張 瑩 朱麗娜

（1.淮北理工學院電子與信息工程學院 淮北 235000）（2.淮北師范大學物理與電子信息學院 淮北 235000）（3.廣西財經(jīng)學院信息與統(tǒng)計學院 南寧 530003）

1 引言

近年來，隨著信息化技術的高速發(fā)展，軟件產(chǎn)品的數(shù)量急劇增加，在為生活帶來便利的同時，由于種種原因都可能產(chǎn)生軟件缺陷。軟件內(nèi)部隱藏的缺陷可能導致輕則無法滿足用戶的需求，重則嚴重影響軟件質(zhì)量造成經(jīng)濟損失，甚至會危及到人們的生命安全。對軟件中包含的缺陷進行預測，開發(fā)人員可以基于預測結果分配有限的資源，以緩解開發(fā)過程中軟件測試的壓力，從而提高軟件質(zhì)量。

軟件缺陷預測數(shù)據(jù)普遍存在著類不平衡的問題，常常造成預測結果偏向多數(shù)類，對少數(shù)類的預測精度降低。數(shù)據(jù)不平衡會導致預測模型的誤分類代價較高、模型的泛化能力較差。因此，在軟件缺陷預測中，需要重點考慮如何在一個不平衡的數(shù)據(jù)集中訓練出一個更合適的分類模型，從而提高小樣本的預測精度。

2 相關工作

針對標簽樣本不足，可以運用半監(jiān)督學習的思想充實樣本集。廖勝平等［1］基于半監(jiān)督學習與SVM 構建預測模型，在訓練集數(shù)據(jù)較少、無歷史數(shù)據(jù)或者標簽信息較少時都能獲得較好的預測性能。Li等［2］提出一種名為EATT 的半監(jiān)督缺陷預測模型，結果表明該模型不僅可以獲得較高的分類精度，還具有很高的實用價值。

針對數(shù)據(jù)的特征冗余，目前已有很多特征處理的方法可供選擇，蔣帥［3］在實驗中選擇更具有判別性和規(guī)律性的特征，移除無關特征，具有較好的預測效果和較高的應用價值。張俐等［4］提出WMRI特征選擇算法改善特征子集的質(zhì)量并提高分類精度。

針對類不平衡問題，大多數(shù)人會選擇簡單有效的數(shù)據(jù)重采樣。Malhotra等［5］通過改進SPIDER2過采樣方法提出了SPIDER3，同時還發(fā)現(xiàn)了在不平衡數(shù)據(jù)集中利用過采樣方法可提高機器學習分類器的缺陷預測性能。其次，也會選擇集成學習和代價敏感學習方法。如王鐵建等［6］提出基于SSEL 的軟件缺陷預測方法，預測效果良好。還有典型的代價敏感決策樹算法—ICET方法［7］。

為了構建更高性能的預測模型，人們將分類思想相互結合形成綜合方案。例如Iqbal 等［8］提出一種基于特征選擇的集成分類框架，該框架的性能優(yōu)于其他分類技術，但無法解決類不平衡問題。Zhou等［9］結合核心主成分分析（KPCA）和加權極限學習機（WELM）提出了名為KPWE 的缺陷預測框架。類似還有結合多核學習的Boosting 集成方法［10］、通過平衡訓練集后使用NB算法得到映射子集最終集成的方法［11］、基于混合采樣和三種基分類器集成的SSIDP算法［12］等。

綜上，人們都會在數(shù)據(jù)的預處理階段進行數(shù)據(jù)的重采樣或特征處理，也會結合不同的分類思想來構建模型，但將半監(jiān)督學習、數(shù)據(jù)重采樣、特征選擇和集成學習綜合使用的研究卻很少。針對上述軟件缺陷預測中可能存在的若干問題，本文重點關注類不平衡和特征冗余問題，借鑒目前較成熟的方法并對其綜合考慮，提出一種改進的軟件缺陷預測方法。

3 改進的軟件缺陷預測方法

改進的軟件缺陷預測方法如圖1 所示。首先，對訓練集進行混合采樣以獲取一個相對平衡的訓練集；然后，對采樣后的訓練集和測試集進行SMA特征選擇選取效果最優(yōu)的若干特征，以降低數(shù)據(jù)的特征冗余；最后，使用改進的半監(jiān)督Adaboost 算法進行集成，得到最終的預測結果。

3.1 采樣方法

軟件缺陷預測中的數(shù)據(jù)在分布方面很不平衡，大多數(shù)都是沒有缺陷的模塊。處理不平衡數(shù)據(jù)最直觀有效的方法就是數(shù)據(jù)分布調(diào)整，即抽樣法，實現(xiàn)對不平衡數(shù)據(jù)的再平衡采樣。本文對數(shù)據(jù)先欠采樣［13］后SMOTE 采樣［14］以彌補兩者的不足，達到緩解數(shù)據(jù)類不平衡的目的。

3.2 特征選擇

數(shù)據(jù)中包含大量的特征，這些特征中只有小部分特征對預測類別提供有用信息，所以若能將這些毫無用處的特征去掉，不僅可以降低計算成本，也能提高分類性能。同時各樣本之間存在相似數(shù)據(jù)，不僅會增加模型構建的時間，也會降低數(shù)據(jù)預測的準確性。因此，應進行特征選擇以減少數(shù)據(jù)中特征的冗余，形成新的數(shù)據(jù)子集。

本文采用SMA 優(yōu)化算法對數(shù)據(jù)進行特征選擇，選擇效果最優(yōu)的若干特征。黏菌算法（Slime Mould Algorithm，SMA）是一種通過模擬黏菌在覓食過程中的行為和形態(tài)變化得到的優(yōu)化算法［15］。通過使用權重來模擬黏菌在覓食過程中產(chǎn)生的正反饋和負反饋，從而形成三種不同的形態(tài)，黏菌在覓食過程中發(fā)現(xiàn)食物時，會有振蕩收縮的特性［16］。

用數(shù)學公式表示黏菌接近食物的行為

其中，t 為當前迭代次數(shù)；Pb(t)為當前最優(yōu)個體位置；PA(t)和PB(t)為從黏菌中隨機選擇的兩個個體位置；W 為權重；vb和vc為控制參數(shù)，vb?[-a,a]，vc從1到0線性遞減；c為［0，1］的隨機數(shù)。

參數(shù)a、p和權重W的公式如下：

其中，SI（n）為適應度值排序，S（n）為當前個體適應度值，n=1，2，3…N，cof表示群體中適應度值排名前一半的部分，others表示余下的個體；bF為當前迭代取得的最佳適應度；WF 為當前迭代取得的最差適應度值。

即使黏菌已經(jīng)找到了更好的食物來源，但仍會分離一些個體去探索其他領域試圖尋找更高質(zhì)量的食物來源，黏菌位置更新公式如下：

其中，UB 和LB 分別為上界和下界；rand 和c 為［0，1］的隨機數(shù)；z為自定義參數(shù)。

3.3 集成學習

集成學習結合多個基分類器進行學習構建最終的分類模型，是目前比較熱門的分類學習方法。集成學習在一定程度上也可以緩解數(shù)據(jù)的分布不平衡。

本文提出一種基于UDEED算法［17］改進的半監(jiān)督AdaBoost 算 法［18］—SUDAdaBoost（Semi-supervised AdaBoost based on unlabeled data）。UDEED算法不僅能最小化集成學習器在有標簽訓練樣本上的損失函數(shù)的，而且利用無標簽訓練樣本能最大化地提升基學習器的多樣性。基于此，SUDAda-Boost算法在從訓練的弱分類器集合中選擇個體分類器時，同時考慮誤差和不同分類器間的多樣性。

在第t-1次迭代確定的基分類器對無標簽訓練樣本分類時，利用相關系數(shù)ρij對不同基分類器間的預測結果進行多樣性度量：

ρij?[-1,1]表示分類器，hi與hj的相似性。若hi與hj正相關，則ρij為正；若hi與hj負相關，則ρij為負；若hi與hj之間無關，則ρij為0。ρij越小，表明兩個分類器相似度越小，差異性越大。

評價n 個分類器的多樣性，需要計算每對分類器之間多樣性的平均值，其中Div 表示兩個分類器之間的多樣性。

基分類器選擇策略：

ρt-1表示候選基分類器與上一輪迭代中已確定基分類器之間的相關系數(shù)值；w1為選擇基分類器時錯誤率所占比重；w2為已進行集成的前t 個基分類器之間的平均相關系數(shù)值，且w1+w2=1。

算法SUDAdaBoost的集成步驟如下：

4 實驗與分析

4.1 數(shù)據(jù)集

選用具有代表性的NASA 數(shù)據(jù)集（清洗后）、AEEEM 數(shù)據(jù)集和MORPH 數(shù)據(jù)集開展實驗。表1列出了所用數(shù)據(jù)集的部分信息。

表1 數(shù)據(jù)集信息

4.2 實驗結果與分析

實驗設定訓練集和測試集各50%，其中有標簽訓練集和無標簽訓練集各占20%和80%，迭代次數(shù)T=100，基分類器為單層決策樹，數(shù)量50 個。實驗另選取了四種典型的機器學習分類算法（NB、RF、DT 和AdaBoost）與SSFSAdaBoost 算法作對比，選用Accuracy、Precision、Recall 和F1-measure 為評估指標。表2、表3、表4 和表5 分別為這幾種算法的Accuracy、Precision、Recall和F1-measure值。

表2 Accuracy結果比較

表3 Precision結果比較

表4 Recall結果比較

表5 F1-measure結果比較

上述數(shù)據(jù)表明，SSFSAdaBoost算法與其他四種典型算法相比具有明顯的優(yōu)勢。從這四種評估指標的結果來看，SSFSAdaBoost 算法比原始的Ada-Boost算法性能更優(yōu)；NB、RF和DT的某一評估指標可能會高于SSFSAdaBoost算法，但從整體而言，SSFSAdaBoost算法依然優(yōu)于它們。同時也反映出SSFSAdaBoost 算法在緩解類不平衡問題上取得了優(yōu)異的成績。

為了更清晰地反映出實驗的對比度，圖2 展示了上述算法評估指標的平均值。NB 算法的Accuracy、Precision、Recall 和F1-measure 平均值為84.85%、93.7%、89.51%和94.88%；RF 算法的Accuracy、Precision、Recall 和F1-measure 平均值為90.7%、92.99%、96.98%和94.53%；DT 算法的Accuracy、Precision、Recall 和F1-measure 平均值為88.33%、93.18%、93.74%和93.32%；AdaBoost 算法的Accuracy、Precision、Recall 和F1-measure 平均值為90.64%、92.89%、96.4%和93.86%；SSFSAdaBoost算法的Accuracy、Precision、Recall 和F1-measure 平均值為93.42%、94.51%、97.3%和95.86%?？梢悦黠@看出，SSFSAdaBoost 算法的各項平均值均為最高，整體都要優(yōu)于其他四種典型分類算法。

圖2 各算法評估指標平均值

5 結語

本文提出一種改進的基于半監(jiān)督集成學習的軟件缺陷預測方法SSFSAdaBoost：利用混合采樣對訓練集進行預處理以降低數(shù)據(jù)的不平衡度；利用SMA優(yōu)化算法做特征選擇以緩解特征冗余；利用改進的半監(jiān)督集成算法SUDAdaBoost 提高預測精度。實驗表明該方法要比原始的AdaBoost 算法更好，對緩解類不平衡效果較好且整體預測準確度更高。下一步將繼續(xù)針對標記樣本不足的問題，探究遷移學習在半監(jiān)督預測模型上的應用。