基于早期数据的航天测控软件缺陷预测

为提高航天测控软件的质量与可靠性,提出一种基于改进的PSO-SVM(Particle Swarm Optimization-Support Vector Machine,粒子群优化支持向量机)方法的航天测控软件缺陷预测模型。针对航天测控软件领域特征,构造了基于软件生命周期的软件度量集,并收集了实际航天测控软件的度量和缺陷数据,通过对软件历史版本数据的学习,在软件当前版本的生命周期早期数据的基础上进行缺陷预测。实例应用结果表明,采用历史版本软件数据对当前软件版本进行缺陷预测,从全局来看可达90%的预测准确度。因此,该方法可用于对航天测控软件的缺陷预测。     

基于知识图谱和自动机器学习的软件缺陷预测

不稳定和召回率低效的软件缺陷预测模型难以在行业领域应用,为解决稳定和高效各项性能评价指标的软件缺陷预测模型在工程实践应用的问题,提出了一种基于知识图谱和自动化机器学习的软件缺陷预测方法AutoKGGAS,首先获取软件缺陷预测模型数据,对知识建模、知识获取、知识融合、知识储存与知识计算等知识图谱构建技术研究,实现知识图谱...     

ABDOM的参数规范化与离散化改进

为了更好利用叠加式双阻尼振荡模型(ABDOM,Accumulative Bi-Damped Oscillation Model)来描述、预测和评估真实软件缺陷发现时序过程,在提出理想软件缺陷发现时序过程范型(ISPSDD,Ideal Sequential Process of Software Defects Discovery)的基础上,对ABDOM中软件缺陷发现阻尼 a 和软件缺陷发现周期阻尼 b 的规范化进行了进一步讨论,提出了软件缺陷发现时序过程质量评价指数 Q ,给出了其典型取值和相关意义,并将其引入ABDOM,最终得到了经过参数规范化和离散化改进后的ABDOM-Q_d,并利用一个真实的工程实践项目数据对ABDOM-Q_d 进行了验证.     

航天测控软件缺陷管理与分析系统设计

在研究软件缺陷正交分类方法的基础上,针对航天测控软件特点,构造其正交分类框架,建立航天测控软件缺陷信息数据库,实现基于Web的航天测控软件缺陷管理与分析系统,对某测控软件系统的部分缺陷信息数据开展分析,得出一定的分析结果。     

航天嵌入式软件缺陷的分类方法

软件缺陷分类是软件缺陷管理的基础.介绍了软件缺陷的概念,对几种软件缺陷分类方法进行了分析和比较.结合航天嵌入式软件研制流程和缺陷类型分析,提出了一种航天器嵌入式软件缺陷的分类方法,对于缺陷类型和实现与编码错误子类型给出了详细的分类方法.     

软件缺陷管理技术在测控系统软件中的应用实践

软件缺陷管理是提高软件质量和软件开发效率的重要技术途径之一。基于地面测控系统中软件缺陷的基本概念,详细介绍地面测控软件缺陷管理的思想和方法,给出软件缺陷管理体系结构的分析和设计,并对软件缺陷管理在地面测控系统软件中应用实践情况进行总结和分析。指出软件缺陷管理系统应用的不足与需要解决的问题。实践中,软件缺陷管理系统对于提高团队开发效率和软件产品质量效果明显。     

膜内麻雀优化ELM的软件缺陷预测算法

原始麻雀搜索算法存在寻优精度低、迭代后期容易陷入局部极值的问题,结合高效寻优性能的改进麻雀搜索算法和具有并行计算能力的膜计算,提出一种膜内麻雀优化算法(IMSSA)。在10个CEC2017测试函数上的实验结果表明,IMSSA具有更高的寻优精度。为进一步验证IMSSA的性能,使用IMSSA优化极限学习机(ELM)参数,提出一种膜内麻雀优化ELM(IMSSA-ELM)算法,并将其应用于软件缺陷预测领域。实验结果表明：在15个公开的软件缺陷数据集中,IMSSA-ELM算法预测性能在G-mean、MCC这2个评价指标下明显优于其他4种先进的对比算法,表明IMSSA-ELM算法具有更好的预测精度和稳定性,其实验结果在Friedman ranking和Holm’s post-hoc test非参数检验中具有明显的统计显著性。     

引入缺陷的细粒度软件变更识别方法

软件开发过程中,缺陷通过变更引入软件系统。为提高缺陷发现效率,降低人工审查成本,提出一种引入缺陷细粒度变更自动化识别方法。该方法基于机器学习分类思想,将细粒度变更作为实例,从时间、地点、内容、意图以及人员5方面构造特征集;采用程序静态分析与自然语言语义分析相结合的方法挖掘软件历史库,自动化构建细粒度变更实例;使用软件历史中的细粒度变更实例训练分类器,从而识别新的细粒度变更是否引入了缺陷。在实际软件系统上运用成本有效性评估策略验证方法有效性。结果表明相比于文件和事务粒度的引入缺陷变更识别方法,该方法可显著降低人工审查成本。     

基于模糊聚类非负矩阵分解的软件缺陷预测

为了进一步提高对不平衡软件缺陷数据的预测精度,提出了一种基于模糊聚类非负矩阵分解的缺陷预测方法。该方法首先选取最近邻算法作为不平衡缺陷数据预测的基分类器,然后将非负矩阵分解算法引入软件缺陷预测领域,并提出利用模糊聚类初始化非负矩阵分解算法的思路。该方法一方面解决了最近邻算法处理多属性缺陷数据时计算量大导致性能降低的问题,另一方面克服了非负矩阵分解的随机初始化导致结果陷入局部最优的不足,提高了不平衡软件缺陷数据的预测精度。最后通过两组算例验证了方法的有效性。     

XP过程对软件缺陷影响分析

XP方法测试驱动和多版本发布的实践,决定了软件产品集成测试也是一个增量迭代的过程。用户使用测试对提高产品的可靠性有重要作用。本文探讨XP测试过程对软件缺陷的影响及其缺陷改正效率的度量。