专利交易市场

本发明公开了基于上下文感知代码翻译和特征融合的软件缺陷定位方法。本发明首先从缺陷报告和源文件中提取不同类型的信息检索特征，并且利用包含稠密块和过渡块的线性模型将信息检索的不同特征关联起来；然后构建源文件的浅层语义信息和缺陷报告匹配模块以及源文件的深层语义信息和缺陷报告匹配模块，将源文件的代码转化成的自然语言描述作为源文件的深层语义，利用深层语义和缺陷报告进行语义匹配，最后再构建融合模块将各模块的结果进行融合，得到最终的定位结果。本发明克服了现阶段缺陷定位技术中使用不充分的特征表征源文件的局限性，丰富了源文件的特征表达能力，帮助模型更好地理解源文件，从而提高缺陷定位最终预测的准确度。

本发明公开了一种基于次数频谱与神经网络算法的软件缺陷定位方法，本发明所提出的方法考虑了由于循环等过程的存在引起语句多次执行，使用程序分支计数频谱对覆盖信息进行扩展，并将其作为BP神经网络的输入，实现运用机器学习的方法实现软件缺陷定位的目标。基于覆盖的程序缺陷定位方法利用覆盖信息来定位程序的缺陷语句。然而，这些方法可能会受到代码偶然性正确性的不利影响。偶然性正确是指在执行缺陷语句后，并没有触发错误的测试用例执行过程。本方法将会发生偶然性正确的测试用例的执行结果统一修正为错误的方法，在最大程度上避免偶然性正确对程序定位性能的影响。

本发明公开了一种基于mRMR算法挑选可疑度公式的程序错误定位方法，其对已有的软件程序错误定位方法进行了分析和改进，在原来的方法基础上使用基因编程生成可疑度计算公式并引入mRMR算法进行挑选。新方法考虑公式之间相关性而引入mRMR算法进行筛选，使用所选公式计算软件程序语句的可疑度分数，将其作为特征输入机器学习算法中进行模型训练，最后利用所构建的错误定位模型进行有效错误定位。本发明能够高效并准确地对软件程序中的错误语句进行定位；实验结果表明，大多数情况下，本发明方法比经典错误定位技术更有效，在整体错误定位效果上具有明显优势。

本申请公开了一种基于深度神经网络的软件缺陷定位方法(DMF-BL)，该方法主要从缺陷报告和代码文件等文本数据中提取了文本相似度、结构信息相似度、基于协同过滤算法的缺陷报告相似度、基于缺陷修复历史的相似度和类名相似度五个特征，并利用深度神经网络来整合这些特征，从而捕获特征之间的非线性关系。同时，该方法在六个项目中的23000个缺陷报告上评估了软件缺陷定位的能力，结果表明，不管是Top 1、5和10中成功定位缺陷的准确率还是平均精度均值(MAP)，DMF-BL的性能都要优于目前的缺陷定位技术。