数据驱动的软件缺陷预测研究综述

李勇; 黄志球; 王勇; 房丙午

doi:10.3969/j.issn.0372-2112.2017.04.030

您当前的位置：

首页 >

文章列表页 >

数据驱动的软件缺陷预测研究综述

综述评论 | 更新时间：2025-07-16

- 数据驱动的软件缺陷预测研究综述
- Survey on Data Driven Software Defects Prediction
- 电子学报 2017年45卷第4期页码：982-988
- 作者机构：
  
  1. 南京航空航天大学计算机科学与技术学院,江苏,南京,211106
  2. 新疆师范大学网络信息安全与舆情分析重点实验室,新疆,乌鲁木齐,830054
  3. 南京航空航天大学计算机科学与技术学院,江苏,南京,211106
  4. 新疆师范大学网络信息安全与舆情分析重点实验室,新疆,乌鲁木齐,830054
- 作者简介：
- 基金信息：
  
  国家自然科学基金 (No.61562087，No.61272083）;江苏省普通高校研究生科研创新计划 (No.CXLX13-160）;中央高校基本科研业务费专项项目
- DOI：10.3969/j.issn.0372-2112.2017.04.030
  中图分类号： TP311.5
- 网络出版：2017-04-25，
  
  纸质出版：2017
- 稿件说明：
移动端阅览
李勇, 黄志球, 王勇, 等. 数据驱动的软件缺陷预测研究综述[J]. 电子学报, 2017,45(4):982-988.

LI Yong, HUANG Zhi-qiu, WANG Yong, et al. Survey on Data Driven Software Defects Prediction[J]. Acta Electronica Sinica, 2017, 45(4): 982-988.
李勇, 黄志球, 王勇, 等. 数据驱动的软件缺陷预测研究综述[J]. 电子学报, 2017,45(4):982-988. DOI： 10.3969/j.issn.0372-2112.2017.04.030.

LI Yong, HUANG Zhi-qiu, WANG Yong, et al. Survey on Data Driven Software Defects Prediction[J]. Acta Electronica Sinica, 2017, 45(4): 982-988. DOI： 10.3969/j.issn.0372-2112.2017.04.030.

摘要

数据驱动的软件缺陷预测是提高软件测试效率、保证软件可靠性的重要途径之一，近几年已成为实证软件工程的研究热点.首先介绍了数据驱动软件缺陷预测的研究背景；然后总结了已有软件缺陷数据属性度量方法的特点，并按照软件开发中缺陷预测的使用场景，以数据来源为主线从基于版本内数据、跨版本数据和跨项目数据实现缺陷预测三个方面对近10年（2005~2015）已有的研究工作进行分类归纳和比较；最后对该领域未来的研究趋势进行了展望.

Abstract

Data driven software defects prediction is considered as an effective means for the optimization of quality assurance activities.This paper tries to survey the studies of data driven software defects prediction from 2005 to 2015.First

it briefly introduces the research background in this field.Then

it summarizes and analyzes the software modules attribute metrics in detail

and thoroughly surveys the state-of-the-art methods of data driven software defects prediction.The discussed topics include within-release

cross-release and cross-project defects prediction.Finally

the potential research directions in the field are discussed.

关键词

Keywords

references

浏览量

471

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于敏感组件函数调用图的安卓重打包恶意软件检测方法

基于机器学习的高效率集成电路DFT技术研究

DRHA-UIE：基于双重残差混合注意力模块的水下图像增强方法

认知学习：电磁频谱空间机器学习新范式

基于迁移学习的LiPON制备工艺模拟优化