一种基于K-means聚类的软件测试数据异常检测方法

陈自力

(福建船政交通职业学院，福建 福州 350007)

0 引言

随着可移植多维控制软件的广泛应用，对可移植多维控制软件的可靠性和组合安全性具有重要意义，结合对可移植多维控制软件兼容性分析，建立可移植多维控制软件的运行可靠性分析模型，提高可移植多维控制软件的异常特征分析和检测能力，研究可移植多维控制软件异常数据检测模型，通过智能分析方法，实现对可移植多维控制软件的特征检测和提取，提高可移植多维控制软件的组合测试和兼容分析能力，相关的可移植多维控制软件测试异常数据检测能力研究在提高软件的可靠性和运维管理能力方面具有重要意义[1].

为了实现可移植多维控制软件测试异常数据检测，需要结合可移植多维控制软件可靠性约束指标分析的方法进行可持续性特征分析，结合运行软件组合测试分布，进行用例检测控制，通过可移植多维控制软件测试的大数据推荐分析，进行可移植多维控制软件测试检测[2]，传统方法中，可移植多维控制软件测试的异常数据检测方法主要有模糊信息融合方法、联合信息熵检测方法以及匹配滤波检测方法等，构建可移植多维控制软件测试异常参数分析模型，进行异常数据检测[3,4].文献[5]中提出基于粒子群进化寻优控制的可移植多维控制软件测试异常特征挖掘和特征检测方法，采用模糊C均值聚类方法进行可移植多维控制软件测试异常数据挖掘，结合模糊度检测，实现可移植多维控制软件测试异常分类识别，但该方法进行可移植多维控制软件测试异常检测的计算负载较大.文献[6]中提出信息资源服务(Multi-source Information Resource As A Service，MIRaaS)融合调度的可移植多维控制软件测试异常检测方法，采用模糊决策算法，实现可移植多维控制软件测试的异常数据检测，该方法的模糊检测性不好，对异常测试数据的挖掘精度不高.

针对上述问题，本文提出一种基于K-means聚类的软件测试数据异常检测方法.首先构建可移植多维控制软件测试异常数据分布结构模型，建立可移植多维控制软件测试数据的异常特征分布融合模型，然后采用联合多维特征检测，实现对可移植多维控制软件测试数据的模糊权重分析和自适应学习，采用K-means聚类方法进行可移植多维控制软件中的有效数据组合控制，实现异常特征检测.最后进行仿真测试分析，展示了本文方法在提高可移植多维控制软件测试异常检测能力方面的可靠性和优越性.

1 可移植多维控制软件测试异常数据挖掘和分布结构

1.1 可移植多维控制软件测试异常数据挖掘

为了实现可移植多维控制软件测试异常数据检测和挖掘，建立可移植多维控制软件测试的特征提取模型，构建反映可移植多维控制软件安全等级的约束特征量，结合线性规划和插值拟合方法进行可移植多维控制软件测试的模糊度检测[7]，得到可移植多维控制软件测试异常检测的总体结构模型如图1所示.

图1 可移植多维控制软件测试异常检测的总体结构模型

根据图1的总体结构模型，进行可移植多维控制软件测试的信息融合和过程组合控制[8]，在异构空间中进行可移植多维控制软件测试的时间分布序列为f(x)，x=0,1,···,n-1，采用语义搜索方法，得到可移植多维控制软件测试的文本分布序列：

(1)

其中，a1和a2分别表示可移植多维控制软件测试数据的匹配系数，a1为均值检测系数，a2为模糊度检测系数，L(A)表示可移植多维控制软件测试的异常分布的长度，Y(B(A))表示软件测试用例的区域特征分布，α为可移植多维控制系数，β为粗糙匹配集γ1为一维联合特征分量，γ2为二维联合特征分量，Q为异常数据的加权分量.

设当前可移植多维控制软件测试数据的联合检测节点K处的隶属度函数记为K=〈K1,K2,K3，…，Kn〉，其中可移植多维控制软件测试数据的元数据空间分布序列为{r1,r2,…,rn}，(C,H)为可移植多维控制软件测试的关联约束函数，得到可移植多维控制软件测试的信息关联度为：

(2)

(3)

其中，λ为样本类别参数，gh为检测数据的先验特征量，eh为模糊样本分布集，i为数据分布的长度，ϑ为多维控制的维数，根据上述分析，构建可移植多维控制软件测试异常数据挖掘模型，根据空间信息融合，实现可移植多维控制软件测试异常特征分析.

1.2 可移植多维控制软件测试异常特征定位

采用模糊性语义特征重建方法进行的可移植多维控制软件模糊参数识别[9]，提取可移植多维控制软件中数据的关联信息特征量，模糊性语义特征重建的差异度函数表示为：

(4)

其中，d为程序模块的变更信息，h为可移植多维控制软件异常数据的分布长度，μ为梯度信息分量，f(c)为项目元数据的组合参数，U为边缘特征集，a3为缺陷报告参数，ω为程序模块相关性系数，通过缺陷报告与程序模块相关性融合控制，得到移植多维控制软件测试异常特征分布的空间组合函数为：

(5)

其中f(t)=(f1(t),f2(t)，…，fn(t))，表示缺陷报告的标准化量化参数集，υ为异常测试中移除的特殊字符，δ为词与词之间的联系度，f(t)为模板检测系数，f(ti)为缺陷类函数，此时可得可移植多维控制软件测试特征的差异度分布，采用语义属性分布检测，结合泛化学习算法，进行可移植多维控制软件测试的关联信息融合，若Fk∈Z是重复或相似的缺陷参数，得到：

W=O(T

(6)

其中，O为缺陷报告的文本相似度，Wi为缺陷报告的文本模糊度[10]，f(p)为适应度函数,σ为共享词的数量，T为模糊测试分量，设(Fk,Hk)和(Fl，Hl)为可移植多维控制软件测试数据的异常特征量，采用K-means算法，实现对测试异常数据检测优化.

2 可移植多维控制软件测试异常检测优化

2.1 可移植多维控制软件测试的特征聚类

根据关联特征演化分布，采用联合组合特征分析方法，实现可移植多维控制软件测试异常数据的模糊聚类中心检测，构建可移植多维控制软件测试异常聚类模，得到可移植多维控制软件测试的大数据分布关联规则项集为：

(7)

其中f(z1)+f(z2)+…f(zn)表示可移植多维控制软件测试特征点采样的时间窗口系数，f(p1,p2，…，pn)表示时间匹配函数，结合文本相似度和堆栈跟踪相似度检测的方法，得到可移植多维控制软件测试的统计信息分布，得到可移植多维控制软件测试异常数据检测函数为：

(8)

其中，Ti为可移植多维控制软件测试模糊聚类的分类域值，b表示异常检测偏移系数，Sx为文本相似度，Hd为堆栈控制系数，根据程序模块d与程序模块e之间的差异度水平，到可移植多维控制软件测试的特征聚类输出为：

(9)

其中，jk为可移植多维控制软件测试谱特征对齐的概率密度函数，jp为可移植多维控制软件测试异常检测概率密度函数.由此，采用联合多维特征检测，实现对可移植多维控制软件测试数据的模糊权重分析和自适应学习，采用K-means聚类方法进行可移植多维控制软件中的有效数据组合控制[11].

2.2 异常检测输出

建立可移植多维控制软件测试的特征提取模型，提高可移植多维控制软件测试异常分析能力，随机向量分布空间内可移植多维控制软件测试异常数据检测的判别函数为：

(10)

在复杂缺陷程序模块中，得到可移植多维控制软件测试数据异常分布的差别函数为：

(11)

其中，ya和yb是可移植多维控制软件测试数据检测的边界系数和模板系数，M(xi,xk)是缺陷修复次数占所有文件缺陷修复值的比率，ζ表示异常检测门限.根据可移植多维控制软件测试特征提取结果，进行可移植多维控制软件测试的属性分布式融合，得到检测函数的训练样本集为{(a1,b1),(a2,b2),…,(an,bn)},通过语义本体融合，得到可移植多维控制软件测试数据K-means聚类的异构函数为：

(12)

其中，ψj和τj表示可移植多维控制软件测试异常检测的置信度水平及卷积，综上分析，采用K-means聚类方法进行可移植多维控制软件中的有效数据组合控制[12]，实现可移植多维控制软件测试数据的异常特征提取和检测，测算流程如图2所示.

图2 可移植多维控制软件测试流程

3 仿真测试分析

通过Matlab 7仿真实验验证本文方法在实现可移植多维控制软件测试异常检测中的应用性能，对可移植多维控制软件测试异常特征检测的参数设定为1 400，训练集序列长度为400，模糊匹配系数为0.35，相关参数设定见表1.

表1 可移植多维控制软件测试异常分布参数设定

根据上述仿真参数设定，进行可移植多维控制软件测试异常检测，得到原始测试数据检测序列分布如图3所示.

以图3的原始测试数据检测序列为研究对象， 实现可移植多维控制软件测试数据的异常特征检测，得到检测结果如图4所示.

图3 原始测试数据检测序列分布

图4 异常检测结果

分析图4得知，本文方法能有效实现可移植多维控制软件测试数据的异常特征检测，测试不同方法进行可移植多维控制软件测试数据异常检测的精度，得到对比结果如图5所示.分析得知，本文方法对软件测试数据异常检测的精度更高.

图5 检测精度对比测试

4 结语

建立可移植多维控制软件的运行可靠性分析模型，提高可移植多维控制软件的异常特征分析和检测能力，本文提出一种基于K-means聚类的软件测试数据异常检测方法.构建反映可移植多维控制软件安全等级的约束特征量，结合线性规划和插值拟合方法进行可移植多维控制软件测试的模糊度检测，采用K-means聚类方法进行可移植多维控制软件中的有效数据组合控制，实现可移植多维控制软件测试数据的异常特征提取和检测.分析得知，本文方法对可移植多维控制软件测试异常数据检测的精度较高.