。
图5所示系统可以对应的执行上述方法实施例中的内容，本实施例未详细描述的部分，参照上述方法实施例中记载的内容，在此不再赘述。
参见图6，本发明实施例还提供了一种电子设备60，该电子设备包括：至少一个处理器以及与该至少一个处理器通信连接的存储器。其中，该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述方法实施例中的基于平衡子集的软件缺陷预测。
本发明实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述方法实施例中的基于平衡子集的软件缺陷预测方法。
本发明实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述方法实施例中的基于平衡子集的软件缺陷预测方法。
下面参考图6，其示出了适于用来实现本发明实施例的电子设备60的结构示意图。本发明实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA（个人数字助理）、PAD（平板电脑）、PMP（便携式多媒体播放器）、车载终端（例如车载导航终端）等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示，电子设备60可以包括处理装置（例如中央处理器、图形处理器等）601，其可以根据存储在只读存储器（ROM）602中的程序或者从存储装置608加载到随机访问存储器（RAM）603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备60操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出（I/O）接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备60与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备60，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本发明的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本发明实施例的方法中限定的上述功能。
需要说明的是，本发明上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备可以执行上述方法实施例的相关步骤。
或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备可以执行上述方法实施例的相关步骤。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于平衡子集的软件缺陷预测方法，其特征在于，包括：
步骤1，获取目标软件运行过程产生的不平衡数据集，其中，所述不平衡数据集包括原始多类集合和原始少类集合；
步骤2，将原始多类集合X N 随机划分为V个样本数相等的子类；
步骤3，根据用户输入的划分指令选择不同的划分策略，其中，所述划分策略为基于随机划分的平衡子集构造策略或基于层次划分的平衡子集构造策略的任一种；
步骤4，根据所述划分策略、全部所述子类和所述原始少类集合，构造所述不平衡数据集对应的V个平衡子集并进行集成学习，得到所述目标软件的缺陷类别。
2.根据权利要求1所述的方法，其特征在于,V 的计算公式为
Figure 757992DEST_PATH_IMAGE001
，其中，n N 和n P 分别表示所述原始多类集合和所述原始少类集合的样本数量。
3.根据权利要求1所述的方法，其特征在于,当所述划分策略为基于随机划分的平衡子集构造策略时，所述步骤4具体包括：
分别将每个所述子类与所述原始少类集合组合形成一个平衡子集，得到V个平衡子集。
4.根据权利要求3所述的方法，其特征在于,每个子集中包含数量相同的多类样本与少类样本。
5.根据权利要求1所述的方法，其特征在于,当所述划分策略为基于层次划分的平衡子集构造策略时，所述步骤4具体包括：
步骤4.1，利用k-means聚类方法将多类数据聚成k个类簇；
步骤4.2，对每个所述类簇进行分层抽样，使得抽样后构成的每个子类的样本数量与所述原始少类集合的样本数量相同；
步骤4.3，分别将每个所述子类与所述原始少类集合组合形成一个平衡子集，得到V个平衡子集；
步骤4.4，利用SVM分类模型对每个平衡子集的数据进行预测，结果为1则为有缺陷，0则为无缺陷，并将每个子集上的预测结果利用投票机制得到最终的缺陷类别。
6.根据权利要求5所述的方法，其特征在于,所述k的取值范围为3至8。
7.根据权利要求5所述的方法，其特征在于,所述步骤4.2具体包括：
根据每个所述类簇中样本数量的比例，分别从每个所述类簇中抽出多个样本，形成V个子类。
8.一种基于平衡子集的软件缺陷预测系统，其特征在于，包括：
输入模块，用于获取目标软件运行过程产生的不平衡数据集，其中，所述不平衡数据集包括原始多类集合和原始少类集合；
划分模块，用于将原始多类集合X N 随机划分为V个样本数相等的子类；
选择模块，用于根据用户输入的划分指令选择不同的划分策略，其中，所述划分策略为基于随机划分的平衡子集构造策略或基于层次划分的平衡子集构造策略的任一种；
构造模块，用于根据所述划分策略、全部所述子类和所述原始少类集合，构造所述不平衡数据集对应的平衡子集并进行集成学习，得到所述目标软件的缺陷类别。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述权利要求1-7中任一项所述的基于平衡子集的软件缺陷预测方法。
10.一种非暂态计算机可读存储介质，其特征在于，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述权利要求1-7中任一项所述的基于平衡子集的软件缺陷预测方法。
CN202210448024.8A 2022-04-27 2022-04-27 基于平衡子集的软件缺陷预测方法、系统、设备及介质 Pending CN114548327A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210448024.8A CN114548327A (zh) 2022-04-27 2022-04-27 基于平衡子集的软件缺陷预测方法、系统、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210448024.8A CN114548327A (zh) 2022-04-27 2022-04-27 基于平衡子集的软件缺陷预测方法、系统、设备及介质

Publications (1)

Publication Number Publication Date
CN114548327A true CN114548327A (zh) 2022-05-27

Family

ID=81667621

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210448024.8A Pending CN114548327A (zh) 2022-04-27 2022-04-27 基于平衡子集的软件缺陷预测方法、系统、设备及介质

Country Status (1)

Country Link
CN (1) CN114548327A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106778853A (zh) * 2016-12-07 2017-05-31 中南大学 基于权重聚类和欠抽样的不平衡数据分类方法
CN109522936A (zh) * 2018-10-23 2019-03-26 北京邮电大学 一种基于聚类的分层最近邻欠采样方法
CN110533116A (zh) * 2019-09-04 2019-12-03 大连大学 基于欧式距离的自适应集成的不平衡数据分类方法
CN111091142A (zh) * 2019-11-25 2020-05-01 国网四川省电力公司电力科学研究院 样本数量不平衡的电力系统暂态稳定状态集成预测方法
CN112015631A (zh) * 2019-05-28 2020-12-01 北京化工大学 一种面向软件缺陷预测的不平衡数据生成方法
US20220015714A1 (en) * 2018-11-29 2022-01-20 Somalogic, Inc. Methods For Determining Disease Risk Combining Downsampling of Class-Imbalanced Sets With Survival Analysis

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106778853A (zh) * 2016-12-07 2017-05-31 中南大学 基于权重聚类和欠抽样的不平衡数据分类方法
CN109522936A (zh) * 2018-10-23 2019-03-26 北京邮电大学 一种基于聚类的分层最近邻欠采样方法
US20220015714A1 (en) * 2018-11-29 2022-01-20 Somalogic, Inc. Methods For Determining Disease Risk Combining Downsampling of Class-Imbalanced Sets With Survival Analysis
CN112015631A (zh) * 2019-05-28 2020-12-01 北京化工大学 一种面向软件缺陷预测的不平衡数据生成方法
CN110533116A (zh) * 2019-09-04 2019-12-03 大连大学 基于欧式距离的自适应集成的不平衡数据分类方法
CN111091142A (zh) * 2019-11-25 2020-05-01 国网四川省电力公司电力科学研究院 样本数量不平衡的电力系统暂态稳定状态集成预测方法

Similar Documents

Publication Publication Date Title
CN110321958B (zh) 神经网络模型的训练方法、视频相似度确定方法
CN110502357B (zh) 一种栈回溯方法、装置、介质和设备
WO2020228383A1 (zh) 口型生成方法、装置及电子设备
CN111611145B (zh) 崩溃信息收集方法、装置、存储介质及电子设备
CN110674349B (zh) 视频poi识别方法、装置及电子设备
WO2022142859A1 (zh) 数据处理方法、装置、计算机可读介质及电子设备
CN112037223B (zh) 图像缺陷检测方法、装置及电子设备
CN111738316B (zh) 零样本学习的图像分类方法、装置及电子设备
CN114721835A (zh) 边缘数据中心服务器能耗预测方法、系统、设备及介质
CN111062431A (zh) 图像聚类方法、图像聚类装置、电子设备及存储介质
CN110069997B (zh) 场景分类方法、装置及电子设备
CN115907970A (zh) 信贷风险识别方法、装置、电子设备及存储介质
CN111753114A (zh) 图像预标注方法、装置及电子设备
WO2024001548A1 (zh) 歌单生成方法、装置、电子设备及存储介质
CN114168824A (zh) 基于机器学习的冷热数据分离方法、系统、设备及介质
CN114548327A (zh) 基于平衡子集的软件缺陷预测方法、系统、设备及介质
CN110069452B (zh) 数据存储方法、装置和计算机可读存储介质
WO2023273564A1 (zh) 虚拟机内存管理方法、装置、存储介质及电子设备
CN111832354A (zh) 目标对象年龄识别方法、装置及电子设备
CN112286808B (zh) 应用程序的测试方法、装置、电子设备及介质
CN113379038A (zh) 数据处理方法和电子设备
CN111402867A (zh) 混合采样率声学模型训练方法、装置及电子设备
CN116820539B (zh) 一种基于互联网的系统软件运行维护系统及方法
CN111738311A (zh) 面向多任务的特征提取方法、装置及电子设备
CN111950572A (zh) 训练分类器的方法、装置、电子设备和计算机可读存储介质

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20220527