一種基于K-means聚類的軟件測(cè)試數(shù)據(jù)異常檢測(cè)方法

陳自力

(福建船政交通職業(yè)學(xué)院，福建 福州 350007)

0 引言

隨著可移植多維控制軟件的廣泛應(yīng)用，對(duì)可移植多維控制軟件的可靠性和組合安全性具有重要意義，結(jié)合對(duì)可移植多維控制軟件兼容性分析，建立可移植多維控制軟件的運(yùn)行可靠性分析模型，提高可移植多維控制軟件的異常特征分析和檢測(cè)能力，研究可移植多維控制軟件異常數(shù)據(jù)檢測(cè)模型，通過智能分析方法，實(shí)現(xiàn)對(duì)可移植多維控制軟件的特征檢測(cè)和提取，提高可移植多維控制軟件的組合測(cè)試和兼容分析能力，相關(guān)的可移植多維控制軟件測(cè)試異常數(shù)據(jù)檢測(cè)能力研究在提高軟件的可靠性和運(yùn)維管理能力方面具有重要意義[1].

為了實(shí)現(xiàn)可移植多維控制軟件測(cè)試異常數(shù)據(jù)檢測(cè)，需要結(jié)合可移植多維控制軟件可靠性約束指標(biāo)分析的方法進(jìn)行可持續(xù)性特征分析，結(jié)合運(yùn)行軟件組合測(cè)試分布，進(jìn)行用例檢測(cè)控制，通過可移植多維控制軟件測(cè)試的大數(shù)據(jù)推薦分析，進(jìn)行可移植多維控制軟件測(cè)試檢測(cè)[2]，傳統(tǒng)方法中，可移植多維控制軟件測(cè)試的異常數(shù)據(jù)檢測(cè)方法主要有模糊信息融合方法、聯(lián)合信息熵檢測(cè)方法以及匹配濾波檢測(cè)方法等，構(gòu)建可移植多維控制軟件測(cè)試異常參數(shù)分析模型，進(jìn)行異常數(shù)據(jù)檢測(cè)[3,4].文獻(xiàn)[5]中提出基于粒子群進(jìn)化尋優(yōu)控制的可移植多維控制軟件測(cè)試異常特征挖掘和特征檢測(cè)方法，采用模糊C均值聚類方法進(jìn)行可移植多維控制軟件測(cè)試異常數(shù)據(jù)挖掘，結(jié)合模糊度檢測(cè)，實(shí)現(xiàn)可移植多維控制軟件測(cè)試異常分類識(shí)別，但該方法進(jìn)行可移植多維控制軟件測(cè)試異常檢測(cè)的計(jì)算負(fù)載較大.文獻(xiàn)[6]中提出信息資源服務(wù)(Multi-source Information Resource As A Service，MIRaaS)融合調(diào)度的可移植多維控制軟件測(cè)試異常檢測(cè)方法，采用模糊決策算法，實(shí)現(xiàn)可移植多維控制軟件測(cè)試的異常數(shù)據(jù)檢測(cè)，該方法的模糊檢測(cè)性不好，對(duì)異常測(cè)試數(shù)據(jù)的挖掘精度不高.

針對(duì)上述問題，本文提出一種基于K-means聚類的軟件測(cè)試數(shù)據(jù)異常檢測(cè)方法.首先構(gòu)建可移植多維控制軟件測(cè)試異常數(shù)據(jù)分布結(jié)構(gòu)模型，建立可移植多維控制軟件測(cè)試數(shù)據(jù)的異常特征分布融合模型，然后采用聯(lián)合多維特征檢測(cè)，實(shí)現(xiàn)對(duì)可移植多維控制軟件測(cè)試數(shù)據(jù)的模糊權(quán)重分析和自適應(yīng)學(xué)習(xí)，采用K-means聚類方法進(jìn)行可移植多維控制軟件中的有效數(shù)據(jù)組合控制，實(shí)現(xiàn)異常特征檢測(cè).最后進(jìn)行仿真測(cè)試分析，展示了本文方法在提高可移植多維控制軟件測(cè)試異常檢測(cè)能力方面的可靠性和優(yōu)越性.

1 可移植多維控制軟件測(cè)試異常數(shù)據(jù)挖掘和分布結(jié)構(gòu)

1.1 可移植多維控制軟件測(cè)試異常數(shù)據(jù)挖掘

為了實(shí)現(xiàn)可移植多維控制軟件測(cè)試異常數(shù)據(jù)檢測(cè)和挖掘，建立可移植多維控制軟件測(cè)試的特征提取模型，構(gòu)建反映可移植多維控制軟件安全等級(jí)的約束特征量，結(jié)合線性規(guī)劃和插值擬合方法進(jìn)行可移植多維控制軟件測(cè)試的模糊度檢測(cè)[7]，得到可移植多維控制軟件測(cè)試異常檢測(cè)的總體結(jié)構(gòu)模型如圖1所示.

圖1 可移植多維控制軟件測(cè)試異常檢測(cè)的總體結(jié)構(gòu)模型

根據(jù)圖1的總體結(jié)構(gòu)模型，進(jìn)行可移植多維控制軟件測(cè)試的信息融合和過程組合控制[8]，在異構(gòu)空間中進(jìn)行可移植多維控制軟件測(cè)試的時(shí)間分布序列為f(x)，x=0,1,···,n-1，采用語(yǔ)義搜索方法，得到可移植多維控制軟件測(cè)試的文本分布序列：

(1)

其中，a1和a2分別表示可移植多維控制軟件測(cè)試數(shù)據(jù)的匹配系數(shù)，a1為均值檢測(cè)系數(shù)，a2為模糊度檢測(cè)系數(shù)，L(A)表示可移植多維控制軟件測(cè)試的異常分布的長(zhǎng)度，Y(B(A))表示軟件測(cè)試用例的區(qū)域特征分布，α為可移植多維控制系數(shù)，β為粗糙匹配集γ1為一維聯(lián)合特征分量，γ2為二維聯(lián)合特征分量，Q為異常數(shù)據(jù)的加權(quán)分量.

設(shè)當(dāng)前可移植多維控制軟件測(cè)試數(shù)據(jù)的聯(lián)合檢測(cè)節(jié)點(diǎn)K處的隸屬度函數(shù)記為K=〈K1,K2,K3，…，Kn〉，其中可移植多維控制軟件測(cè)試數(shù)據(jù)的元數(shù)據(jù)空間分布序列為{r1,r2,…,rn}，(C,H)為可移植多維控制軟件測(cè)試的關(guān)聯(lián)約束函數(shù)，得到可移植多維控制軟件測(cè)試的信息關(guān)聯(lián)度為：

(2)

(3)

其中，λ為樣本類別參數(shù)，gh為檢測(cè)數(shù)據(jù)的先驗(yàn)特征量，eh為模糊樣本分布集，i為數(shù)據(jù)分布的長(zhǎng)度，?為多維控制的維數(shù)，根據(jù)上述分析，構(gòu)建可移植多維控制軟件測(cè)試異常數(shù)據(jù)挖掘模型，根據(jù)空間信息融合，實(shí)現(xiàn)可移植多維控制軟件測(cè)試異常特征分析.

1.2 可移植多維控制軟件測(cè)試異常特征定位

采用模糊性語(yǔ)義特征重建方法進(jìn)行的可移植多維控制軟件模糊參數(shù)識(shí)別[9]，提取可移植多維控制軟件中數(shù)據(jù)的關(guān)聯(lián)信息特征量，模糊性語(yǔ)義特征重建的差異度函數(shù)表示為：

(4)

其中，d為程序模塊的變更信息，h為可移植多維控制軟件異常數(shù)據(jù)的分布長(zhǎng)度，μ為梯度信息分量，f(c)為項(xiàng)目元數(shù)據(jù)的組合參數(shù)，U為邊緣特征集，a3為缺陷報(bào)告參數(shù)，ω為程序模塊相關(guān)性系數(shù)，通過缺陷報(bào)告與程序模塊相關(guān)性融合控制，得到移植多維控制軟件測(cè)試異常特征分布的空間組合函數(shù)為：

(5)

其中f(t)=(f1(t),f2(t)，…，fn(t))，表示缺陷報(bào)告的標(biāo)準(zhǔn)化量化參數(shù)集，υ為異常測(cè)試中移除的特殊字符，δ為詞與詞之間的聯(lián)系度，f(t)為模板檢測(cè)系數(shù)，f(ti)為缺陷類函數(shù)，此時(shí)可得可移植多維控制軟件測(cè)試特征的差異度分布，采用語(yǔ)義屬性分布檢測(cè)，結(jié)合泛化學(xué)習(xí)算法，進(jìn)行可移植多維控制軟件測(cè)試的關(guān)聯(lián)信息融合，若Fk∈Z是重復(fù)或相似的缺陷參數(shù)，得到：

W=O(T

(6)

其中，O為缺陷報(bào)告的文本相似度，Wi為缺陷報(bào)告的文本模糊度[10]，f(p)為適應(yīng)度函數(shù),σ為共享詞的數(shù)量，T為模糊測(cè)試分量，設(shè)(Fk,Hk)和(Fl，Hl)為可移植多維控制軟件測(cè)試數(shù)據(jù)的異常特征量，采用K-means算法，實(shí)現(xiàn)對(duì)測(cè)試異常數(shù)據(jù)檢測(cè)優(yōu)化.

2 可移植多維控制軟件測(cè)試異常檢測(cè)優(yōu)化

2.1 可移植多維控制軟件測(cè)試的特征聚類

根據(jù)關(guān)聯(lián)特征演化分布，采用聯(lián)合組合特征分析方法，實(shí)現(xiàn)可移植多維控制軟件測(cè)試異常數(shù)據(jù)的模糊聚類中心檢測(cè)，構(gòu)建可移植多維控制軟件測(cè)試異常聚類模，得到可移植多維控制軟件測(cè)試的大數(shù)據(jù)分布關(guān)聯(lián)規(guī)則項(xiàng)集為：

(7)

其中f(z1)+f(z2)+…f(zn)表示可移植多維控制軟件測(cè)試特征點(diǎn)采樣的時(shí)間窗口系數(shù)，f(p1,p2，…，pn)表示時(shí)間匹配函數(shù)，結(jié)合文本相似度和堆棧跟蹤相似度檢測(cè)的方法，得到可移植多維控制軟件測(cè)試的統(tǒng)計(jì)信息分布，得到可移植多維控制軟件測(cè)試異常數(shù)據(jù)檢測(cè)函數(shù)為：

(8)

其中，Ti為可移植多維控制軟件測(cè)試模糊聚類的分類域值，b表示異常檢測(cè)偏移系數(shù)，Sx為文本相似度，Hd為堆棧控制系數(shù)，根據(jù)程序模塊d與程序模塊e之間的差異度水平，到可移植多維控制軟件測(cè)試的特征聚類輸出為：

(9)

其中，jk為可移植多維控制軟件測(cè)試譜特征對(duì)齊的概率密度函數(shù)，jp為可移植多維控制軟件測(cè)試異常檢測(cè)概率密度函數(shù).由此，采用聯(lián)合多維特征檢測(cè)，實(shí)現(xiàn)對(duì)可移植多維控制軟件測(cè)試數(shù)據(jù)的模糊權(quán)重分析和自適應(yīng)學(xué)習(xí)，采用K-means聚類方法進(jìn)行可移植多維控制軟件中的有效數(shù)據(jù)組合控制[11].

2.2 異常檢測(cè)輸出

建立可移植多維控制軟件測(cè)試的特征提取模型，提高可移植多維控制軟件測(cè)試異常分析能力，隨機(jī)向量分布空間內(nèi)可移植多維控制軟件測(cè)試異常數(shù)據(jù)檢測(cè)的判別函數(shù)為：

(10)

在復(fù)雜缺陷程序模塊中，得到可移植多維控制軟件測(cè)試數(shù)據(jù)異常分布的差別函數(shù)為：

(11)

其中，ya和yb是可移植多維控制軟件測(cè)試數(shù)據(jù)檢測(cè)的邊界系數(shù)和模板系數(shù)，M(xi,xk)是缺陷修復(fù)次數(shù)占所有文件缺陷修復(fù)值的比率，ζ表示異常檢測(cè)門限.根據(jù)可移植多維控制軟件測(cè)試特征提取結(jié)果，進(jìn)行可移植多維控制軟件測(cè)試的屬性分布式融合，得到檢測(cè)函數(shù)的訓(xùn)練樣本集為{(a1,b1),(a2,b2),…,(an,bn)},通過語(yǔ)義本體融合，得到可移植多維控制軟件測(cè)試數(shù)據(jù)K-means聚類的異構(gòu)函數(shù)為：

(12)

其中，ψj和τj表示可移植多維控制軟件測(cè)試異常檢測(cè)的置信度水平及卷積，綜上分析，采用K-means聚類方法進(jìn)行可移植多維控制軟件中的有效數(shù)據(jù)組合控制[12]，實(shí)現(xiàn)可移植多維控制軟件測(cè)試數(shù)據(jù)的異常特征提取和檢測(cè)，測(cè)算流程如圖2所示.

圖2 可移植多維控制軟件測(cè)試流程

3 仿真測(cè)試分析

通過Matlab 7仿真實(shí)驗(yàn)驗(yàn)證本文方法在實(shí)現(xiàn)可移植多維控制軟件測(cè)試異常檢測(cè)中的應(yīng)用性能，對(duì)可移植多維控制軟件測(cè)試異常特征檢測(cè)的參數(shù)設(shè)定為1 400，訓(xùn)練集序列長(zhǎng)度為400，模糊匹配系數(shù)為0.35，相關(guān)參數(shù)設(shè)定見表1.

表1 可移植多維控制軟件測(cè)試異常分布參數(shù)設(shè)定

根據(jù)上述仿真參數(shù)設(shè)定，進(jìn)行可移植多維控制軟件測(cè)試異常檢測(cè)，得到原始測(cè)試數(shù)據(jù)檢測(cè)序列分布如圖3所示.

以圖3的原始測(cè)試數(shù)據(jù)檢測(cè)序列為研究對(duì)象， 實(shí)現(xiàn)可移植多維控制軟件測(cè)試數(shù)據(jù)的異常特征檢測(cè)，得到檢測(cè)結(jié)果如圖4所示.

圖3 原始測(cè)試數(shù)據(jù)檢測(cè)序列分布

圖4 異常檢測(cè)結(jié)果

分析圖4得知，本文方法能有效實(shí)現(xiàn)可移植多維控制軟件測(cè)試數(shù)據(jù)的異常特征檢測(cè)，測(cè)試不同方法進(jìn)行可移植多維控制軟件測(cè)試數(shù)據(jù)異常檢測(cè)的精度，得到對(duì)比結(jié)果如圖5所示.分析得知，本文方法對(duì)軟件測(cè)試數(shù)據(jù)異常檢測(cè)的精度更高.

圖5 檢測(cè)精度對(duì)比測(cè)試

4 結(jié)語(yǔ)

建立可移植多維控制軟件的運(yùn)行可靠性分析模型，提高可移植多維控制軟件的異常特征分析和檢測(cè)能力，本文提出一種基于K-means聚類的軟件測(cè)試數(shù)據(jù)異常檢測(cè)方法.構(gòu)建反映可移植多維控制軟件安全等級(jí)的約束特征量，結(jié)合線性規(guī)劃和插值擬合方法進(jìn)行可移植多維控制軟件測(cè)試的模糊度檢測(cè)，采用K-means聚類方法進(jìn)行可移植多維控制軟件中的有效數(shù)據(jù)組合控制，實(shí)現(xiàn)可移植多維控制軟件測(cè)試數(shù)據(jù)的異常特征提取和檢測(cè).分析得知，本文方法對(duì)可移植多維控制軟件測(cè)試異常數(shù)據(jù)檢測(cè)的精度較高.