1.一种软件缺陷数据生成方法,其特征在于:包括:步骤S1:获取软件数据集,其中,所述软件数据集包括缺陷数据集和非缺陷数据集,将所述缺陷数据集作为少数类数据集,将所述非缺陷数据集作为多数类数据集;
步骤S2:对所述缺陷数据集和非缺陷数据集进行过采样,生成所需的新的缺陷样本,将新的缺陷样本放入缺陷数据集中,使放入新的缺陷样本后的缺陷数据集的样本点和非缺陷数据集的样本点达到平衡。
2.根据权利要求1所述的软件缺陷数据生成方法,其特征在于:所述步骤S1还包括:根据获取的软件数据集,计算所需生成的新的缺陷样本个数的方法,具体为:d
获取软件数据集D={(xi,yi)|xi∈R ,yi∈{0,1},i=1,...,n},其中,n表示软件数据的个数,d表示软件数据的特征数,xi表示第i条软件数据,yi是xi的标签,若yi=0,则xi为非缺陷数据;若yi=1,则xi为缺陷数据;
令D=Dmin∪Dmaj,其中,Dmaj为多数类数据集,其样本数记为nmaj;Dmin为少数类数据集,其样本数记为nmin,并且nmaj>nmin;
令所需生成的新的缺陷样本个数表示为nnew=nmaj‑nmin。
3.根据权利要求2所述的软件缺陷数据生成方法,其特征在于:所述步骤S2中对所述缺陷数据集和非缺陷数据集进行过采样,生成所需的新的缺陷样本个数,方法包括:对所述少数类数据集Dmin进行预处理,得到安全样本 危险样本 和去掉噪声样本后的少数类数据集D′min;
对所述多数类数据集Dmaj进行预处理,得到去掉噪声后的多数类数据集D′maj,并基于D′maj生成非缺陷边界数据集合Bmaj;
根据所述非缺陷边界数据集合Bmaj,计算所述安全样本 中被选取作为所需生成的新的缺陷样本点的选择概率;
对所述危险样本 聚类生成聚类子簇,并对所述聚类子簇分配权重Wc;
根据安全样本 的数量、危险样本 的数量、非缺陷边界数据集合Bmaj、选择概率和权重Wc生成所需的新的缺陷样本个数。
4.根据权利要求3所述的软件缺陷数据生成方法,其特征在于:所述对所述少数类数据集Dmin进行预处理,得到安全样本 危险样本 和去掉噪声样本后的少数类数据集D′min,方法包括:在所述软件数据集D中寻找每个样本xi∈Dmin的k个近邻样本,k为预设参数;
对于每个样本xi∈Dmin,统计其k个近邻样本中多数类样本的个数m1,并设定阈值k1,若k=m1,则xi被认为是噪声样本;若m1
由所有安全样本构成的集合记为 其样本点个数记为 由所有危险样本构成的集合记为 其样本点个数记 由关于xi所有噪声样本构成的集合记为令 为去掉噪声样本后的少数类数据集,并且
记 为D′min中样本的个数。
5.根据权利要求4所述的软件缺陷数据生成方法,其特征在于:所述对所述多数类数据集Dmaj进行预处理,得到去掉噪声后的多数类数据集D′maj,并基于D′maj生成非缺陷边界数据集合Bmaj,方法包括:在所述软件数据集D中寻找每个样本xj∈Dmaj的k个近邻样本,统计k个近邻样本中少数类样本的个数m2;
对于每个样本xj∈Dmaj,若m2=k,则xj被认为是噪声样本;
由关于xj所有噪声样本构成的集合记为 其样本点个数记为 令为去掉噪声样本后的多数类数据集,且其样本点个数为在数据集合D′maj中寻找每个样本 的k2个近邻样本,并将其都放入到非缺陷边界数据集合Bmaj中。
6.根据权利要求5所述的软件缺陷数据生成方法,其特征在于:所述根据所述非缺陷边界数据集合Bmaj,计算所述安全样本 中被选取作为所需生成的新的缺陷样本点的选择概率,方法包括:对每个样本 计算其选择概率SP(xi),公式为:其中,Sw(xi)表示样本xi的相对重要程度,公式为:Sw(xi)=F(xi)×G(xi)
F(xi)表示样本xi与非缺陷边界数据集Bmaj的接近程度,公式为:其中,f(xi,xj)表示样本xi与xj∈Bmaj的接近程度,公式为:d(xi,xj)表示样本xi与xj之间的欧氏距离;
G(xi)表示样本xi相对于非缺陷边界数据集Bmaj的密度,公式为:g(xi,xj)表示样本 与xj∈Bmaj的距离,公式为:其中,M是用户自定义的参数。
7.根据权利要求6所述的软件缺陷数据生成方法,其特征在于:所述对所述危险样本聚类生成聚类子簇,并对所述聚类子簇分配权重Wc,方法包括:将危险样本 进行k‑means聚类,生成nc个聚类子簇;
计算每个聚类子簇在危险样本 中的相对权重,公式为:其中, 表示第c个聚类子簇的样本数量。
8.根据权利要求7所述的软件缺陷数据生成方法,其特征在于:所述根据安全样本的数量、危险样本 的数量、非缺陷边界数据集合Bmaj、选择概率和权重Wc生成所需的新的缺陷样本个数,方法包括:根据所述安全样本 和危险样本 的数量,计算安全样本 和危险样本分别需要生成新的样本数量 和 公式为:
根据每个聚类子簇在 中的相对权重Wc,计算每个聚类子簇需要生成新的样本数量 其中, 表示第c个聚类子簇需要生成新的样本数量,公式为:对于安全样本 的新样本生成:先根据选择概率SP(xi), 在集合中选择一个少数类安全样本,设为xi;然后从非缺陷边界数据集合Bmaj中随机选择一个多数类边界样本,设为xj;对这两个样本进行特征插值,公式为:其中, 表示生成新样本的第k个特征值,插值系数α∈(0,1)是随机生成的,重复该步骤直到安全样本点的新生成样本数量达到 令安全样本 新生成样本集合为对于危险样本 的新样本生成:对缺陷危险数据集合 的第c个聚类子簇进行如下操作:在该聚类子簇中随机选择两个样本点xi、xj,按照公式 进行特征插值;
重复此过程,直到该聚类子簇中新生成的样本个数达到 令危险样本 新生成样本集合为
最终,获得新生成的缺陷数据样本集合
9.根据权利要求7所述的软件缺陷数据生成方法,其特征在于:若 则无论nc的值为多少,都只能生成1个聚类子簇。
10.一种软件缺陷数据生成系统,其特征在于:包括:获取模块:用于获取软件数据集,其中,所述软件数据集包括缺陷数据集和非缺陷数据集,将所述缺陷数据集作为少数类数据集,将所述非缺陷数据集作为多数类数据集;
过采样模块:用于对所述缺陷数据集和非缺陷数据集进行过采样,生成所需的新的缺陷样本,将新的缺陷样本放入缺陷数据集中,使放入新的缺陷样本后的缺陷数据集的样本点和非缺陷数据集的样本点达到平衡。