基于優(yōu)化BP神經網絡的高準確度軟件缺陷預測應用研究*

曾 毅, 張福泉

(1.廣西大學 行健文理學院,廣西 南寧 530005；2.北京理工大學 軟件學院,北京 100081)

隨著現代信息技術的快速發(fā)展，軟件系統(tǒng)在各個領域中的應用越來越多.伴隨著應用范圍的擴大，軟件系統(tǒng)不可避免的缺陷問題已經開始引起社會越來越多的關注.一般來說，軟件可靠性對軟件開發(fā)成本和軟件質量具有較大的影響[1-2].如果能夠在軟件系統(tǒng)開發(fā)的初期盡可能地檢測出系統(tǒng)存在的各種BUG，并及時對其進行修改的話，就能夠直接提高軟件可靠性.因此，軟件缺陷預測對于軟件可靠性具有重要的研究價值[3].現階段，軟件缺陷預測模型大致可以分為5種類型[4-5]：(1) 貝葉斯模型；(2) 線性判別模型；(3) 分類決策模型；(4) 支持向量機模型；(5) 馬爾可夫模型.眾多研究人員已經對以上模型開展了各種分析和研究，但是以上模型在軟件缺陷預測中的應用效果達不到人們的預期，仍舊存在不少問題.比如，對于現在研究得較多的馬爾可夫模型方法，由于過于依賴初期的假設問題，導致其實際應用范圍十分有限.隨著人工智能算法的興起，人工神經網絡模型在軟件缺陷預測中的應用成為目前人們研究的熱點，主要采用的是BP 神經網絡[6].但是BP 神經網絡采用均方誤差梯度下降方向進行收斂，容易陷入局部極小值點，且收斂速度慢.此外，BP 神經網絡對初始化參數中的權值和閾值具有較大的敏感性，不同的初始化權值和閾值將對BP 神經網絡的性能造成較大影響.

為了有效提高軟件缺陷測試任務中的準確度，本文提出了一種基于灰狼算法優(yōu)化BP神經網絡的軟件缺陷預測模型.該模型利用灰狼優(yōu)化算法的全局搜索能力，有效克服了BP神經網絡的局部極小值點陷入，解決了其對初始化權值和閾值參數設置的依賴性問題.實驗結果表明，相比于現有BP優(yōu)化算法，本文算法的仿真擬合效果最優(yōu)，表現出了更高的軟件缺陷預測準確度.

1 提出的軟件缺陷預測模型

1.1 模型結構設計

本文提出的基于優(yōu)化BP神經網絡的軟件缺陷預測模型如圖 1 所示.其中，模型的預測準確率達到預先設置的閾值或者循環(huán)次數達到最大值時終止優(yōu)化循環(huán).

1.2 BP神經網絡的建立

本文采用4層BP神經網絡構建多層感知模型[7-8].該BP神經網絡具體包括：輸入層、變量層、模糊規(guī)則層和輸出層，如圖2所示.

在第一層(輸入層)中，IN1輸入節(jié)點表示誤差數值，IN2輸入節(jié)點表示誤差的變化率.該層的輸入和輸出分別為：

在第二層(變量層)中，本文利用高斯函數對上一層的數值進行分類.該層的輸入和輸出分別為：

在規(guī)則層中輸入和輸出分別為：

輸出層用于解模糊，其輸入和輸出分別為：

2 灰狼算法優(yōu)化 BP 神經網絡

本文采用灰狼算法[10]優(yōu)化BP神經網絡，以達到克服BP算法的缺陷和提高泛化性能的目的.

在一個維度為D的空間中，設Xi表示族群中第i只狼的位置，i=1,2,…,N.狼群包圍并追捕獵物的行為抽象為[10]：

Xi(t+1)=X0(t)-Ai·Di，Di=|Ci·X0-Xi|，

式中，t為迭代次數，X0表示獵物位置向量，Di表示灰狼與獵物之間的距離，Ai和Ci均為因子參數.灰狼算法的實現主要模仿了頭狼α，副頭狼β、小頭目δ和普通灰狼ω的集體狩獵行為，分別表示為搜索空間中的最優(yōu)解、優(yōu)解、次優(yōu)解和待選解，其更新方式如下：

式中，ωj(j=α,β,δ)為最優(yōu)解、優(yōu)解和次優(yōu)解的權重因子.提出的灰狼算法優(yōu)化BP神經網絡算法流程如圖3所示.

3 實例分析

3.1 實驗數據

本文采用了NASA提供數據庫中的4個數據集，對提出的方法進行了性能和模型擬合分析.這4組數據集均為真實軟件項目，具體參數如表1所示.

表1 實驗數據相關參數

3.2 評估指標

為了對提出模型的性能和模型擬合結果進行量化分析，選用3種常用的評價準則[11]：均值誤差平方和、回歸曲線方程的相關指數和準確度來比較模型的預測能力.均值誤差平方和的計算方法為

式中，yave表示yi的均值，RSq的數值越靠近1，可靠性評估性能越好.準確度的計算方法為accuracy=T/C，式中，T表示正確預測的模塊數量，C表示觀測數據實例的總數.準確度的數值越高越好.

3.3 結果與分析

表2列出了各模型在兩組失效數據集上的模型擬合結果.

表2 不同模型的測試結果對比

從實驗結果可以看出，相比于實驗中的其他2種BP優(yōu)化模型，本文提出模型的擬合效果最好且軟件缺陷預測準確度最高.本文模型實驗結果中MSE數值均最小，RSq數值均最接近1，準確度的結果均最高.

4 結 論

本文提出一種基于優(yōu)化BP神經網路的軟件缺陷預測方法.采用4層BP神經網絡構建多層感知模型，并結合模糊控制原理實現任意復雜非線性關系逼近.該模型利用灰狼優(yōu)化算法的全局搜索能力，有效克服了BP神經網絡的局部極小值點陷入，解決了其對初始化權值和閾值參數設置的依賴性問題.通過實際軟件項目進行了測試，結果顯示相比于PSO-BP算法和SA-BP算法，本文算法表現出了更高的軟件缺陷預測準確度和較高的軟件可靠性.

參考文獻

[1] 楊波, 吳際, 徐珞,等. 一種軟件測試需求建模及測試用例生成方法[J]. 計算機學報, 2014, 37(3):522-538.

[2] 王蓁蓁. 軟件測試理論初步框架[J]. 計算機科學, 2014, 41(3):12-16.

[3] 張策, 崔剛, 劉宏偉,等. 軟件測試資源與成本管控和最優(yōu)發(fā)布策略[J]. 哈爾濱工業(yè)大學學報, 2014, 46(5):51-58.

[4] GARG M, LAI R, KAPUR P K. A method for selecting a model to estimate the reliability of a software component in a dynamic system[C]//Software Engineering Conference.IEEE,2013, 8144:40-50.

[5] LIN C T, HUANG C Y. Enhancing and measuring the predictive capabilities of testing-effort dependent software reliability models[J]. Journal of Systems & Software, 2008, 81(6):1025-1038.

[6] 張偉杰. 一種軟件測試算法的改進及對比實驗[J]. 科學技術與工程, 2014, 14(35):245-248.

[7] 于安雷, 皮德常. 基于PSO-BP的軟件缺陷預測模型[J]. 計算機工程與應用, 2013, 49(7):64-67.

[8] PINHEIRO S. Optimal harvesting for a logistic growth model with predation and a constant elasticity of variance[J]. Annals of Operations Research,2018,260(1-2):461-480.

[9] 尹然, 丁曉明, 李小亮,等. 基于SA-BP神經網絡的軟件缺陷預測模型的研究[J]. 西南師范大學學報(自然科學版), 2013, 38(8):147-152.

[10] SINGH N, SINGH S B. A novel hybrid GWO-SCA approach for optimization problems[J]. Engineering Science & Technology An International Journal, 2017, 20(6):1586-1601.

[11] HUANG C Y, KUO S Y, LYU M R. An assessment of testing-effort dependent software reliability growth models[J]. Reliability IEEE Transactions on, 2007, 56(2):198-211.