软件数据挖掘中的几种模型

计 算 机 工 程 第 31 卷 第23期

Vol.31 № 23 Computer Engineering 软件技术与数据库

文章编号：1000—3428(2005)23—0076—03

文献标识码：A

2005年12月

December 2005

中图分类号：TP132

软件数据挖掘中的几种模型

钟 智1，尹云飞 2

（1. 广西师范学院数计系, 南宁 530001; 2. 广西师范大学计算机系，桂林 541004）

摘 要：提出了3种实用的软件数据挖掘方法：评价指标法，中心知识法，偏离度法。介绍了这3种常用软件数据挖掘的概念，给出了它们的具体模型，最后对这3种软件数据挖掘方法进行了比较和评价。 关键词：软件工程学；软件数据；评价指标法；偏离度法；中心知识法

Some Models About Software Data Mining

ZHONG Zhi 1, YIN Yunfei 2

(1. Department of Mathematics and Computer Science, Guangxi Teacher’s College, Nanning 530001;

2. College of Computer Science, Guangxi Normal University, Guilin 541004)

【Abstract】According to researches, there are three useful methods about software data mining: target evaluation method, fluctuation degreemethod, center knowledge method. This paper firstly introduces such three kinds of concept on software data mining; some practical models aregiven then; Finally, comparison and evaluation are given about the three methods.

【Key words】Software engineering; Software data; Target evaluation method; Fluctuation degree method; Center knowledge method

数据挖掘是从一系列数据中发现模式和规律的过程，因

此只要有数据存在的地方就会有数据挖掘。在实际的软件开发过程中往往会积累大量的软件数据，这些软件数据是项目需求分析的基础和编码、测试的依据。如何对这些软件数据进行有效处理，并从中发现有价值的规律是目前研究的热点，也是我们挖掘的目的。如可以从一系列病毒程序中发现其共同的特征，并以此作为病毒检测、预测的依据。鉴于此，文献[1]提出了利用神经网络对大量数据进行处理的有效方法；文献[2,3]提出了一种基于复杂序列数据的挖掘方法。这些方法均能对一些特殊数据进行有效处理，但是对于复杂多变、既不满足物理规律又不满足统计学规律的软件数据显得不能奏效。文献[4]提出了基于稳定性的数据挖掘模型，这种方法可以处理复杂多变的软件数据，并且这种方法和模型具有很大的可扩充、可改进空间。

模型、算子或结论，例如“部分重复性模型：<U,D,R,f,E,∈,C>”。

定义1（软件数据挖掘）软件数据挖掘是对形如

W={p1,p2, ,pn} （1）的有限集合进行知识发现的过程。其中W是工程项目，

p1,p2, ,pn是组成工程项目W的所有代码文件。

2 3种软件数据挖掘的模型

2.1 第1种模型——评价指标法

定义2（指标评价法）指标评价法模型是对形如<U,A,R,f,E,∈,C>的一个7元组的处理结果。其中U={u1,u2, ,un},ui为对象，称U为论域。A={a1,a2, ,aq}是条件属性集，R={r1,r2, ,rm}是结果属性集。F：A→R，即f(x1,x2, ,xq)∈R，其中xi∈ai，1≤i≤q，称f(X)为中心函数。E：A→P(R)，即E(x1,x2, ,xq)∈P(R)，其中P(R)表示R的幂集，称E为波动域。C={c1,c2, ,cm+1}是正确度因子或置信度因子，代表了某个“部分重复性模型”的可信程度。

假设n个观察值为：u1,u2, ,un，A={a1,a2, ,aq}, ，为了求出部分重复性模型<f∈R={r1,r2, ,rm}（通常m=1）

E，C>。现在需要做的工作是确定中心函数f、波动域E、正

确度因子C。

第1步 预处理。对于用例库中的软件数据进行预处理，主要是将噪声数据去除，也就是说，删除“代码行数”为0的数据、删除“操作符数”或“运算对象数”为0的数据。

第2步 抽样。将预处理后的软件数据集看作均匀分布，

基金项目：澳大利亚ARC基金资助项目(DP0343109)

作者简介: 钟 智（1963—），男，讲师，主研方向：数据挖掘； 尹云飞，硕士生

收稿日期：2004-07-08 E-mail：yinyunfei@http://

1 软件数据挖掘的理论依据和基本概念

软件数据挖掘的理论依据是“三类定律”，即第1类定律是确定性定律或称因果关系定律，它主要是对自然界中必然现象的量化，如牛顿第2定律、能量守恒定律、积分中值定理、柯西定理等等；第2类是基于统计学的定律，用于描述自然界中的偶然现象，这类现象对于某一特定事件来说，它的变化发展有多种可能的结果，最终出现哪一种结果，完全是偶然的、随机的，但是从大量同类事件或同一事件多次重复出现的总体来看，又是有规律的。它主要是通过统计学的方法得出的规律、定理和结论，如正态分布、二项分布、F分布、最大似然估计法等；第3类定律是基于“部分重复性”定律[5]，它用于描述自然界中的突变现象、模糊现象。这类现象与第2类现象有相似点，即它们的出现均是偶然的、随机的，但是比第2类现象更复杂，偶然的因素更多，突变更剧烈，从大量事件或同一事件的重复发生来看也是没有规律的。它主要是通过抽样、拟合、遗传算法等技术得出的数学 —76—

从中无放回地随机抽取100条数据，组成一个抽样。

第3步 确定中心函数。反复进行抽样，得到若干抽样数据，将它们作为训练集，去求中心函数和波动域。中心函数是通过Mean、Y变量来标定的，它们的计算公式为

所有程序分别计算它们的性能指标。性能指标的计算公式为：Y=w1r+w21+w3n，其中r表示抽样集的一个分类结果

dN

∑f(x

Mean=

j=1

q

1j

,x2j, ,xqj)q

（2）

中最大的聚类直径，d表示聚类结果中两两子类的最大距离，n表示进行聚类得到的子类个数，N表示最大可能的聚类个数。w1,w2,w3是相应的权值。性能指标衡量了聚类结果优劣的程度。

第8步 重复第2~第7步；对于每次抽样所得到的“性能指标”和“分类数”，将它们看作是平面上的二维点：<性能指标，分类数>，进行聚类，保留聚类后类内的元素。剔除类外的元素。

至此，便得到了“知识浮动域”。若将“知识浮动域”记为：F，那么它是一个二维点的集合，每一个点有两个坐标<x,y>，其中x表示性能指标，y表示分类数。

（2）中心知识法模型的建立——生成“中心知识”方法 “中心知识”是“知识浮动域”中的一个具有代表意义

。具的“特殊点”，通过“Median”方法来指定“中心知识”

体操作步骤如下：

第1步 求“均值点”。假设“浮动域”中有m个点：{<x1,

：y1>,<x2,y2>,…,<xm,ym>}，求这些点的“均值点”

Y=α

+β1x1+β2x2+...+βqxq （3）

其中α,β1,β2, ,βq可通过最小二乘法求出。式（2）称为中心函数的中心结果值，式（3）称为中心函数的条件属性关系式。

第4步 确定波动域。当论域U为训练集或抽样集时，波动域E可以取所有波动函数值的并集，即

E=∪{E(x1i,x2i, ,xqi)} （4）

i=1n

第5步 确定正确度因子。若待测对象为{xh1,xh2, ,

xhq,r}，则正确度因子：C(c1,c2)

其中c=|α+β1xh1+β2xh2+...+β …… 此处隐藏：6966字，全部文档内容请下载后查看。喜欢就下载吧 ……