结合EDSVM的软件缺陷数据关联分类方法与流程

技术特征：

1.一种结合EDSVM的软件缺陷数据关联分类方法，其特征在于：所述方法包括以下步骤：

步骤1：从软件数据集中获取数据，并对数据进行预处理；将数据按照设定比例划分为训练集和测试集；

步骤2：构造分类器，包括规则生成、规则排序，过程如下；

2.1)规则生成：利用Apriori算法限制候选产生发现频繁项集，分析频繁项集，产生每个类的满足置信度和支持度阈值的关联规则，结合相关度，在具有相同前件的所有规则中选择相关度最大的规则：

规则R:的相关度：其中，表示规则的置信度，s(B_i)表示类的支持度；

2.2)规则排序：利用项集类分布规则强度对所得的规则集进行排序，采用懒惰剪枝法对排序后得到的规则集进行剪枝操作；

规则R:的项集类分布规则强度为：

$IDS(A\⇒B_i)=c(A\⇒B_i)\·CLSup(A\⇒B_i)\·\underset{j\≠i}{\Σ}\frac{s\left(B_j\right)}{CLSup(A\⇒B_j)}$

其中，表示规则的置信度，表示规则的类支持度：s(B_i)表示类的支持度；

计算项集类分布规则强度，并按此对规则进行排序，在完成对规则集进行懒惰剪枝和排序之后得到的规则集即为分类器；

步骤3：结合EDSVM进行分类预测，步骤如下：

3.1)在规则集R中找出满足测试样例T的m个规则；

3.2)若选出的m个规则相同，则测试样例的类别即为该规则的类别，输出结束；

3.3)若选出的m个规则相异，则判断是规则匹配无果还是规则匹配溢出，规则匹配无果跳转3.4)，规则匹配溢出跳转3.5)；

3.4)若规则匹配无果，则在除去规则集R的训练集Q中计算测试样例与SVM分离超平面之间的距离q₁，若q₁＞d，则采用SVM算法进行分类，否则以所有的支持向量作为测试样例的近邻样本，进行KNN分类；

3.5)若规则匹配溢出，则在规则集R中计算测试样例与SVM分离超平面之间的距离q₂，若q₂＞d，采用SVM算法进行分类，否则以所有的支持向量作为测试样例的近邻样本，进行KNN分类；

3.6)输出测试样例的类别。

2.如权利要求1所述的一种结合EDSVM的软件缺陷数据关联分类方法，其特征在于：所述方法还包括以下步骤：

步骤4：软件缺陷预测，分类结果采用F-score和G-means同时进行验证结果的有效性和精确度，表1为分类器的混淆矩阵；

预测正类预测负类实际正类TPFN实际负类FPTN

表1

查准率：查全率：

F-score是查准率和查全率的调和平均值:

G-means是衡量数据集整体分类性能的评价指标：

$G-means=\sqrt{\frac{TP}{TP+FN}\×\frac{TN}{FP+TN}};$

其中，TP表示被分类器正确分类的正类数；TN表示被分类器正确分类的负类数；FN表示被分类器错误分类的负类数；FP表示被分类器错误分类的正类数。