基于AdaBoost-SVM的软件缺陷优先级预测模型的研究

摘要

软件缺陷报告是开发人员和使用者在软件开发和维护中提交到软件缺陷库中的软件系统的错误。要管理铺天盖地而来的软件缺陷报告无疑是一项挑战性的任务。传统的方法是人工辨别，这种方法耗时费力，会延误重要软件缺陷的修复。基于数据挖掘中的分类技术，论文提出了一种机器学习的方法来开发软件缺陷优先级分类器，以实现对新提交的软件缺陷自动分配适当的优先级。
　　由于软件缺陷报告的文本属性包含了软件缺陷的许多重要信息，在bug修复过程中起了至关重要的作用。要选择合适的文本特征词，就需用到文本分类技术对其形式化，论文根据传统的文本特征词选择算法提出了一种改进的基于语义分析的文本证据权的特征词选择算法。在此基础之上论文利用支持向量机的方法进行软件缺陷预测，支持向量机可以把线性不可分的原始数据映射到线性可分的高维空间，在新的映射数据中找到分类平面，满足软件缺陷报告优先级的分布情况的需要。最后，论文又提出一种基于AdaBoost-SVM算法的软件缺陷优先级预测方法，由支持向量机做自适应增强算法（AdaBoost）的弱学习机，此方法利用了AdaBoost的优势，在训练过程中侧重错分的样本，最终获得强分类器。
　　分类器的实验评估是使用精确度、召回率和F值来衡量。实验表明，基于AdaBoost-SVM算法的软件缺陷优先级预测方法的各项指标均有所改善，尤其是召回率，但是运算复杂度高于基于SVM算法的预测方法。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1 研究意义

1.2 研究目标和研究内容

1.3 论文的内容结构

第二章 理论基础及软件缺陷自动分类方法综述

2.1 引言

2.2 数据挖掘技术

2.3 bug库管理介绍

2.4 数据挖掘在bug库管理上的应用

2.5 本章小结

第三章 文本分类的研究

3.1 引言

3.2 文本分类的概述

3.3 文本特征词的选择

3.4 特征词的权值计算方法

3.5 文本分类常用算法及比较

3.6 本章小结

第四章 基于支持向量机的软件缺陷优先级预测

4.1 引言

4.2 bug优先级分配的问题

4.3 基于支持向量机的bug优先级的预测

4.4 实验

4.5 本章小结

第五章 基于AdaBoostSVM的软件缺陷优先级预测

5.1 引言

5.2 AdaBoost算法介绍

5.3 AdaBoost和SVM的联合算法

5.4 用改进的AdaBoostSVM算法进行bug优先级预测

5.5 本章小结

第六章 总结与展望

6.1 本文完成的工作

6.2 未来的研究方向

参考文献

附录1 攻读硕士学位期间撰写的论文

附录2 攻读硕士学位期间申请的专利

致谢