基于机器学习的软件缺陷预测方法研究

目录

声明

第1 章绪 论

1.1 课题研究背景和意义

1.2 国内外研究现状

1.2.1 软件缺陷预测现状分析

1.2.2 软件漏洞预测现状分析

1.3 存在的问题

1.4 研究的主要内容

1.5 本文总体结构

第2 章软件缺陷数据处理方法

2.1 软件缺陷与软件漏洞的定义

2.2 软件缺陷特征的抽取方法

2.2.1 基于软件度量的缺陷特征抽取

2.2.2 基于中间表示的漏洞特征抽取

2.3 软件缺陷数据处理

2.3.1 类不平衡学习

2.3.2 特征选择方法

2.3.3 词嵌入技术

2.3.4 机器学习模型

2.4 本章小结

第3 章基于随机森林的软件缺陷预测方法

3.1 引言

3.2 软件缺陷预测方法的框架

3.3 软件缺陷数据分析

3.3.1 软件缺陷数据描述

3.3.2 基于RUS 算法的数据采样

3.4 基于代价敏感的特征选择算法

3.4.1 基于代价敏感极限树的特征选择算法

3.4.2 基于SBFS 的特征子集优化算法

3.4.3 基于代价敏感的特征选择算法描述

3.5 基于随机森林的缺陷预测算法

3.6 模型评价指标

3.7 本章小结

第4 章基于AT-BGRU 和KNN 的软件漏洞预测方法

4.1 引言

4.2 软件漏洞预测方法框架

4.3 软件漏洞数据分析

4.3.1 软件漏洞与程序切片

4.3.2 代码向量化方法

4.4 基于AT-BGRU 的特征提取模型

4.4.1 基于Word2Vec 的特征向量化

4.4.2 基于BGRU 的特征提取

4.4.3 基于AT-BGRU 的特征提取

4.5 基于KNN 的漏洞预测算法

4.6 模型评价指标

4.7 本章小结

第5章实验结果分析

5.1 实验的基本配置

5.2基于随机森林的软件缺陷预测方法实验分析

5.2.1 软件缺陷预测实验数据集

5.2.2 软件缺陷预测方法结果分析

5.2.3 对比实验设计

5.3基于AT-BGRU和KNN的软件漏洞预测方法实验分析

5.3.1 软件漏洞预测实验数据集

5.3.2 软件漏洞预测方法结果分析

5.3.3 对比实验设计

5.4 本章小结

结 论

参考文献

攻读硕士学位期间承担的科研任务与主要成果

致谢