摘 要：针对现阶段软件缺陷预测模型研究少和准确率低的问题，提出了一种基于LSTM 的软件缺陷预测模型。基于LSTM 对输入序列信息的相关性进行了研究，通过Prophet 和Ohba 开源数据集对网络模型进行训练和测试。实验结果表明：在输入序列为500 时，LSTM 的检测效果准确率为99.12%，误报率为0.91%，优于RNN 的93.58% 的准确率和5.76% 的误报率。
关键词：深度学习；长短期记忆；软件缺陷预测；RNN
中图分类号：TP315.53 文献标识码：A 文章编号：2096-4706（2020）21-0017-04
Research on LSTM Software Defect Prediction Technology Based on Improved RNN
SU Zhitao
（School of Computer Science，Sichuan University，Chengdu 610065，China）
Abstract：Aiming at the problem of little research and low accuracy of software defect prediction models at this stage，a software defect prediction model based on LSTM is proposed. The correlation of input sequence information is studied based on LSTM. The network model is trained and tested through Prophet and Ohba open source datasets. The experimental results show that：when the input sequence is 500，the detection accuracy of LSTM is 99.12%，and the false alarm rate is 0.91%，which is better than RNN’s 93.58% accuracy rate and 5.76% false alarm rate.
Keywords：deep learning；LSTM；software defect prediction；RNN
参考文献：
[1] 王文滔.Android 手机软件自动化测试的设计与实现 [D].北京：北京交通大学，2015.
[2] 左玲云, 张晴晴, 黎塔, 等. 电话交谈语音识别中基于LSTM-DNN语言模型的重评估方法研究 [J].重庆邮电大学学报（自然科学版），2016，28（2）：180-186+193.
[3] TUMULURU V K，WANG P，NIYATO D. A Neural NetworkBased Spectrum Prediction Scheme for Cognitive Radio [C]//2010 IEEEInternational Conference on Communications.IEEE，2010：1-5.
[4] AHMAD N S，KHAN M G M，RAFI L S．A study oftesting effort dependent inflection S-shaped softwarereliability growth models with imperfect debugging [J].International Journal of Quality & Reliability Management，2010，27（1）：89-110.
[5] 杨波，吴际，徐珞，等. 一种软件测试需求建模及测试用例生成方法 [J]. 计算机学报，2014，37（3）：522-538.
[6] 韩文凯. 认知网络的频谱感知对抗技术研究[D]. 成都：电子科技大学，2018.
[7] 李秋英，李海峰，陆民燕，等. 基于S 型测试工作量函数的软件可靠性增长模型 [J]. 北京航空航天大学学报，2011，37（2）：149-154+160.
[8] 杨宏宇，徐晋. 基于改进随机森林算法的Android 恶意软件检测 [J]. 通信学报，2017，38（4）：8-16.
作者简介：苏智韬（1992—），男，汉族，四川绵阳人，硕士研究生在读，研究方向：基于机器学习的软件自动化测试。