1.一种基于信息熵过采样的软件缺陷预测方法,其特征在于,应用于软件缺陷预测,所述方法包括:获取软件缺陷数据集;
将数据集划分为训练集和测试集,并计算所述训练集中多数类样本和少数类样本的类确定性熵;
其中,利用五折交叉验证法将所述数据集划分为所述训练集和所述测试集,将软件缺陷预测数据集中的每个模块作为一个样本,不平衡的训练集用X表示,用XP表示所述少数类样本,用XN表示所述多数类样本;
计算出当前所述少数类样本的k近邻距离,采用欧式距离,公式如下;
根据所述k近邻样本计算出其中所述少数类样本的个数占比和所述多数类样本的个数占比;
以下述逻辑计算这个少数类样本的所述类确定性熵:其中,pi、qi分别为同类个数和异类个数占比,当pi=0时,pi log2 pi=0,当pi=qi=(k/2)时,Emax=1;
对所有的少数类样本都计算完毕,在计算多数类样本类确定性熵时,将所述式(2)判断条件中的pi调整为qi;
根据所述类确定性熵将所述多数类样本和所述少数类样本划分为安全样本、关键样本、危险样本,选择所述少数类样本中的关键样本作为种子样本;
清除所述多数类样本中的所述危险样本,并约束过采样所述少数类样本中的所述关键样本的局部邻域,据以得到平衡训练集;
利用所述平衡训练集训练软件缺陷预测模型,据以测试所述测试集。
2.根据权利要求1所述的一种基于信息熵过采样的软件缺陷预测方法,其特征在于,所述根据所述类确定性熵将所述多数类样本和所述少数类样本划分为安全样本、关键样本、危险样本,选择所述少数类样本中的所述关键样本作为种子样本的步骤,包括:获取类确定性熵阈值数据;
根据所述类确定性熵阈值数据划分处理所述多数类样本和所述少数类样本;
当所述多数类样本及所述少数类样本的所述类确定性熵满足:
0≤E(xi)≤α (5)
时,划分当前样本为所述安全样本;
当所述多数类样本及所述少数类样本的所述类确定性熵满足:α
时,划分当前样本为所述关键样本;
当所述多数类样本及所述少数类样本的所述类确定性熵满足:β≤E(xi)≤2Emax (7)
时,划分当前样本为所述危险样本;
将所述少数类样本中的所述关键样本作为所述种子样本。
3.根据权利要求1所述的一种基于信息熵过采样的软件缺陷预测方法,其特征在于,所述清除所述多数类样本中的所述危险样本,并约束过采样所述少数类样本中的所述关键样本的局部邻域,据以得到平衡训练集的步骤,包括:获取多数类清洗阈值γ;
遍历所述多数类中危险样本根据下述逻辑删除其中熵值大于等于阈值γ的所述多数类样本:以得到清洗多数类样本;
约束过采样所述少数类样本中的所述关键样本的局部邻域,据以得到过采样少数类样本;
根据所述清洗多数类样本及所述过采样少数类样本获取所述平衡训练集。
4.根据权利要求3所述的一种基于信息熵过采样的软件缺陷预测方法,其特征在于,所述约束过采样所述少数类样本中的所述关键样本的局部邻域,据以得到过采样少数类样本的步骤,包括:以下述逻辑找出距离当前所述关键样本最近的多数类样本的最近多数类距离di:以下述逻辑找出所述关键样本xi的knn同类样本近邻中距离小于等于所述最近多数类距离di的样本集合并将这些样本作为辅助样本:获取并以所述关键样本的熵值作为权重,据以处理得到每个所述关键样本需要生成的所述少数类样本的生成数目;
根据所述生成数目合成处理每一所述关键样本,据以得到合成样本,以使数据达到平衡。
5.根据权利要求4所述的一种基于信息熵过采样的软件缺陷预测方法,其特征在于,所述获取并以所述关键样本的熵值作为权重,据以处理得到每个所述关键样本需要生成的所述少数类样本的生成数目的步骤,包括:获取所述关键样本的熵值;
以所述熵值作为权重;
归一化处理所述权重;
根据下述逻辑计算所述权重,据以得到每个所述关键样本需要生成的所述少数类样本的数目:
6.根据权利要求4所述的一种基于信息熵过采样的软件缺陷预测方法,其特征在于,所述利用所述平衡训练集训练软件缺陷预测模型,据以测试所述测试集的步骤,包括:获取并根据分类器获取所述软件缺陷预测模型;
通过所述软件缺陷预测模型对平衡的训练集进行训练,得到平衡样本训练模型;
以所述平衡样本训练模型测试所述测试集。
7.根据权利要求6所述的一种基于信息熵过采样的软件缺陷预测方法,其特征在于,所述获取并根据分类器获取所述软件缺陷预测模型的步骤中,所述软件缺陷预测模型采用决策树(DT)、支持向量机(SVM)、随机森林(RF)、多层感知器(MLP)作为分类器。
8.一种基于信息熵过采样的软件缺陷预测系统,用于执行权利要求1至7任一项所述的一种基于信息熵过采样的软件缺陷预测方法,其特征在于,应用于软件缺陷预测,所述系统包括:数据集获取模块,用以获取软件缺陷数据集;
类确定性熵模块,用以将数据集划分为训练集和测试集,并计算所述训练集中多数类样本和少数类样本的类确定性熵,所述类确定性熵模块连接所述数据集获取模块;
样本划分模块,用以根据所述类确定性熵将所述多数类样本和所述少数类样本划分为安全样本、关键样本、危险样本,选择所述少数类关键样本作为种子样本,所述样本划分模块连接所述类确定性熵模块;
过采样模块,用以清除所述多数类样本中的所述危险样本,并约束过采样所述少数类样本中的所述关键样本的局部邻域,据以得到平衡训练集,所述过采样模块连接所述样本划分模块;
模型训练模块,用以利用所述平衡训练集训练软件曲线预测模型,据以测试所述测试集,所述模型训练模块连接所述过采样模块。