聲明

第1章 緒 論

1.1軟件可靠性面臨的挑戰(zhàn)

1.2軟件缺陷預(yù)測的背景與意義

1.3國內(nèi)外研究現(xiàn)狀

1.4研究目標與內(nèi)容

1.5論文結(jié)構(gòu)安排

第2章 軟件缺陷預(yù)測相關(guān)技術(shù)

2.1軟件缺陷預(yù)測技術(shù)

2.1.1基本定義

2.1.2軟件缺陷特征度量

2.1.3靜態(tài)缺陷預(yù)測與動態(tài)缺陷預(yù)測

2.1.4同項目缺陷預(yù)測與跨項目缺陷預(yù)測

2.2基于機器學(xué)習(xí)的軟件缺陷預(yù)測模型

2.2.1基于監(jiān)督學(xué)習(xí)的缺陷預(yù)測

2.2.2基于無監(jiān)督學(xué)習(xí)的缺陷預(yù)測

2.2.3基于半監(jiān)督學(xué)習(xí)的缺陷預(yù)測

2.2.4基于回歸學(xué)習(xí)的缺陷預(yù)測

2.3預(yù)測模型評價指標

2.4本章小結(jié)

第3章 基于特征選擇的軟件缺陷預(yù)測

3.1特征選擇

3.1.1基礎(chǔ)方法框架

3.1.2相關(guān)研究

3.2基于相關(guān)度和冗余度的穩(wěn)定特征選擇方法

3.2.1相關(guān)度(Relevancy)分析

3.2.2冗余度(Redundancy)分析

3.2.3穩(wěn)定性(Stability)評價

3.2.4算法描述

3.3實驗與分析

3.3.1實驗數(shù)據(jù)

3.3.2實驗設(shè)計

3.3.3實驗結(jié)果與分析

3.4本章小結(jié)

第4章 基于采樣與集成的半監(jiān)督軟件缺陷預(yù)測

4.1類不平衡問題相關(guān)研究

4.2基于采樣與集成的半監(jiān)督預(yù)測算法SISDP

4.2.1針對不平衡數(shù)據(jù)的采樣算法

4.2.2分類器集成算法

4.2.3基于半監(jiān)督學(xué)習(xí)的穩(wěn)健KNN打標模型

4.2.4算法描述

4.3實驗

4.3.1實驗數(shù)據(jù)

4.3.2實驗設(shè)計

4.3.3實驗結(jié)果與分析

4.4本章小結(jié)

第5章 基于遷移學(xué)習(xí)的軟件缺陷預(yù)測

5.1遷移學(xué)習(xí)

5.2基于卷積神經(jīng)網(wǎng)絡(luò)的遷移學(xué)習(xí)

5.2.1卷積神經(jīng)網(wǎng)絡(luò)

5.2.3算法描述

5.3實驗結(jié)果與分析

5.3.1實驗數(shù)據(jù)

5.3.2實驗設(shè)計

5.3.3實驗結(jié)果與分析

5.4本章小結(jié)

第6章 基于分布式計算的軟件缺陷預(yù)測

6.1 分布式安全存儲與計算

6.1.1 Apache Hadoop

6.1.2 Apache HDFS

6.1.3 Kerberos

6.1.3 Apache YARN

6.1.4 Apache Spark

6.2分布式計算模型

6.2.1 數(shù)據(jù)并行

6.2.2 模型并行

6.3基于神經(jīng)網(wǎng)絡(luò)的分布式缺陷預(yù)測算法NNDDP

6.3.1 神經(jīng)網(wǎng)絡(luò)算法

6.3.2算法描述

6.4實驗結(jié)果與分析

6.4.1實驗數(shù)據(jù)

6.4.2實驗設(shè)計

6.4.3實驗結(jié)果與分析

6.5 本章小結(jié)

第7章 總結(jié)與展望

7.1工作總結(jié)

7.2工作展望

參考文獻

致謝

攻讀碩士學(xué)位期間公開發(fā)表的論文與參與的課題