首页|稳健边界强化GMM-SMOTE软件缺陷检测方法

稳健边界强化GMM-SMOTE软件缺陷检测方法

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
基于软件大数据的自动化缺陷检测模型已成为缺陷发现的重要工具.针对软件大数据中,被准确标定的缺陷样本稀少,且漏标、误标率高,导致现有机器学习数据平衡优化方法易使噪声加剧、分类边界模糊等问题,提出一种稳健边界强化GMM SMOTE软件缺陷检测方法.该方法利用高斯混合聚类将软件集合划分为多簇,基于簇内类别比进行可靠样本筛选并且通过后验概率实现边界识别,用以指导完成加权数据平衡,最后利用平衡优化数据构建软件缺陷检测模型.在NASA多个公开数据集上的实验结果表明,GMM-SMOTE可实现噪声抑制、边界强化的数据平衡,有效提高了软件缺陷识别效果,实际应用价值大.
Robust Boundary-Enhanced GMM-SMOTE Software Defect Detection Method

罗森林、苏霞、潘丽敏

展开 >

北京理工大学信息与电子学院,北京 100081

软件缺陷检测 数据不平衡 过采样 高斯混合模型

国家“十三五”科技支撑计划项目

SQ2018YFC200004

2021

10.15918/j.tbit1001-0645.2019.312

北京理工大学学报
北京理工大学

北京理工大学学报

CSTPCDCSCD北大核心
影响因子：0.609
ISSN：1001-0645
年,卷(期)：2021.41(3)
  • 3
  • 2