• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    回環(huán)軟件缺陷數(shù)量預(yù)測(cè)模型

    2021-04-12 05:18:56紀(jì)欣沅

    李 莉,紀(jì)欣沅,宋 嵩

    東北林業(yè)大學(xué) 信息與計(jì)算機(jī)工程學(xué)院,哈爾濱 150040

    軟件缺陷預(yù)測(cè)[1-5]指的是通過(guò)對(duì)歷史軟件數(shù)據(jù)的學(xué)習(xí)得出缺陷預(yù)測(cè)模型,然后對(duì)新的軟件模塊進(jìn)行預(yù)測(cè)分析。缺陷預(yù)測(cè)的主要應(yīng)用場(chǎng)景為在軟件測(cè)試之前,預(yù)先分析出可能存在的缺陷。根據(jù)預(yù)測(cè)的目的可將缺陷預(yù)測(cè)模型大致分為兩類(lèi):(1)二分類(lèi)問(wèn)題的軟件缺陷預(yù)測(cè)模型,即預(yù)測(cè)軟件模塊是否含有缺陷。(2)基于缺陷數(shù)量的軟件模塊排序預(yù)測(cè),并根據(jù)預(yù)測(cè)出的缺陷數(shù)量的多少給出模塊的排序。

    基于二分類(lèi)問(wèn)題的軟件缺陷預(yù)測(cè)模型目的是預(yù)測(cè)軟件模塊是否含有缺陷,引導(dǎo)測(cè)試人員將注意力集中在包含缺陷的軟件模塊上,并調(diào)用測(cè)試資源進(jìn)行軟件模塊測(cè)試。此方法能有效指導(dǎo)測(cè)試人員,提高了測(cè)試效率,但是仍然無(wú)法正確預(yù)測(cè)所有的軟件模塊。如果將有缺陷的模塊錯(cuò)誤的預(yù)測(cè)為無(wú)缺陷的模塊時(shí),則存在不能及時(shí)發(fā)現(xiàn)缺陷的情況,如果將無(wú)錯(cuò)誤的模塊預(yù)測(cè)為有缺陷的模塊,會(huì)引起測(cè)試資源浪費(fèi)。

    基于缺陷數(shù)量的軟件模塊排序預(yù)測(cè),根據(jù)模型預(yù)測(cè)出的軟件模塊缺陷的數(shù)量,按照缺陷數(shù)量的多少進(jìn)行排序,集中資源優(yōu)先測(cè)試軟件缺陷數(shù)量多的模塊。在實(shí)際中,準(zhǔn)確缺陷數(shù)量預(yù)測(cè)具有極高的難度,較難給出精確的軟件模塊缺陷個(gè)數(shù),因此相關(guān)領(lǐng)域根據(jù)預(yù)測(cè)出的軟件模塊缺陷數(shù)量對(duì)軟件模塊進(jìn)行排序,根據(jù)排序結(jié)果分配測(cè)試資源。

    2012年,Wang等[6]提出了一種基于狀態(tài)轉(zhuǎn)換模型的軟件缺陷數(shù)量預(yù)測(cè)方法。該方法利用歷史數(shù)據(jù)構(gòu)建狀態(tài)轉(zhuǎn)換模型,然后利用馬爾可夫鏈預(yù)測(cè)未來(lái)狀態(tài)下的缺陷個(gè)數(shù)。2015年,Rathore等[7]提出了利用遺傳算法和決策樹(shù)回歸算法進(jìn)行軟件模塊缺陷數(shù)量預(yù)測(cè),實(shí)驗(yàn)采用promise 數(shù)據(jù)集,結(jié)果表明,該模型具有較好的預(yù)測(cè)效果。2016年,Rathore等[8]探究了決策樹(shù)回歸算法在同項(xiàng)目和跨項(xiàng)目?jī)煞N情況下軟件缺陷數(shù)量預(yù)測(cè)的性能,實(shí)驗(yàn)結(jié)果表明,在同項(xiàng)目中決策樹(shù)回歸算法具有更好的預(yù)測(cè)性能。2017年,Rathore等[9]提出了利用線性回歸的組合規(guī)則模型和梯度增強(qiáng)回歸組合規(guī)則模型進(jìn)行軟件缺陷數(shù)量預(yù)測(cè),實(shí)驗(yàn)表明,梯度增強(qiáng)回歸則和規(guī)則模型具有較好的性能。2019年,Ni等[10]提出了基于Pareto的多目標(biāo)優(yōu)化算法,經(jīng)過(guò)試驗(yàn)證明取得了良好的效果。

    2018年,馬子逸等[11]提出了面向軟件缺陷個(gè)數(shù)預(yù)測(cè)的混合特征選擇方法,該方法在保證預(yù)測(cè)性能的同時(shí)降低了特征的選擇時(shí)間。2018年,簡(jiǎn)藝恒等[12]提出了基于數(shù)據(jù)過(guò)采樣和集成學(xué)習(xí)的軟件缺陷數(shù)目預(yù)測(cè)方法。實(shí)驗(yàn)結(jié)果表明相比于原始的預(yù)測(cè)方法,此方法在性能上有較大的提升。2018年,付忠旺等[13]提出了回歸算法對(duì)軟件缺陷個(gè)數(shù)預(yù)測(cè)模型性能的影響。實(shí)驗(yàn)結(jié)果表明梯度boosting回歸算法和貝葉斯嶺回歸算法具有更好的預(yù)測(cè)效果。2019年,李葉飛等[14]提出了針對(duì)軟件缺陷數(shù)預(yù)測(cè)的特征選擇方法。此模型能夠有效地移除冗余和無(wú)關(guān)的特征,構(gòu)建高效的軟件缺陷數(shù)預(yù)測(cè)模型。

    通過(guò)對(duì)當(dāng)前軟件缺陷數(shù)量預(yù)測(cè)方法的研究,軟件缺陷數(shù)量預(yù)測(cè)的研究工作主要分成兩類(lèi):第一類(lèi)是通過(guò)改進(jìn)回歸算法,提高缺陷預(yù)測(cè)的準(zhǔn)確度。當(dāng)數(shù)據(jù)集中特征維度過(guò)大時(shí),可能會(huì)造成維度災(zāi)難。第二類(lèi)是通過(guò)研究特征之間的相關(guān)性,消除無(wú)關(guān)特征和冗余特征,提高軟件缺陷預(yù)測(cè)的準(zhǔn)確性。軟件模塊產(chǎn)生缺陷的情況多種多樣,僅憑借特征之間的相關(guān)性來(lái)判斷軟件缺陷產(chǎn)生的條件是不夠的。

    針對(duì)以上問(wèn)題,本文提出了回環(huán)軟件缺陷數(shù)量預(yù)測(cè)模型(PNSDL)。本文從特征之間的相關(guān)性和特征對(duì)于數(shù)據(jù)簇的貢獻(xiàn)度出發(fā)進(jìn)行特征提取,將學(xué)習(xí)器的性能作為最佳特征子集選擇的評(píng)價(jià)準(zhǔn)則。通過(guò)分析軟件缺陷的產(chǎn)生和不同特征之間的聯(lián)系,利用反距離加權(quán)的方式將學(xué)習(xí)器和數(shù)據(jù)動(dòng)態(tài)的進(jìn)行集成,最終得出軟件缺陷數(shù)量預(yù)測(cè)模型。

    1 回環(huán)軟件缺陷預(yù)測(cè)模型

    1.1 研究動(dòng)機(jī)

    聚類(lèi)分析的基本思想是根據(jù)物以類(lèi)聚的原理,將數(shù)據(jù)分成不同的簇,簇與簇之間的相似度盡可能的小,而簇內(nèi)數(shù)據(jù)之間具有較高的相似度。在軟件缺陷數(shù)據(jù)集中,軟件模塊度量元之間的關(guān)系決定了軟件模塊是否產(chǎn)生缺陷和產(chǎn)生缺陷的數(shù)量,因此需要采取必要措施挖掘不同度量元組合和產(chǎn)生缺陷數(shù)量之間的關(guān)系。

    本文采用改進(jìn)的密度峰值聚類(lèi)[15],此方法不需要預(yù)先指定簇的個(gè)數(shù),改進(jìn)了最初的密度峰值聚類(lèi)需要手動(dòng)選取簇中心的缺陷,有效避免了人工選取存在的誤差。

    當(dāng)數(shù)據(jù)的規(guī)模逐漸增大,數(shù)據(jù)維度也隨之增加。進(jìn)行特征選擇可以減少數(shù)據(jù)維度,刪除無(wú)用的度量元,有效地提高數(shù)據(jù)的處理效率。特征選擇主要分為三類(lèi):過(guò)濾式特征選擇、包裹式特征選擇、嵌入式特征選擇。本文采用了包裹式特征選擇,將學(xué)習(xí)器的性能作為特征子集的評(píng)價(jià)標(biāo)準(zhǔn)。

    1.2 模型設(shè)計(jì)

    回環(huán)軟件缺陷數(shù)量預(yù)測(cè)模型主要分成兩部分,即回環(huán)特征選擇和加權(quán)集成預(yù)測(cè)。模型整體流程如圖1所示。

    1.2.1 回環(huán)特征選擇

    在回環(huán)特征選擇階段,選擇融合了改進(jìn)密度峰值聚類(lèi)的包裹式回環(huán)特征選擇方法,在每一次回環(huán)中進(jìn)行特征選擇,并訓(xùn)練出學(xué)習(xí)器。首先對(duì)數(shù)據(jù)進(jìn)行聚類(lèi)分析,劃分出不同的簇,訓(xùn)練學(xué)習(xí)器,篩選出貢獻(xiàn)率最大的特征作為初始特征,其余特征作為備選特征。接下來(lái)根據(jù)初始特征重新將數(shù)據(jù)進(jìn)行聚類(lèi)劃分,然后訓(xùn)練不同的學(xué)習(xí)器,并測(cè)試學(xué)習(xí)器,得出測(cè)試指標(biāo),依據(jù)測(cè)試指標(biāo)選擇出的特征重新進(jìn)行數(shù)據(jù)提取,此時(shí)作為第一次回環(huán)。在回環(huán)選擇中,當(dāng)測(cè)試指標(biāo)不再減小,或者備選特征組無(wú)任何特征時(shí),回環(huán)結(jié)束。否則,在備選特征組中選擇一個(gè)特征加入初始特征中重新進(jìn)行聚類(lèi)、特征選擇并持續(xù)回環(huán)。偽代碼如下所示:

    圖1 回環(huán)軟件缺陷數(shù)量預(yù)測(cè)流程圖

    輸入:數(shù)據(jù)集

    輸出:特征組和學(xué)習(xí)器

    1. 對(duì)數(shù)據(jù)進(jìn)行聚類(lèi),選擇聚類(lèi)中心icl

    2. 數(shù)據(jù)劃分到不同的簇cl

    3. 采用嶺回歸模型對(duì)各簇進(jìn)行訓(xùn)練,

    4. 提取重要特征組成特征組features,其余特征作為備選特征sum_features

    5. For sum_features數(shù)量-features數(shù)量to 0 do

    6. Fori=0 tosum_features數(shù)量do

    7. 臨時(shí)特征組temp_features=features+sum_features[i]

    8. 根據(jù)temp_features將數(shù)據(jù)重新進(jìn)行聚類(lèi);

    9. 訓(xùn)練學(xué)習(xí)器模型,測(cè)試得到指標(biāo)數(shù)據(jù);

    10. End for

    11. 根據(jù)指標(biāo)選擇最優(yōu)特征,將特征加入特征組features,減少sum_features中的特征;

    12. If特征指標(biāo)不再減小

    13. 當(dāng)前features為最優(yōu)特征組

    14. 當(dāng)前特征組對(duì)應(yīng)的各類(lèi)簇的學(xué)習(xí)器為最優(yōu)簇學(xué)習(xí)器

    15. Break

    16. End if

    17. End for

    回環(huán)特征選擇流程如圖2所示,具體操作步驟如下:

    (1)數(shù)據(jù)預(yù)處理。數(shù)據(jù)歸一化,把數(shù)據(jù)的范圍設(shè)定在0~1之間,降低特征數(shù)據(jù)對(duì)于預(yù)測(cè)模型的影響。

    (2)聚類(lèi)分析。計(jì)算每一條數(shù)據(jù)fi其自身的密度ρi,與高密度點(diǎn)之間的距離δi。用dij表示數(shù)據(jù)fi和數(shù)據(jù)fj之間的歐式距離,則dij的計(jì)算如公式(1)所示:

    其中,m表示特征的個(gè)數(shù),χ表示每一條數(shù)據(jù)所對(duì)應(yīng)的特征。數(shù)據(jù)fi的自身密度ρi表示為與其距離小于截?cái)嗑嚯xdc的所有特征個(gè)數(shù),其定義如公式(2)所示:

    其中,X作為一種二值函數(shù),當(dāng)dij?dc<0 時(shí),函數(shù)X的結(jié)果為1;當(dāng)dij?dc>0 時(shí),函數(shù)X的結(jié)果為0;dc為截?cái)嗑嚯x。數(shù)據(jù)fi與高密度點(diǎn)之間的距離δi的計(jì)算方法為,將密度按照從大到小的順序排列:ρi>ρj>ρk>…。δi的大小為密度大于ρi的密度點(diǎn)中,距離fi最近的點(diǎn)的歐式距離,當(dāng)fi的密度最大,則δi的大小為距離fi最遠(yuǎn)的點(diǎn)的歐式距離。

    對(duì)于聚類(lèi)中心的選取,馬春來(lái)等[15]將密度峰值聚類(lèi)方法進(jìn)行改進(jìn)。首先計(jì)算聚類(lèi)中心的指標(biāo)γ,如公式(3)所示:

    其中,z(·)為歸一化函數(shù),然后根據(jù)γ的值進(jìn)行降序排列,尋找到γ趨勢(shì)變化最大的點(diǎn)γc,并將γ>γc的點(diǎn)均作為聚類(lèi)中心。

    (3)特征提取。依據(jù)聚類(lèi)中心,將數(shù)據(jù)劃分成不同的簇,訓(xùn)練簇對(duì)應(yīng)的學(xué)習(xí)器。依據(jù)特征的貢獻(xiàn)度,得出特征排名,將每一個(gè)簇的前三種特征進(jìn)行提取,組成初始特征組,其余特征作為備選特征組。

    (4)數(shù)據(jù)劃分。根據(jù)初始特征組重新對(duì)數(shù)據(jù)進(jìn)行聚類(lèi),得到新的數(shù)據(jù)簇,訓(xùn)練學(xué)習(xí)器,并得到測(cè)試指標(biāo)。

    (5)回環(huán)特征提取。依據(jù)測(cè)試指標(biāo)從備選特征組中選取一個(gè)特征,加入初始特征組,重復(fù)進(jìn)行第(4)步,直到測(cè)試指標(biāo)不再改善,或者備選特征組的特征全部提取出。此時(shí)初始特征組包含的特征就是最優(yōu)特征,各簇的學(xué)習(xí)器為最優(yōu)簇學(xué)習(xí)器。

    圖2 回環(huán)特征選擇流程圖

    1.2.2 反距離加權(quán)集成預(yù)測(cè)

    本文采用反距離加權(quán)[16]集成的方式進(jìn)行學(xué)習(xí)器的集成。通過(guò)聚類(lèi)分析,具有相似特征的數(shù)據(jù)被分到同一個(gè)簇。在同一個(gè)簇中的軟件模塊所產(chǎn)生的缺陷數(shù)量和類(lèi)型相似,但是軟件模塊產(chǎn)生缺陷的原因多種多樣,產(chǎn)生的模塊和多個(gè)簇都具有相關(guān)性,不能簡(jiǎn)單的劃分到某一個(gè)簇中進(jìn)行判斷。本文提出的反距離加權(quán)集成方法是一種動(dòng)態(tài)的加權(quán)集成方法。通過(guò)測(cè)量待預(yù)測(cè)數(shù)據(jù)到各簇中心的距離,動(dòng)態(tài)的計(jì)算各簇學(xué)習(xí)器在預(yù)測(cè)此條數(shù)據(jù)中所占的權(quán)重。將各簇學(xué)習(xí)器的預(yù)測(cè)值進(jìn)行加權(quán)集成,得到最終預(yù)測(cè)結(jié)果。偽代碼如下所示:

    輸入:待預(yù)測(cè)數(shù)據(jù)

    輸出:預(yù)測(cè)結(jié)果

    1. 計(jì)算待預(yù)測(cè)數(shù)據(jù)到各簇中心的歐式距離dist

    2. 得到數(shù)據(jù)在各簇學(xué)習(xí)器中的預(yù)測(cè)值result_i

    3. sum_value=sum(1/dist)

    4. 各簇對(duì)應(yīng)學(xué)習(xí)器的權(quán)值w_i=(1/dist)/sum_value

    5. sum_result=sum(w_i* result_i)

    反距離加權(quán)集成流程如圖3所示。

    圖3 反距離加權(quán)集成流程圖

    具體步驟如下所示:

    (1)計(jì)算數(shù)據(jù)到各個(gè)數(shù)據(jù)簇中心的距離dist,距離采用歐式距離的計(jì)算方式。

    (2)根據(jù)到各個(gè)數(shù)據(jù)簇中心的距離,采用反距離公式,計(jì)算簇所對(duì)應(yīng)的學(xué)習(xí)器的權(quán)值,作為此學(xué)習(xí)器的權(quán)重。計(jì)算方法如公式(4)所示:

    (3)集成學(xué)習(xí),將不同學(xué)習(xí)器預(yù)測(cè)出的結(jié)果result和學(xué)習(xí)器對(duì)應(yīng)的權(quán)重w相乘,最后相加得到的結(jié)果就是最終的預(yù)測(cè)結(jié)果。計(jì)算方法如公式(5)所示:

    sum_result為集成的預(yù)測(cè)結(jié)果,resulti為各學(xué)習(xí)器預(yù)測(cè)的結(jié)果,wi為對(duì)應(yīng)的權(quán)重。得到集成的預(yù)測(cè)結(jié)果后,將預(yù)測(cè)結(jié)果根據(jù)缺陷數(shù)量進(jìn)行排序,最終得到軟件模塊排名。

    2 實(shí)驗(yàn)結(jié)果及分析

    2.1 數(shù)據(jù)集

    在本文的實(shí)驗(yàn)研究中,采用了公開(kāi)的promise 數(shù)據(jù)集,并提取了數(shù)據(jù)集中重要20 種特征:加權(quán)方法數(shù)(wmc)、繼承樹(shù)深度(dit)、孩子數(shù)(noc)、對(duì)象類(lèi)之間的耦合度(cbo)、類(lèi)的響應(yīng)(rfc)、內(nèi)聚缺乏度(lcom)、傳入耦合(ca)、傳出耦合(ce)、公開(kāi)方法數(shù)(npm)、方法間的組件數(shù)(lcom3)、代碼行數(shù)(loc)、數(shù)據(jù)訪問(wèn)度量(dam)、聚合度量(moa)、功能抽象度量(mfa)、方法間的內(nèi)聚度(cam)、繼承耦合(ic)、方法間耦合(cbm)、平均方法復(fù)雜度(amc)、最大Mc Cabe環(huán)形復(fù)雜度(max_cc)、平均Mc Cabe 環(huán)形復(fù)雜度(avg_cc)。如表1 詳細(xì)列出了promise數(shù)據(jù)集中這些項(xiàng)目的統(tǒng)計(jì)信息。

    表1 數(shù)據(jù)集統(tǒng)計(jì)信息

    2.2 數(shù)據(jù)預(yù)處理

    在軟件模塊缺陷數(shù)量預(yù)測(cè)中,存在某一種或幾種度量元數(shù)值過(guò)大的情況,過(guò)大的度量元會(huì)影響到模型的測(cè)試準(zhǔn)確度,因此采用數(shù)據(jù)歸一化的方法將所有的度量元數(shù)值范圍設(shè)定為0到1之間。本文采用min-max標(biāo)準(zhǔn)化方法,對(duì)原始數(shù)據(jù)進(jìn)行線性變換,使結(jié)果落在0 和1 之間,轉(zhuǎn)換函數(shù)如公式所示:

    其中x為轉(zhuǎn)換前的度量元數(shù)值,x?為轉(zhuǎn)換后的度量元數(shù)值,min為度量元中最小值,max為度量元中最大值。

    2.3 測(cè)評(píng)指標(biāo)

    為了評(píng)估模型在軟件缺陷數(shù)量預(yù)測(cè)中的性能,本次實(shí)驗(yàn)采用了平均絕對(duì)誤差(MAE)作為性能評(píng)價(jià)指標(biāo)。平均絕對(duì)誤差表示預(yù)測(cè)值和觀測(cè)值之間絕對(duì)誤差的平均值,反映出預(yù)測(cè)值和真實(shí)值之間的差別。

    2.4 研究問(wèn)題

    為了驗(yàn)證PNSDL 方法的預(yù)測(cè)性能,因此本文提出了以下兩個(gè)問(wèn)題進(jìn)行驗(yàn)證:

    (a)相對(duì)于其他的一些基準(zhǔn)特征提取方法,本模型的特征提取部分是否有具有良好的效果?

    (b)相對(duì)于其他軟件缺陷預(yù)測(cè)模型,本文提出的PNSDL 方法模型是否有效地提高了軟件缺陷預(yù)測(cè)準(zhǔn)確率?

    為了回答上述提出的問(wèn)題,針對(duì)(a)問(wèn)題本文選取了4種特征選擇方法,基于遞歸特征消除的特征選擇方法(RFE)、基于卡方檢驗(yàn)的特征選擇方法(chi2)、基于樹(shù)模型的特征選擇方法(TBFS)、基于L1懲罰項(xiàng)檢驗(yàn)的特征選擇方法(L1BFS),作為本文特征選擇的比較對(duì)象。為了評(píng)價(jià)特征選擇模型是否具有良好的效果,本文統(tǒng)一將嶺回歸作為特征選擇的預(yù)測(cè)模型,以最終的預(yù)測(cè)結(jié)果的平均絕對(duì)誤差作為評(píng)價(jià)標(biāo)準(zhǔn)。分別測(cè)試每一個(gè)特征選擇方法在10個(gè)數(shù)據(jù)集中所取得的效果。

    針對(duì)(b)問(wèn)題,為了評(píng)價(jià)提出的軟件缺陷預(yù)測(cè)模型的有效性,本文選用了7 個(gè)缺陷預(yù)測(cè)模型進(jìn)行比較:基于線性回歸的組合規(guī)則缺陷模型(LRCR)、基于梯度增強(qiáng)回歸組合規(guī)則的缺陷模型(GRCR)、基于線性回歸的缺陷預(yù)測(cè)模型(LR)、基于多層感知機(jī)回歸的缺陷預(yù)測(cè)模型(MLP)、基于基因編程的缺陷預(yù)測(cè)模型(GP)、基于負(fù)二項(xiàng)回歸的缺陷預(yù)測(cè)模型(NBR)、基于零膨脹泊松回歸的缺陷預(yù)測(cè)模型(ZIP)。對(duì)比實(shí)驗(yàn)數(shù)據(jù)來(lái)源于Rathore等[8]文中提供的實(shí)驗(yàn)數(shù)據(jù)。

    在實(shí)驗(yàn)研究中,由于密度峰值聚類(lèi)算法需要預(yù)先指定截距,Rodriguez 等[17]經(jīng)過(guò)實(shí)驗(yàn)研究將截距的選取范圍鎖定在1%~2%,因此本實(shí)驗(yàn)采用2%作為截距。同時(shí)在回歸模型的選擇上,本實(shí)驗(yàn)采用了嶺回歸作為學(xué)習(xí)器。

    在訓(xùn)練集和測(cè)試集的劃分方面,本實(shí)驗(yàn)采用sklearn中提供的數(shù)據(jù)劃分方法train_test_split,將數(shù)據(jù)按照7∶3的比例方式隨機(jī)劃分訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)。實(shí)驗(yàn)在以下配置的臺(tái)式機(jī)上運(yùn)行:操作系統(tǒng)為Win10 64位,CPU為Intel?Core?i7-6700CPU @3.40 GHz 3.41 GHz,內(nèi)存4 GB。

    2.5 結(jié)果分析

    (1)針對(duì)研究問(wèn)題(a)

    本實(shí)驗(yàn)在promise數(shù)據(jù)集上對(duì)特征選擇模型進(jìn)行了實(shí)驗(yàn)研究,使用平均絕對(duì)誤差作為評(píng)估指標(biāo)。表2記錄了各個(gè)特征選擇模型在10組實(shí)驗(yàn)數(shù)據(jù)中分別取得的實(shí)驗(yàn)結(jié)果。

    表2 基于平均絕對(duì)誤差的特征選擇模型的性能

    在10 組實(shí)驗(yàn)數(shù)據(jù)中,PNSDL 特征選擇方法取得了7次勝利,平均誤差相較于其余4種特征選擇模型最優(yōu),在誤差率方面,本文特征選擇模型相比于RFE、chi2、TBFS、L1BFS來(lái)講分別提升了11.3%、4.5%、4.4%和5.4%。不難看出,本文模型相較于其余4種特征選擇模型來(lái)講具有更好的數(shù)據(jù)適用性,提取出的有效特征更加有效,可以在預(yù)測(cè)中取得更好的效果。

    (2)針對(duì)研究問(wèn)題(b)

    實(shí)驗(yàn)在promise數(shù)據(jù)集上對(duì)本文模型的整體性能進(jìn)行了實(shí)驗(yàn)研究,使用平均絕對(duì)誤差作為評(píng)估指標(biāo),并將本文模型與7種基準(zhǔn)方法進(jìn)行了比較。表3給出了這些方法在平均絕對(duì)誤差指標(biāo)上的結(jié)果。

    表3 中,第一列為項(xiàng)目名稱,第二列為本文模型在平均絕對(duì)誤差指標(biāo)下取得的結(jié)果,其余列為7種預(yù)測(cè)方法在平均絕對(duì)誤差指標(biāo)下取得的結(jié)果。在每一行中,最好的結(jié)果被加粗顯示。10 個(gè)項(xiàng)目中,PNSDL 預(yù)測(cè)模型取得7次勝利,并且10次項(xiàng)目的平均誤差相對(duì)于其余模型中效果最佳,最大誤差相比于其余模型最小,最小誤差也低于其余模型。本文模型相比于其余模型在平均絕對(duì)誤差的指標(biāo)下,效果最好。在算法誤差改善方面(見(jiàn)表4),PNSDL 相比于LRCR、GRCR、LR、MLP、GP、NBR、ZIP分別提升了10.36%、28.74%、13.51%、36.61%、25.30%、60.14%、54.72%。

    表3 基于平均絕對(duì)誤差的各預(yù)測(cè)模型的性能

    表4 PNSDL相比于其他算法誤差改善率%

    綜上,本文模型在進(jìn)行缺陷預(yù)測(cè)的同時(shí),也進(jìn)行有效的特征提取。每次完成預(yù)測(cè)后剩余的特征數(shù)均小于數(shù)據(jù)的總特征數(shù),證明在軟件缺陷預(yù)測(cè)中,冗余特征和無(wú)關(guān)特征影響軟件缺陷預(yù)測(cè)模型的性能。本文模型移除這些特征,有效地提高了模型的預(yù)測(cè)性能。

    3 結(jié)束語(yǔ)

    為提升軟件缺陷預(yù)測(cè)精準(zhǔn)度,本文提出了回環(huán)軟件缺陷數(shù)量預(yù)測(cè)模型。

    (1)通過(guò)采用回環(huán)特征選擇的方法,選擇的特征更加有效,相比于實(shí)驗(yàn)中對(duì)比的4 種特征提取方法,此方法對(duì)于不同的數(shù)據(jù)具有更好的適用性。

    (2)考慮到產(chǎn)生軟件模塊缺陷之間特征的關(guān)聯(lián)性,采用反距離加權(quán)集成的方法,有效地提高了軟件缺陷數(shù)量預(yù)測(cè)的準(zhǔn)確性,更加有利于對(duì)模塊進(jìn)行排序。

    實(shí)驗(yàn)結(jié)果表明,相比于原有的軟件缺陷數(shù)量預(yù)測(cè)模型,軟件缺陷數(shù)目預(yù)測(cè)準(zhǔn)確性方面有明顯的提高。

    在后續(xù)的工作中,將進(jìn)一步提升軟件缺陷預(yù)測(cè)模型的穩(wěn)定性,降低預(yù)測(cè)結(jié)果和真實(shí)值之間的誤差,并進(jìn)一步優(yōu)化模型,使其適用于跨項(xiàng)目軟件缺陷預(yù)測(cè)。

    两个人视频免费观看高清| www.www免费av| 麻豆成人av在线观看| 禁无遮挡网站| 亚洲中文字幕一区二区三区有码在线看 | 亚洲aⅴ乱码一区二区在线播放 | 欧美老熟妇乱子伦牲交| 国产精品一区二区免费欧美| 欧美日韩乱码在线| 国产一区二区三区视频了| 亚洲精品国产一区二区精华液| 日韩欧美一区二区三区在线观看| 香蕉久久夜色| bbb黄色大片| 美女大奶头视频| 国产成人精品久久二区二区免费| 久9热在线精品视频| 亚洲熟妇熟女久久| 亚洲 国产 在线| 欧美老熟妇乱子伦牲交| 中文字幕最新亚洲高清| 久久天躁狠狠躁夜夜2o2o| 国产高清激情床上av| 搞女人的毛片| 性欧美人与动物交配| av网站免费在线观看视频| 亚洲自拍偷在线| 性少妇av在线| 亚洲成人国产一区在线观看| 一级毛片女人18水好多| 国产麻豆69| 亚洲精品久久成人aⅴ小说| 波多野结衣巨乳人妻| 久久性视频一级片| 国产xxxxx性猛交| 一本综合久久免费| 免费在线观看亚洲国产| 日韩一卡2卡3卡4卡2021年| 亚洲美女黄片视频| 好看av亚洲va欧美ⅴa在| 欧美日韩一级在线毛片| 亚洲av熟女| 啦啦啦免费观看视频1| 午夜福利影视在线免费观看| 久久久国产成人精品二区| 日韩三级视频一区二区三区| 精品电影一区二区在线| av电影中文网址| 日韩一卡2卡3卡4卡2021年| 黄色视频,在线免费观看| 日韩精品免费视频一区二区三区| 亚洲人成网站在线播放欧美日韩| 亚洲精品国产色婷婷电影| 亚洲一卡2卡3卡4卡5卡精品中文| 久久久水蜜桃国产精品网| 岛国在线观看网站| 亚洲一码二码三码区别大吗| 国产在线观看jvid| 久久国产精品影院| 久久午夜综合久久蜜桃| 亚洲欧美激情综合另类| 免费观看人在逋| 亚洲成人精品中文字幕电影| av网站免费在线观看视频| 国产av一区二区精品久久| 动漫黄色视频在线观看| 精品第一国产精品| 亚洲人成电影免费在线| 一个人免费在线观看的高清视频| 啦啦啦免费观看视频1| 麻豆成人av在线观看| 怎么达到女性高潮| 真人一进一出gif抽搐免费| 19禁男女啪啪无遮挡网站| 亚洲精品久久成人aⅴ小说| 国产成人欧美| 成年版毛片免费区| 日日摸夜夜添夜夜添小说| 两个人看的免费小视频| 国产麻豆69| 狠狠狠狠99中文字幕| 国产私拍福利视频在线观看| 一进一出抽搐gif免费好疼| 亚洲国产高清在线一区二区三 | 在线观看66精品国产| 亚洲男人的天堂狠狠| 国产精品美女特级片免费视频播放器 | 亚洲情色 制服丝袜| 少妇的丰满在线观看| www.www免费av| 久久人妻福利社区极品人妻图片| 99国产精品免费福利视频| av欧美777| 亚洲国产欧美日韩在线播放| 欧美精品啪啪一区二区三区| 日日爽夜夜爽网站| 久久人人爽av亚洲精品天堂| 亚洲国产精品久久男人天堂| 免费在线观看黄色视频的| 男女之事视频高清在线观看| 亚洲成人国产一区在线观看| 亚洲全国av大片| 美女国产高潮福利片在线看| 麻豆一二三区av精品| 伦理电影免费视频| 久久久精品国产亚洲av高清涩受| 国产精华一区二区三区| 日本a在线网址| 大陆偷拍与自拍| 天堂动漫精品| 宅男免费午夜| av在线播放免费不卡| 免费少妇av软件| av天堂在线播放| 麻豆久久精品国产亚洲av| 国产视频一区二区在线看| 久久热在线av| 校园春色视频在线观看| 很黄的视频免费| 香蕉国产在线看| 91国产中文字幕| 国产伦人伦偷精品视频| 久久久久久大精品| 久久久精品欧美日韩精品| 国产av一区二区精品久久| 亚洲电影在线观看av| 欧美绝顶高潮抽搐喷水| 窝窝影院91人妻| 国产在线精品亚洲第一网站| 成人国语在线视频| 国产精品秋霞免费鲁丝片| 日韩av在线大香蕉| 亚洲av日韩精品久久久久久密| 日韩 欧美 亚洲 中文字幕| 欧美亚洲日本最大视频资源| 久久久久久久久中文| 黄频高清免费视频| 麻豆成人av在线观看| 国产亚洲精品av在线| √禁漫天堂资源中文www| 精品无人区乱码1区二区| 久久精品91无色码中文字幕| 久久精品人人爽人人爽视色| 亚洲精品久久成人aⅴ小说| 一级a爱片免费观看的视频| 国产亚洲av高清不卡| 色综合婷婷激情| 一级毛片女人18水好多| 国产激情久久老熟女| 亚洲av电影不卡..在线观看| 国产精华一区二区三区| 久久久久国内视频| 男女之事视频高清在线观看| 黑丝袜美女国产一区| 国产三级在线视频| 亚洲精品国产区一区二| 国产亚洲精品一区二区www| 成人精品一区二区免费| 亚洲色图综合在线观看| 正在播放国产对白刺激| 国产国语露脸激情在线看| 国产国语露脸激情在线看| 久久精品成人免费网站| 在线观看午夜福利视频| 69精品国产乱码久久久| 一级,二级,三级黄色视频| 日本精品一区二区三区蜜桃| 黄色 视频免费看| 一级a爱视频在线免费观看| 757午夜福利合集在线观看| 超碰成人久久| 色老头精品视频在线观看| 国产aⅴ精品一区二区三区波| 久99久视频精品免费| 久久精品成人免费网站| av网站免费在线观看视频| 最近最新中文字幕大全免费视频| 国产成人精品在线电影| 欧美激情极品国产一区二区三区| 一进一出好大好爽视频| 精品乱码久久久久久99久播| 国产av一区二区精品久久| 国产精品香港三级国产av潘金莲| av在线播放免费不卡| 国产av一区二区精品久久| 18禁国产床啪视频网站| 一区福利在线观看| 久久精品国产亚洲av香蕉五月| 亚洲成人国产一区在线观看| 国产一区在线观看成人免费| 精品一品国产午夜福利视频| 黄片小视频在线播放| 亚洲男人天堂网一区| 美女高潮喷水抽搐中文字幕| 老汉色av国产亚洲站长工具| 91精品三级在线观看| 成人免费观看视频高清| 视频区欧美日本亚洲| 在线天堂中文资源库| 女性生殖器流出的白浆| 丝袜美腿诱惑在线| 一边摸一边抽搐一进一小说| 电影成人av| 亚洲一卡2卡3卡4卡5卡精品中文| 久久午夜亚洲精品久久| 操出白浆在线播放| www国产在线视频色| 亚洲avbb在线观看| 成人三级做爰电影| 国产精品永久免费网站| 级片在线观看| 日日摸夜夜添夜夜添小说| 91精品国产国语对白视频| 91精品国产国语对白视频| 国产亚洲精品综合一区在线观看 | 午夜两性在线视频| 九色亚洲精品在线播放| 女同久久另类99精品国产91| 久热爱精品视频在线9| 亚洲中文字幕一区二区三区有码在线看 | 国产精品二区激情视频| 国产精品香港三级国产av潘金莲| 国产私拍福利视频在线观看| 久久香蕉国产精品| 在线天堂中文资源库| videosex国产| АⅤ资源中文在线天堂| 亚洲精品国产精品久久久不卡| 亚洲精品粉嫩美女一区| 亚洲熟妇熟女久久| 淫秽高清视频在线观看| 视频区欧美日本亚洲| 大陆偷拍与自拍| 中文字幕另类日韩欧美亚洲嫩草| 亚洲av成人av| 久久精品人人爽人人爽视色| 制服丝袜大香蕉在线| 久久香蕉国产精品| 国产三级黄色录像| 国产一区二区激情短视频| 国产精品九九99| 琪琪午夜伦伦电影理论片6080| 国产成年人精品一区二区| 亚洲中文av在线| 色综合站精品国产| 欧美日韩乱码在线| 老汉色av国产亚洲站长工具| 亚洲成人国产一区在线观看| 99国产精品免费福利视频| 在线天堂中文资源库| 90打野战视频偷拍视频| 精品乱码久久久久久99久播| av中文乱码字幕在线| 香蕉久久夜色| 老司机福利观看| 久久精品91无色码中文字幕| 国产在线观看jvid| 黑人巨大精品欧美一区二区蜜桃| 亚洲国产精品合色在线| 在线观看免费午夜福利视频| 亚洲无线在线观看| 成人三级黄色视频| 黄网站色视频无遮挡免费观看| 精品国内亚洲2022精品成人| 久久香蕉激情| 天堂√8在线中文| 韩国精品一区二区三区| 国产精品国产高清国产av| 精品高清国产在线一区| 色综合欧美亚洲国产小说| 国产主播在线观看一区二区| 人人妻人人爽人人添夜夜欢视频| 国产欧美日韩一区二区三| 欧美日韩一级在线毛片| or卡值多少钱| av在线天堂中文字幕| 一个人免费在线观看的高清视频| 久久亚洲真实| 一区二区三区精品91| 国产单亲对白刺激| 久久人妻av系列| 看片在线看免费视频| 日韩国内少妇激情av| 欧美亚洲日本最大视频资源| 精品久久久久久,| 日本 av在线| 久久久久久国产a免费观看| 51午夜福利影视在线观看| 丝袜人妻中文字幕| 久久午夜亚洲精品久久| 日本撒尿小便嘘嘘汇集6| 天堂影院成人在线观看| 久久伊人香网站| 精品一区二区三区av网在线观看| 亚洲自偷自拍图片 自拍| av电影中文网址| 一区二区三区激情视频| 国产精品久久久久久亚洲av鲁大| 巨乳人妻的诱惑在线观看| 男人舔女人下体高潮全视频| 国产黄a三级三级三级人| 天天添夜夜摸| 亚洲五月天丁香| 国产欧美日韩综合在线一区二区| 人妻久久中文字幕网| 91老司机精品| 看片在线看免费视频| 激情在线观看视频在线高清| 国产精品98久久久久久宅男小说| 99国产极品粉嫩在线观看| 黄片小视频在线播放| 久久久久久久久久久久大奶| 99在线视频只有这里精品首页| 欧美国产日韩亚洲一区| 国产成人免费无遮挡视频| 九色亚洲精品在线播放| 韩国精品一区二区三区| 黄色女人牲交| 大陆偷拍与自拍| 免费在线观看黄色视频的| 国产精品一区二区免费欧美| www日本在线高清视频| av中文乱码字幕在线| 99热只有精品国产| 欧美日韩乱码在线| 国产麻豆成人av免费视频| 国产av一区在线观看免费| 国产亚洲精品av在线| 国产精品综合久久久久久久免费 | 国产高清激情床上av| 成人免费观看视频高清| av视频在线观看入口| 在线观看免费日韩欧美大片| 人人澡人人妻人| 一边摸一边做爽爽视频免费| 国产男靠女视频免费网站| 国产一卡二卡三卡精品| 亚洲性夜色夜夜综合| 18美女黄网站色大片免费观看| 美女 人体艺术 gogo| 老司机午夜福利在线观看视频| 久久人妻av系列| 美国免费a级毛片| 久久欧美精品欧美久久欧美| av欧美777| 免费观看人在逋| 一夜夜www| 男女之事视频高清在线观看| 人成视频在线观看免费观看| 黄色片一级片一级黄色片| 女人精品久久久久毛片| 亚洲在线自拍视频| 欧美久久黑人一区二区| 一级毛片女人18水好多| 中文字幕高清在线视频| 日韩国内少妇激情av| 老汉色∧v一级毛片| 欧美在线黄色| 日韩高清综合在线| 午夜福利成人在线免费观看| 亚洲色图综合在线观看| 亚洲精品一卡2卡三卡4卡5卡| 久久久久久人人人人人| 欧美在线黄色| av有码第一页| 18美女黄网站色大片免费观看| 自拍欧美九色日韩亚洲蝌蚪91| 亚洲国产日韩欧美精品在线观看 | 女人爽到高潮嗷嗷叫在线视频| 一级毛片精品| 亚洲 欧美 日韩 在线 免费| 成人三级黄色视频| 国产午夜精品久久久久久| 免费在线观看黄色视频的| 久久久久久久久免费视频了| 777久久人妻少妇嫩草av网站| 久久人人97超碰香蕉20202| 国产欧美日韩精品亚洲av| 色精品久久人妻99蜜桃| 亚洲成国产人片在线观看| 啦啦啦韩国在线观看视频| 日韩中文字幕欧美一区二区| 在线观看一区二区三区| 满18在线观看网站| 欧美日韩一级在线毛片| 黄色a级毛片大全视频| 精品不卡国产一区二区三区| 精品人妻在线不人妻| 一个人观看的视频www高清免费观看 | 国产成+人综合+亚洲专区| 自线自在国产av| 久久久久久大精品| 可以在线观看的亚洲视频| 99精品在免费线老司机午夜| 免费在线观看影片大全网站| 亚洲熟妇中文字幕五十中出| 两性夫妻黄色片| 免费在线观看日本一区| 亚洲国产日韩欧美精品在线观看 | 三级毛片av免费| 国产精品电影一区二区三区| 在线观看66精品国产| 欧美黑人欧美精品刺激| 午夜免费激情av| 日韩欧美在线二视频| 欧美精品啪啪一区二区三区| 国产野战对白在线观看| 啪啪无遮挡十八禁网站| 欧美中文综合在线视频| 一边摸一边做爽爽视频免费| 深夜精品福利| 给我免费播放毛片高清在线观看| 日韩大尺度精品在线看网址 | 亚洲九九香蕉| 成人国语在线视频| 免费无遮挡裸体视频| 午夜福利一区二区在线看| 国产精品 国内视频| 亚洲精品国产色婷婷电影| 黑人巨大精品欧美一区二区mp4| 91麻豆精品激情在线观看国产| 男人的好看免费观看在线视频 | 久久亚洲精品不卡| 叶爱在线成人免费视频播放| 国产成人欧美在线观看| 久久精品亚洲精品国产色婷小说| 亚洲自拍偷在线| 搡老妇女老女人老熟妇| 黄色片一级片一级黄色片| 又黄又粗又硬又大视频| 久久狼人影院| 满18在线观看网站| 丰满人妻熟妇乱又伦精品不卡| 亚洲专区国产一区二区| 精品人妻在线不人妻| 久9热在线精品视频| 波多野结衣巨乳人妻| 国产精品影院久久| 黄频高清免费视频| 性欧美人与动物交配| 一级毛片高清免费大全| 涩涩av久久男人的天堂| 日本 欧美在线| 欧美大码av| 亚洲av成人不卡在线观看播放网| 欧美激情高清一区二区三区| 国产精品 欧美亚洲| 夜夜看夜夜爽夜夜摸| 人人妻人人爽人人添夜夜欢视频| 十八禁人妻一区二区| 两个人看的免费小视频| 亚洲中文字幕一区二区三区有码在线看 | 国产aⅴ精品一区二区三区波| 欧美日韩瑟瑟在线播放| 神马国产精品三级电影在线观看 | 人人澡人人妻人| 免费在线观看影片大全网站| 变态另类丝袜制服| 香蕉国产在线看| 精品欧美一区二区三区在线| 变态另类成人亚洲欧美熟女 | aaaaa片日本免费| 国产精品久久久久久人妻精品电影| 老司机福利观看| 精品国产亚洲在线| 亚洲av日韩精品久久久久久密| 国产区一区二久久| 成人国产综合亚洲| 在线天堂中文资源库| 久久久久国产一级毛片高清牌| 国产一区二区三区视频了| 久久人妻熟女aⅴ| 人人澡人人妻人| 国产又色又爽无遮挡免费看| 男人操女人黄网站| 国产免费男女视频| 精品乱码久久久久久99久播| 日韩有码中文字幕| 国产精品98久久久久久宅男小说| 亚洲精品国产精品久久久不卡| 亚洲avbb在线观看| 亚洲专区中文字幕在线| 久久精品成人免费网站| 国产亚洲精品综合一区在线观看 | 亚洲人成电影免费在线| 国产成+人综合+亚洲专区| 久久中文看片网| 91麻豆av在线| 99久久久亚洲精品蜜臀av| 最近最新中文字幕大全免费视频| 免费观看精品视频网站| 国产又爽黄色视频| 一进一出抽搐动态| 九色亚洲精品在线播放| 国产精品精品国产色婷婷| 淫妇啪啪啪对白视频| 精品一品国产午夜福利视频| av福利片在线| 国产精品98久久久久久宅男小说| 嫩草影院精品99| 精品国内亚洲2022精品成人| 国产主播在线观看一区二区| 极品人妻少妇av视频| 亚洲五月色婷婷综合| 欧美日韩亚洲综合一区二区三区_| 50天的宝宝边吃奶边哭怎么回事| 国产三级在线视频| 男人操女人黄网站| 免费无遮挡裸体视频| 国产av精品麻豆| 一级毛片女人18水好多| 日韩欧美一区二区三区在线观看| 在线av久久热| 亚洲精品国产区一区二| 国产乱人伦免费视频| 欧美激情 高清一区二区三区| 自拍欧美九色日韩亚洲蝌蚪91| 成人av一区二区三区在线看| 亚洲欧美一区二区三区黑人| 成人精品一区二区免费| 在线观看免费视频网站a站| 一进一出抽搐动态| 又紧又爽又黄一区二区| 搡老妇女老女人老熟妇| 色综合婷婷激情| 1024香蕉在线观看| 欧美色欧美亚洲另类二区 | 99国产综合亚洲精品| 精品第一国产精品| 成人国产一区最新在线观看| 狠狠狠狠99中文字幕| 丁香六月欧美| 国产一卡二卡三卡精品| 99久久综合精品五月天人人| 国产亚洲精品第一综合不卡| 久久久精品国产亚洲av高清涩受| 亚洲一区二区三区色噜噜| 男女下面插进去视频免费观看| 国产精品野战在线观看| 深夜精品福利| 99久久综合精品五月天人人| 久久人人97超碰香蕉20202| 久久性视频一级片| 岛国在线观看网站| 中文字幕另类日韩欧美亚洲嫩草| 在线国产一区二区在线| 国产一区二区在线av高清观看| 久久人人爽av亚洲精品天堂| 亚洲精品久久成人aⅴ小说| 亚洲第一欧美日韩一区二区三区| 久久欧美精品欧美久久欧美| 波多野结衣一区麻豆| 侵犯人妻中文字幕一二三四区| 51午夜福利影视在线观看| 成人精品一区二区免费| 亚洲av成人av| 国产在线精品亚洲第一网站| 国产av一区二区精品久久| 老司机午夜福利在线观看视频| 国产精品久久久久久亚洲av鲁大| 香蕉国产在线看| 侵犯人妻中文字幕一二三四区| av有码第一页| 国产麻豆69| 久久 成人 亚洲| 波多野结衣av一区二区av| 丝袜美腿诱惑在线| 在线观看日韩欧美| 99精品在免费线老司机午夜| 老熟妇仑乱视频hdxx| 国产精品精品国产色婷婷| 9色porny在线观看| 亚洲,欧美精品.| 欧美另类亚洲清纯唯美| 丁香欧美五月| 狂野欧美激情性xxxx| 亚洲国产精品999在线| 桃色一区二区三区在线观看| 亚洲伊人色综图| 极品人妻少妇av视频| 亚洲少妇的诱惑av| 久久这里只有精品19| 亚洲全国av大片| 大香蕉久久成人网| 精品不卡国产一区二区三区| 国产精品 国内视频| 黄色成人免费大全| 久久精品91无色码中文字幕| 亚洲专区字幕在线| 久久精品国产亚洲av高清一级| 成人永久免费在线观看视频| av在线天堂中文字幕| 香蕉久久夜色| 免费女性裸体啪啪无遮挡网站| 美国免费a级毛片| 免费看美女性在线毛片视频| 又黄又粗又硬又大视频| 免费看美女性在线毛片视频| 国产伦一二天堂av在线观看| 18禁美女被吸乳视频| 亚洲va日本ⅴa欧美va伊人久久| 国产精品av久久久久免费| 亚洲午夜理论影院| 叶爱在线成人免费视频播放| 国产成人精品久久二区二区免费| or卡值多少钱| 久久精品亚洲熟妇少妇任你| 精品国产乱码久久久久久男人| 搞女人的毛片| 亚洲一码二码三码区别大吗| 女性被躁到高潮视频| 69av精品久久久久久| av免费在线观看网站| 久久九九热精品免费| 国产亚洲精品久久久久久毛片|