基于大数据技术的静态软件缺陷检测系统设计

常 敏

（河南科技学院，河南 新乡 453003）

0 引 言

目前各类软件应用的发展速率得到了较快的提升，但在发展过程中仍会产生软件应用系统安全隐患问题，在一定状况下将产生系统故障，为此，不少研究学者针对静态软件的缺陷进行检测研究，不断查找其内部缺陷信息，由此保证系统的正常运行[1]。由于静态软件缺陷在检测的过程中需要大量的数据网络信息，具有深度解析系统内部功能的需求，在操作的同时应结合软件信息分析功能进行系统设计研究[2]。

目前国内外研究集中于对软件数据信息的掌控操作，传统基于代码源数据的静态软件缺陷检测系统设计不断精准化处理系统与数据间存在的关系，并按照关系思路进一步查询内部空间系统的存储容量，以便对软件缺陷数据的收集与定期处理[3]。传统基于深度学习的静态软件缺陷检测系统设计逐渐调整处理步骤，完善信息状况，能够在第一时间实现对软件缺陷的检测管理[4]。但在研究过程中，传统方法对于信息整合的性能较差，无法达到系统操作需求标准，在实验的同时未分析中心信息的内部状况，数据处理能力较低。

针对上述问题，本文提出一种基于大数据技术的静态软件缺陷检测系统设计，对上述问题进行分析与解决。调整系统硬件的操作状态，并按照相关硬件处理法则进行硬件信息处理，不断标准化操作中心数据信息，保证数据信息的及时获取。以硬件操作数据为基础实现软件系统设计，分析数据系统软件的内部状况，分类状况数据，合理划分软件检测区域，达到系统设计的目的。本文设计结合了数据操作信息手段及内部系统调控手段，能够在一定程度上强化系统操作力度，了解中心数据的信息状况，具有较高的检测信号接收率。

1 基于大数据技术的静态软件缺陷检测系统硬件设计

大数据技术作为存在范围较广的数据处理手段，被应用于各个领域中。本文为合理检测静态软件缺陷数据，集中查找大数据技术操控手段基本信息，将大数据技术的理论原则作为操作基础，执行系统硬件改良操作，并按照硬件信息性能划分操作模块[5]。

为精准获取静态软件缺陷数据，本文系统硬件构建系统信息采集模块，设置相应的采集模板如图1所示。

图1中采用了数据信息采集器，在操作时需连接USB接口，以保证数据信息的正常存储，同时匹配文件协议精准把握数据的状态，连接2个数据串口，划分数据无源输入节点状态，数据从接线端子连接到主控系统中，由此完成对数据的采集与存储操作[6]。

在实现数据采集后，进行数据传输，研究数据传输路径，并拓展传输通道，避免产生无关的传输错误现象[7]。配备传导芯片实现数据传导，如图2所示。

图2中划分了数据操作区域，将录入传导系统的数据由导线接口连入，经过中心磁卡匹配完成数据过滤，通过传导通道将传导信息传输至传导板，时刻监控传导数据状况，避免无关信号的干扰，以此实现对传导模块的设计[8]。

2 基于大数据技术的静态软件缺陷检测系统软件设计

在完成系统硬件设计后，缩小操作范围，降低缺陷检测的困难性，根据大数据技术反映的信息状况清除数据检测过程中的无关数据，同时匹配软件系统修改准则，调配软件空间信息[9]。按照相应的操作步骤设置数据调配公式：

式中：S表示数据调配参数；Q表示相关调配系数。经过上述操作后，研究软件缺陷存在的区域位置，并集中加强对区域位置的查找与检验力度。分配检测任务，并构建数据训练模型[10⁃11]。设置模型方程式如下：

式中：h为数据训练参数；t为规定的数据训练范围指数。由此，获取系统所需的数据训练参数，并将训练的数据存储于同一操作通道中，根据通道的内部信息内容增强软件缺陷检测的成功率，完善系统检测操作，同时匹配任务信息，在进行检测时传达系统执行命令[12⁃13]。命令传达公式如下：

式中：y为命令传达信息数据；W为系统检测操作执行度参数；h为信息数据传达速率指数；b为相关匹配原则参数[14]。不断强化系统检测标准，以此降低缺陷检测的风险，提升检测的准确性。

经过上述操作，加强系统硬件、软件装置以及操作数据间的联系，调整数据系统状态，促使系统具有更好的检测性能[15]。

3 实验与研究

上述步骤介绍了本文系统设计操作方法，针对数据操作的可控性，本文将设计实验对系统设计的检测性能进行有效评估。评估内容将涉及下述两个方面：

1）基于大数据的静态软件缺陷检测系统检测信号接收率有效性评估。

2）基于大数据的静态软件缺陷检测系统检测所需时间有效性评估。

为精准实现系统实验操作，本文挑选了不同的实验场景及实验参数执行实验操作，并将其分为以下两种情况进行实验操作。

为对本文系统设计的检测有效率进行评估，根据数据操作的相关性进行数据检验，查找不同数据的操作概率。

选取系统公开数据集合作为初始处理数据，将其缺陷信息作为样本训练信息进行数据训练，不断收集训练的数据标签，并在收到系统操作标签的同时降低中心系统软件操作的难度，以此提升系统操作的效率，完善内部操作性能。在收集了部分操作样本数据后，标记这些样本数据，为信息库提供有效的数据信息。

选取数据集中的6个源项目数据作为初始管理数据，将其所具有的18个缺陷版本信息集中存储于内部系统中，标记信息中的源项目数据，从相应的项目主页中获取操作信息，并构建缺陷检测图，如图3所示。

图3 缺陷检测图

在完成初步实验操作后，设置相应的实验参数如表1所示，以进行更加深入的实验操作研究。

表1 实验参数（一）

精准查找软件信息间的数据关联，并将关联程度较高的数据集中存储于本文操作系统中，按照相应的处理法则管理收集的系统源项目操作数据，分析源项目数据间的数据存储条件。由于在软件缺陷检测操作中，需查找精准度较高的目标数据，为此，设计检测模型进行数据筛选，将数据从系统输入层录入，经过系统操作层传输至系统输出层，获取检测所需的源数据，构建检测操作模型，如图4所示。

图4 检测操作模型图

在实现上述操作后，将检测数据集中录入管理系统中心，在检测的过程中将产生隐藏的干扰信号信息，因此，需在操作时排除隐藏现象，并设置隐藏层模型以避免干扰信号的影响，如图5所示。

图5 隐藏层模型图

据此调整系统软件检测实验研究操作，检验操作的可行性，并对比各方法在相同实验参数条件下的检测信号接收有效率，对比结果如图6所示。

根据图6可以推断出：传统基于代码源数据的静态软件缺陷检测系统设计的检测信号接收有效率较高；而传统基于深度学习的静态软件缺陷检测系统设计的检测信号接收有效率较低；本文的基于大数据的静态软件缺陷检测系统设计的检测信号接收有效率高于其他两种传统系统。

图6 检测信号接收有效率对比

造成此种现象的主要原因在于：本文系统设计集中查找系统间的内部关系，并整合查找数据状况，集中降低数据操作的难度，便于系统内部操作，提升了检测信号的接收有效率；而传统基于代码源数据的静态软件缺陷检测系统设计在操作的同时注重对中心数据的抽查以及内部分析，具有较强的检验性能，因此具有较高的检测信号接收有效率；传统基于深度学习的静态软件缺陷检测系统设计虽精准收集了数据信息，但对于系统的项目数据管理能力较低，系统的操作水准较低，导致其检测信号接收有效率较低。

在完成对基于大数据的静态软件缺陷检测系统检测信号接收率有效性评估后，本文开启对基于大数据的静态软件缺陷检测系统检测所需时间有效性评估，设置实验参数进行数据对比，如表2所示。

表2 实验参数（二）

由于实验参数在选取的过程中存在一定的误差，为降低此种误差对实验结果的影响，本文选取相适应的操作方式建立检测细胞结构处理检测信息，并时刻监视检测实验进行状况，设立检测细胞结构图如图7所示，对检测状态信息进行查找。

图7 检测细胞结构图

在上述操作中获取较为关键的实验数据，并按照数据分类标准进行系统分类，排除信号异常现象，提前预测数据集信息，并将数据集中的系统软件缺陷数据归一化，管理归一化后的数据空间信息状态，并及时反映缺陷数据存储空间模式。

在输入层输入检测数据，将数据集中传输到池化层进行池化处理，最后流转至输出层，完成此步骤的实验操作，系统软件缺陷预测如图8所示。

图8 系统软件缺陷预测图

在图8中获取了实验结果数据，将实验结果数据进行对比如图9所示。

图9 检测所需时间对比图

根据图9可以分析出：传统基于代码源数据的静态软件缺陷检测系统设计的检测所需时间较长；而传统基于深度学习的静态软件缺陷检测系统设计的检测时间较短；本文基于大数据的静态软件缺陷检测系统设计的检测时间均短于其他两种传统系统设计。

由于本文系统设计在操作的过程中分析了对比数据的存在状态，优化了检测流程，减少了不必要的操作，缩短了检测所需时间。基于深度学习的静态软件缺陷检测系统设计优化了系统检测性能，集中检测零件加强缺陷检测力度，操作简便，具有较低的检测时间。而基于代码源数据的静态软件缺陷检测系统设计虽整合了相关信息，但对于检测系统的了解程度较低，数据掌控力较小，检测所需时间较长。

4 结 语

本文在传统静态软件缺陷检测系统设计的基础上，提出了一种新式基于大数据技术的静态软件缺陷检测系统设计，实验结果表明，该系统设计的检测效果明显优于传统系统设计的检测效果。由于该系统设计调整了系统操作状态，提升了数据操作的精准度，并在数据收集的前提下完成了系统检验研究，保证软件数据的操作安全性，能够在较高程度上缓和系统与数据间的矛盾，提升系统操作的效率，减少不必要的操作，进而缩短检测所需时间，完善了系统性能，具有更高的研究操作价值。