陳自力

(福建船政交通職業(yè)學(xué)院，福建 福州 350007)

0 引言

隨著可移植多維控制軟件的廣泛應(yīng)用，對可移植多維控制軟件的可靠性和組合安全性具有重要意義，結(jié)合對可移植多維控制軟件兼容性分析，建立可移植多維控制軟件的運行可靠性分析模型，提高可移植多維控制軟件的異常特征分析和檢測能力，研究可移植多維控制軟件異常數(shù)據(jù)檢測模型，通過智能分析方法，實現(xiàn)對可移植多維控制軟件的特征檢測和提取，提高可移植多維控制軟件的組合測試和兼容分析能力，相關(guān)的可移植多維控制軟件測試異常數(shù)據(jù)檢測能力研究在提高軟件的可靠性和運維管理能力方面具有重要意義[1].

為了實現(xiàn)可移植多維控制軟件測試異常數(shù)據(jù)檢測，需要結(jié)合可移植多維控制軟件可靠性約束指標分析的方法進行可持續(xù)性特征分析，結(jié)合運行軟件組合測試分布，進行用例檢測控制，通過可移植多維控制軟件測試的大數(shù)據(jù)推薦分析，進行可移植多維控制軟件測試檢測[2]，傳統(tǒng)方法中，可移植多維控制軟件測試的異常數(shù)據(jù)檢測方法主要有模糊信息融合方法、聯(lián)合信息熵檢測方法以及匹配濾波檢測方法等，構(gòu)建可移植多維控制軟件測試異常參數(shù)分析模型，進行異常數(shù)據(jù)檢測[3,4].文獻[5]中提出基于粒子群進化尋優(yōu)控制的可移植多維控制軟件測試異常特征挖掘和特征檢測方法，采用模糊C均值聚類方法進行可移植多維控制軟件測試異常數(shù)據(jù)挖掘，結(jié)合模糊度檢測，實現(xiàn)可移植多維控制軟件測試異常分類識別，但該方法進行可移植多維控制軟件測試異常檢測的計算負載較大.文獻[6]中提出信息資源服務(wù)(Multi-source Information Resource As A Service，MIRaaS)融合調(diào)度的可移植多維控制軟件測試異常檢測方法，采用模糊決策算法，實現(xiàn)可移植多維控制軟件測試的異常數(shù)據(jù)檢測，該方法的模糊檢測性不好，對異常測試數(shù)據(jù)的挖掘精度不高.

針對上述問題，本文提出一種基于K-means聚類的軟件測試數(shù)據(jù)異常檢測方法.首先構(gòu)建可移植多維控制軟件測試異常數(shù)據(jù)分布結(jié)構(gòu)模型，建立可移植多維控制軟件測試數(shù)據(jù)的異常特征分布融合模型，然后采用聯(lián)合多維特征檢測，實現(xiàn)對可移植多維控制軟件測試數(shù)據(jù)的模糊權(quán)重分析和自適應(yīng)學(xué)習(xí)，采用K-means聚類方法進行可移植多維控制軟件中的有效數(shù)據(jù)組合控制，實現(xiàn)異常特征檢測.最后進行仿真測試分析，展示了本文方法在提高可移植多維控制軟件測試異常檢測能力方面的可靠性和優(yōu)越性.

1 可移植多維控制軟件測試異常數(shù)據(jù)挖掘和分布結(jié)構(gòu)

1.1 可移植多維控制軟件測試異常數(shù)據(jù)挖掘

為了實現(xiàn)可移植多維控制軟件測試異常數(shù)據(jù)檢測和挖掘，建立可移植多維控制軟件測試的特征提取模型，構(gòu)建反映可移植多維控制軟件安全等級的約束特征量，結(jié)合線性規(guī)劃和插值擬合方法進行可移植多維控制軟件測試的模糊度檢測[7]，得到可移植多維控制軟件測試異常檢測的總體結(jié)構(gòu)模型如圖1所示.

圖1 可移植多維控制軟件測試異常檢測的總體結(jié)構(gòu)模型

根據(jù)圖1的總體結(jié)構(gòu)模型，進行可移植多維控制軟件測試的信息融合和過程組合控制[8]，在異構(gòu)空間中進行可移植多維控制軟件測試的時間分布序列為f(x)，x=0,1,···,n-1，采用語義搜索方法，得到可移植多維控制軟件測試的文本分布序列：

(1)

其中，a1和a2分別表示可移植多維控制軟件測試數(shù)據(jù)的匹配系數(shù)，a1為均值檢測系數(shù)，a2為模糊度檢測系數(shù)，L(A)表示可移植多維控制軟件測試的異常分布的長度，Y(B(A))表示軟件測試用例的區(qū)域特征分布，α為可移植多維控制系數(shù)，β為粗糙匹配集γ1為一維聯(lián)合特征分量，γ2為二維聯(lián)合特征分量，Q為異常數(shù)據(jù)的加權(quán)分量.

設(shè)當前可移植多維控制軟件測試數(shù)據(jù)的聯(lián)合檢測節(jié)點K處的隸屬度函數(shù)記為K=〈K1,K2,K3，…，Kn〉，其中可移植多維控制軟件測試數(shù)據(jù)的元數(shù)據(jù)空間分布序列為{r1,r2,…,rn}，(C,H)為可移植多維控制軟件測試的關(guān)聯(lián)約束函數(shù)，得到可移植多維控制軟件測試的信息關(guān)聯(lián)度為：

(2)

(3)

其中，λ為樣本類別參數(shù)，gh為檢測數(shù)據(jù)的先驗特征量，eh為模糊樣本分布集，i為數(shù)據(jù)分布的長度，?為多維控制的維數(shù)，根據(jù)上述分析，構(gòu)建可移植多維控制軟件測試異常數(shù)據(jù)挖掘模型，根據(jù)空間信息融合，實現(xiàn)可移植多維控制軟件測試異常特征分析.

1.2 可移植多維控制軟件測試異常特征定位

采用模糊性語義特征重建方法進行的可移植多維控制軟件模糊參數(shù)識別[9]，提取可移植多維控制軟件中數(shù)據(jù)的關(guān)聯(lián)信息特征量，模糊性語義特征重建的差異度函數(shù)表示為：

(4)

其中，d為程序模塊的變更信息，h為可移植多維控制軟件異常數(shù)據(jù)的分布長度，μ為梯度信息分量，f(c)為項目元數(shù)據(jù)的組合參數(shù)，U為邊緣特征集，a3為缺陷報告參數(shù)，ω為程序模塊相關(guān)性系數(shù)，通過缺陷報告與程序模塊相關(guān)性融合控制，得到移植多維控制軟件測試異常特征分布的空間組合函數(shù)為：

(5)

其中f(t)=(f1(t),f2(t)，…，fn(t))，表示缺陷報告的標準化量化參數(shù)集，υ為異常測試中移除的特殊字符，δ為詞與詞之間的聯(lián)系度，f(t)為模板檢測系數(shù)，f(ti)為缺陷類函數(shù)，此時可得可移植多維控制軟件測試特征的差異度分布，采用語義屬性分布檢測，結(jié)合泛化學(xué)習(xí)算法，進行可移植多維控制軟件測試的關(guān)聯(lián)信息融合，若Fk∈Z是重復(fù)或相似的缺陷參數(shù)，得到：

W=O(T

(6)

其中，O為缺陷報告的文本相似度，Wi為缺陷報告的文本模糊度[10]，f(p)為適應(yīng)度函數(shù),σ為共享詞的數(shù)量，T為模糊測試分量，設(shè)(Fk,Hk)和(Fl，Hl)為可移植多維控制軟件測試數(shù)據(jù)的異常特征量，采用K-means算法，實現(xiàn)對測試異常數(shù)據(jù)檢測優(yōu)化.

2 可移植多維控制軟件測試異常檢測優(yōu)化

2.1 可移植多維控制軟件測試的特征聚類

根據(jù)關(guān)聯(lián)特征演化分布，采用聯(lián)合組合特征分析方法，實現(xiàn)可移植多維控制軟件測試異常數(shù)據(jù)的模糊聚類中心檢測，構(gòu)建可移植多維控制軟件測試異常聚類模，得到可移植多維控制軟件測試的大數(shù)據(jù)分布關(guān)聯(lián)規(guī)則項集為：

(7)

其中f(z1)+f(z2)+…f(zn)表示可移植多維控制軟件測試特征點采樣的時間窗口系數(shù)，f(p1,p2，…，pn)表示時間匹配函數(shù)，結(jié)合文本相似度和堆棧跟蹤相似度檢測的方法，得到可移植多維控制軟件測試的統(tǒng)計信息分布，得到可移植多維控制軟件測試異常數(shù)據(jù)檢測函數(shù)為：

(8)

其中，Ti為可移植多維控制軟件測試模糊聚類的分類域值，b表示異常檢測偏移系數(shù)，Sx為文本相似度，Hd為堆?？刂葡禂?shù)，根據(jù)程序模塊d與程序模塊e之間的差異度水平，到可移植多維控制軟件測試的特征聚類輸出為：

(9)

其中，jk為可移植多維控制軟件測試譜特征對齊的概率密度函數(shù)，jp為可移植多維控制軟件測試異常檢測概率密度函數(shù).由此，采用聯(lián)合多維特征檢測，實現(xiàn)對可移植多維控制軟件測試數(shù)據(jù)的模糊權(quán)重分析和自適應(yīng)學(xué)習(xí)，采用K-means聚類方法進行可移植多維控制軟件中的有效數(shù)據(jù)組合控制[11].

2.2 異常檢測輸出

建立可移植多維控制軟件測試的特征提取模型，提高可移植多維控制軟件測試異常分析能力，隨機向量分布空間內(nèi)可移植多維控制軟件測試異常數(shù)據(jù)檢測的判別函數(shù)為：

(10)

在復(fù)雜缺陷程序模塊中，得到可移植多維控制軟件測試數(shù)據(jù)異常分布的差別函數(shù)為：

(11)

其中，ya和yb是可移植多維控制軟件測試數(shù)據(jù)檢測的邊界系數(shù)和模板系數(shù)，M(xi,xk)是缺陷修復(fù)次數(shù)占所有文件缺陷修復(fù)值的比率，ζ表示異常檢測門限.根據(jù)可移植多維控制軟件測試特征提取結(jié)果，進行可移植多維控制軟件測試的屬性分布式融合，得到檢測函數(shù)的訓(xùn)練樣本集為{(a1,b1),(a2,b2),…,(an,bn)},通過語義本體融合，得到可移植多維控制軟件測試數(shù)據(jù)K-means聚類的異構(gòu)函數(shù)為：

(12)

其中，ψj和τj表示可移植多維控制軟件測試異常檢測的置信度水平及卷積，綜上分析，采用K-means聚類方法進行可移植多維控制軟件中的有效數(shù)據(jù)組合控制[12]，實現(xiàn)可移植多維控制軟件測試數(shù)據(jù)的異常特征提取和檢測，測算流程如圖2所示.

圖2 可移植多維控制軟件測試流程

3 仿真測試分析

通過Matlab 7仿真實驗驗證本文方法在實現(xiàn)可移植多維控制軟件測試異常檢測中的應(yīng)用性能，對可移植多維控制軟件測試異常特征檢測的參數(shù)設(shè)定為1 400，訓(xùn)練集序列長度為400，模糊匹配系數(shù)為0.35，相關(guān)參數(shù)設(shè)定見表1.

表1 可移植多維控制軟件測試異常分布參數(shù)設(shè)定

根據(jù)上述仿真參數(shù)設(shè)定，進行可移植多維控制軟件測試異常檢測，得到原始測試數(shù)據(jù)檢測序列分布如圖3所示.

以圖3的原始測試數(shù)據(jù)檢測序列為研究對象， 實現(xiàn)可移植多維控制軟件測試數(shù)據(jù)的異常特征檢測，得到檢測結(jié)果如圖4所示.

圖3 原始測試數(shù)據(jù)檢測序列分布

圖4 異常檢測結(jié)果

分析圖4得知，本文方法能有效實現(xiàn)可移植多維控制軟件測試數(shù)據(jù)的異常特征檢測，測試不同方法進行可移植多維控制軟件測試數(shù)據(jù)異常檢測的精度，得到對比結(jié)果如圖5所示.分析得知，本文方法對軟件測試數(shù)據(jù)異常檢測的精度更高.

圖5 檢測精度對比測試

4 結(jié)語

建立可移植多維控制軟件的運行可靠性分析模型，提高可移植多維控制軟件的異常特征分析和檢測能力，本文提出一種基于K-means聚類的軟件測試數(shù)據(jù)異常檢測方法.構(gòu)建反映可移植多維控制軟件安全等級的約束特征量，結(jié)合線性規(guī)劃和插值擬合方法進行可移植多維控制軟件測試的模糊度檢測，采用K-means聚類方法進行可移植多維控制軟件中的有效數(shù)據(jù)組合控制，實現(xiàn)可移植多維控制軟件測試數(shù)據(jù)的異常特征提取和檢測.分析得知，本文方法對可移植多維控制軟件測試異常數(shù)據(jù)檢測的精度較高.