一種基于關聯規則的網絡軟件缺陷預測方法

徐思婕

（哈爾濱工程大學計算機科學與技術學院 黑龍江省哈爾濱市 150001）

由于信息技術的不斷發展和進步，每天都有大量的軟件問世，軟件復雜程度也不斷提升，在互聯網技術的支持之下，基本上所有軟件都可以聯網，網絡雖然給軟件的使用帶來了諸多便利，但是其弊端即軟件缺陷也逐漸暴露出來了，軟件缺陷對人們生活的方方面面都產生了極為深刻的影響。為了降低軟件缺陷對軟件使用效果產生的影響，為廣大用戶提供更加便捷優質的服務，文章嘗試對一種基于關聯規則的網絡軟件缺陷預測方法進行分析和論述。該研究是建立在前人理論與實踐分析基礎之上提出來的。據相關學者研究表明，當前對軟件缺陷進行研究的主要是基于統計分析學方法、神經網絡的軟件缺陷預測模型、機器學習算法等。在具體的測試過程中不同的研究方法所產生的作用效果有著較大的差異。而本文在深入總結前人研究的基礎之上，認為可以運用關聯規則對網絡軟件缺陷進行分析和預測，當前關聯規則廣泛應用于商業、移動通信以及網絡安全等領域，其以數據為基礎，通過深入的分析和挖掘網絡數據之間潛在的聯系，對可能存在的缺陷進行分析。

1 網絡軟件缺陷預測存在的問題

軟件缺陷預測技術對于提高軟件質量，保證軟件可靠性有著重要的意義。從上述國內外的研究現狀可以看出，目前研究者已經在軟件缺陷預測領域取得了豐碩的研究成果，但是仍存在一些不足，主要體現在以下兩點。

（1）類不平衡問題和維度爆炸影響軟件缺陷預測模型的精度。特征選擇是解決維度爆炸問題的一種有效手段，通過特征選擇篩除冗余特征和無關特征，選取最優特征子集，提高軟件缺陷預測模型的效果。但當前的研究方法中在特征選擇階段未考慮到軟件缺陷數據集中的類不平衡問題，類不平衡問題會導致預測模型在缺陷模塊的識別率較低，在一定程度上阻礙了軟件缺陷預測模型的效果。

（2）軟件漏洞是一種特殊的軟件缺陷，其成因與程序語義信息密切相關。傳統的軟件缺陷預測技術利用軟件度量等專家定義的特征來構建機器學習模型實現軟件缺陷預測，然而軟件度量僅是對軟件規模和性質的量化，未考慮源代碼中函數調用關系、數據流等語義信息，不能準確的刻畫漏洞的行為模式，因此并不適用于軟件漏洞預測。深度學習算法在代碼的語義特征提取和表達方面表現優越，但不擅長分類問題，因此難以達到很好的漏洞預測效果。

2 網絡軟件缺陷預測

2.1 網絡軟件缺陷預測概述

圖1：網絡軟件缺陷預測架構

圖2

網絡軟件缺陷預測過程中，由于數據分布、數據特征、軟件質量等多種因素的影響，可能會導致預測算法或者是模型與實際預算存在顯著差異。在實際測試過程中，為了保證測試的準確性，通常會將所選取的數據樣本分為有效數據樣本與失效數據樣本兩大類，而在測試過程中重點就在于分析失效數據樣本，明確數據失效的原因，是了解缺陷發生原因、特征以及規律的關鍵所在。

當前在進行軟件缺陷預測分析時，主要有神經網絡算法、貝葉斯網絡、機器學習法、遷移學習等。在該領域有所研究的學者和專家借助這些研究方法取得了諸多研究成果。但是，這些預測方法在應用的時候卻并沒有充分的考慮到外部環境中影響軟件質量、可靠性等不確定性因素，對于這些因素考慮少，勢必會降低缺陷預測結果的準確性，如軟件的內部缺陷就難以有效的被上述預測方法預測出來。基于關聯規則的網絡軟件預測缺陷方法，其運用優勢就在于其不再只是單獨的對有效數據樣本進行預測分析，同時其也充分的考慮到了失效數據樣本，注重對兩種數據樣本同時進行分析和預測，這樣做的優勢在于可以有效的降低預測偏差，優化預測結果。

2.2 網絡軟件缺陷預測架構

一般來說，網絡軟件缺陷預測模型的架構可以分為缺陷數據采集、缺陷數據預處理、引入預測算法、預測模型構建、預測模型測試與驗證五個部分，其模型架構如圖1 所示。

在對目標軟件的源代碼或者是缺陷軟件數據庫中的樣本進行采集、然后統一分析和處理，將關聯規則算法引入到數據樣本分析之中，對數據樣本內容進行有效的計算和分析，然后快速的生成預測模型。在具體的預測過程中可以嘗試多種參數值，反復預測，以便獲得更加真實的數據結果，提高預測的準確性，減少外界因素對預測產生的干擾。

3 關聯規則及關聯分類器

3.1 關聯分類法

分類關聯規則可以全面真實的反映出數據的描述性關聯特性以及可以用于分類的特征。如關聯規則X=>Y，其中X 為前置事件，表示數據描述性關聯規則，Y 為后置事件，表示分類特征。如“respect>0.5127oravg>0.2563=>result=1”中，前置事件為“respect>0.5127oravg>0.2563”，后置事件為“result=1”。關聯分類法應用的基本過程中，可以分為以下幾個步驟，即對所收集到的數據進行離散化處理；在離散化處理完畢之后，獲取關聯分類規則；然后再采用分類器構建算法構造分類器；最后利用構造的分類器進行更加深入的研究和實驗。

3.2 關聯規則生成算法

在應用關聯規則的生成算法時，可以將Apriori 算法或者是FPTree 算法融入其中，借助該算法對可以生出更加具有規則性的集合，其中，置信度由c 表示、支持度由s 表示，前置的相關定理如下所示：

定理1 假設x 和y 是數據集中的項目集中的項目集，如果x∈y，同時y 為大項目集的情況下，那么就說明X 也是大項目集，反之相關關系則不成立。

定理2 假設x=>y，那么對應的項目集則是x∪y，這種情況下也一定是一個大項目集，反之則說明大項目集不成立。

在缺陷預測期間，通過對數據的分析記錄，對各個激勵進行關聯規則的計算，最終形成一個結論集，通過該結論集為后期的分類關聯規則生成奠定良好的基礎。

4 實驗過程

為了更好的驗證基于關聯規則的網絡軟件缺陷預測方法的有效性：文章嘗試以具體的案例作為實驗研究對象，本案例研究由以下三個步驟組成。如圖2 為基于CAT 靜態分析工具的檢索結果。

（1）缺陷檢索。圖2 左上角顯示了一個C#的源代碼文件，包含了循環結構和選擇結構。通過靜態分析，可以注意到有四個缺陷，并且給出相關的語法規則。如果用戶選擇一個缺陷，該工具將顯示該缺陷的詳細信息。在這一部分中可以發現這個缺陷的一些屬性，如目標，身份，位置等。對用戶來說更意外的是，該工具提供了這個缺陷的解決方案，以便于調試方便用戶。

（2）錯誤分類，通過基于CAT 的靜態分析，發現了一些缺陷。為了調試這些缺陷，用戶需要知道缺陷屬于哪個類型。因此，有必要進行分類過程，根據缺陷規則，這些缺陷被分類。例如，缺陷“arg(字符串)”(缺陷的實名)被安排為類型二，和類型三(非可執行節點)。因為其他缺陷不符合缺陷規則，所以它們被歸類為其他缺陷。

（3）反饋。為了提高缺陷檢索的準確性，識別這些缺陷是很重要的。因此，需要邀請一些有經驗的開發人員來決定這些缺陷的真相。當開發人員單擊按鈕(評級)時，就可以選擇相關的項目來判斷所選缺陷的真實性。

5 結論

現如今，人們的生產生活可以說已經離不開網絡軟件了，許多網絡軟件上還包含有用戶的各種隱私信息，如果軟件存在有多種缺陷，那么用戶的人身以及財產安全就將會因此而受到影響。所以說，對網絡軟件缺陷進行預測就顯得極為有必要了。當前，用于網絡軟件缺陷預測的方法多種多樣，而相較于其他的預測方法來說，關聯規則的優勢就在于其使得預測的精確度更高，可以對軟件進行全方面的分析和評估，在對缺陷進行準確預測之后，可以有針對性的對軟件存在的不足予以優化和調整，進而給予用戶更好的軟件使用體驗。