1.基于生成对抗网络和集成学习的软件缺陷预测方法，其特征在于，包括以下步骤：步骤1，对软件缺陷数据集进行预处理，将预处理后的数据集划分成训练集和测试集，计算训练集数据中缺陷类和非缺陷类数据的比值，记为重采样率；

步骤2，构造生成对抗网络模型，该模型包括生成器和鉴别器两部分；

步骤3，采用生成对抗网络对训练集数据进行训练，至生成对抗网络收敛或达到设置的迭代次数后，得到训练完成的生成对抗网络；

步骤4，使用训练完成的生成对抗网络，根据步骤1计算得到的重采样率，生成新的少数类别缺陷类数据，得到重采样后的训练集；

步骤5，使用集成学习AdaBoost方法，进行软件缺陷强分类器的训练，将步骤4重采样后的训练集输入至软件缺陷分类器，训练完成后；在测试集上检验分类器效果，得到软件缺陷预测评价指标；

所述生成器和鉴别器的损失函数如公式(1)和公式(2)所示：

（1）

（2）

其中DLoss为鉴别器的损失函数，GLoss为生成器的损失函数；生成器和鉴别器均采用Adam优化器，使用学习率(learning rate)、Betas和迭代次数三个超参数；xfake、xtrue、ytrue、yfake分别为生成器生成的伪造数据、真实的少数类别缺陷类数据、真实少数类别缺陷类数据的标签和伪造数据的标签，BCELoss为二元交叉熵损失函数，公式为：其中xi，yi分别为第i个软件缺陷样本和其对应的标签，n为总的样本数；

所述步骤2中生成器包括初始的随机噪声输入层、最终的生成数据输出层以及由线性层、批量归一化层和LeakyReLU激活函数组成的块式结构，在噪声输入层之后的第一个块式结构中不设置批量归一化层，同样在数据输出层的前一个块式结构中也不设置批量归一化层，在数据输出层采用Sigmoid激活函数，噪声输入维度为noise_dim，经过3个块式结构，最终经过输出层的全连接层，输出维度为out_dim；

所述步骤2中鉴别器包括初始的数据输入层，最终的鉴别结果输出层以及由线性层和LeakyReLU激活函数组成的块式结构；输入数据的维度为out_dim，同生成器输出的数据维度相同；鉴别结果输出层采用线性层和Sigmoid激活函数，鉴别器最终的输出结果为0到1的数值；

所述步骤3的步骤为：

步骤3.1，将训练集进行归一化操作，将其数值范围约束到0到1之间；

步骤3.2，将数值范围在0到1的随机噪声输入到生成器G中，生成伪造数据，并将该数据标签记为0；将步骤3.1中归一化后的训练集标签记为1，与伪造数据一同输入至鉴别器D中，区分真实数据和伪造数据；

步骤3.3，重复步骤3.2，至生成对抗网络收敛或达到设置的迭代次数后，得到训练完成的生成器G和鉴别器D；

所述步骤4的具体操作如下：步骤4.1，使用步骤3训练完成的生成对抗网络中的生成器G，根据步骤1中的重采样率k，计算得到需要生成的少样本软件缺陷类数据，将0到1的随机噪声输入至步骤3得到的生成器G中，经过生成器的计算，得到生成的少数类别缺陷类数据；

步骤4.2，对步骤4.1中生成的少数类别缺陷类数据，进行同步骤3.2中归一化操作相反的反归一化操作，与原始的软件缺陷少样本类训练数据合并后，得到重采样后的训练集数据；

所示步骤5的具体操作如下：

步骤5.1，将步骤4中重采样后训练集，进行十折交叉验证的划分，整个训练数据集划分成10份，每一份都将被作为验证集，在训练时对分类器进行检验，重复这个过程10次，最终加权平均得到分类器的训练性能指标，训练过程结束，得到训练完成的软件缺陷强分类器C；

步骤5.2，使用步骤5.1中的软件缺陷强分类器C，在测试集上进行模型分类性能的检验，得到强分类器C在测试集上的分类结果，检验该强分类器在测试集上的分类性能；

所述步骤5.1中软件缺陷强分类器C的训练采用AdaBoost学习方法，训练得到软件缺陷强分类器的过程，见公式(6)、(7)、(8)；

（6）

（7）

（8）

其中， 为第m个决策树弱分类器的权重， 为第m个决策树弱分类器， 为集成学习得到的强分类器， 函数用来取m个弱分类器结果加权后的正负， 为第m个决策树弱分类器分类的错误率。