基于深度学习的多源异构软件数据缺陷预测方法技术

本发明专利技术提供一种基于深度学习的多源异构软件数据缺陷预测方法，通过从K+1个不同的软件数据源收集软件缺陷数据，并得到多源异构缺陷数据；得到预处理后的数据；构建多源异构缺陷预测模型，多源异构缺陷预测模型包括特征映射模块、多领域对抗模块、领域对齐模块和标签预测模块，特征映射模块对输入数据进行特征提取与映射后分别输出特征表示给多领域对抗模块、领域对齐模块和标签预测模块；使用预处理后的数据对多源异构缺陷预测模型进行训练后，得到训练后的模型；获得预测结果；该方法能够学习多源异构数据间的相关性，显著减少多源异构数据之间边缘分布的差异，充分挖掘出多个源数据之间可迁移的信息，能够提高缺陷预测准确性和稳定性。

【技术实现步骤摘要】

本专利技术涉及一种基于深度学习的多源异构软件数据缺陷预测方法，属于软件数据缺陷预测。

技术介绍

1、随着工业技术的飞速发展，工业生产过程变得日益复杂，产生的软件数据量呈爆炸式增长。传统的人工缺陷预测方法已无法满足实际需求。一方面，人工处理海量数据效率低下，难以在短时间内完成对大量软件数据的分析和判断；另一方面，现代工业生产涉及多种类型的设备、工艺和传感器，数据来源广泛，如生产设备的运行参数、软件质量检测数据等。这些数据在结构、格式和语义上存在差异，具有典型的多源异构特性。

2、面对复杂的工业环境产生的海量异构大数据，深度学习算法能够自动从多源异构数据中挖掘潜在模式和规律，实现对缺陷的预测。通过对软件缺陷数据的学习，模型可以识别出与缺陷相关的特征，从而在新的软件数据中及时发现潜在缺陷。但仍存在预测准确性和稳定性较低的问题。

3、例如，中国专利技术申请公开号为cn118965105a公开的一种基于大数据的软件缺陷类别预测方法，未能对异构数据实施有效的处理策略，无法充分学习到数据中的关键信息，难以准确捕捉到各自的关键特征，从而无法取得有效本文档来自技高网...

【技术保护点】

1.一种基于深度学习的多源异构软件数据缺陷预测方法，其特征在于：包括以下步骤，

2.如权利要求1所述的基于深度学习的多源异构软件数据缺陷预测方法，其特征在于：步骤S2与步骤S5中，预处理为采用标准分数归一化Z-score和合成少数过采样技术SMOTE处理。

3.如权利要求1所述的基于深度学习的多源异构软件数据缺陷预测方法，其特征在于：多源异构缺陷预测模型中，特征映射模块包括K个与源域对应的两层特征映射网络以及1个与目标域对应的两层特征映射网络，表达式分别为：

4.如权利要求1-3任一项所述的基于深度学习的多源异构软件数据缺陷预测方法，其特征在于：多源异...

【技术特征摘要】

1.一种基于深度学习的多源异构软件数据缺陷预测方法，其特征在于：包括以下步骤，

2.如权利要求1所述的基于深度学习的多源异构软件数据缺陷预测方法，其特征在于：步骤s2与步骤s5中，预处理为采用标准分数归一化z-score和合成少数过采样技术smote处理。

3.如权利要求1所述的基于深度学习的多源异构软件数据缺陷预测方法，其特征在于：多源异构缺陷预测模型中，特征映射模块包括k个与源域对应的两层特征映射网络以及1个与目标域对应的两层特征映射网络，表达式分别为：

4.如权利要求1-3任一项所述的基于深度学习的多源异构软件数据缺陷预测方法，其特征在于...

【专利技术属性】
技术研发人员：亓晋，李文杰，孙莹，张燕，孙雁飞，董振江，林军，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：