面向细粒度源代码变更的缺陷预测方法

软件在其生命周期中不断地发生变更,以适应需求和环境的变化.为了及时预测每次变更是否引入了缺陷,研究者们提出了面向软件源代码变更的缺陷预测方法.然而现有方法存在以下3点不足:(1)仅实现了较粗粒度(事务级和源文件级变更)的预测;(2)仅采用向量空间模型表征变更,没有充分挖掘蕴藏在软件库中的程序结构、自然语言语义以及历史等信息;(3)仅探讨较短时间范围内的预测,未考虑在长时间软件演化过程中由于新需求或人员重组等外界因素所带来的概念漂移问题.针对现有的不足,提出一种面向源代码变更的缺陷预测方法.该方法将细粒度(语句级)变更作为预测对象,从而有效降低了质量保证成本;采用程序静态分析和自然语言语义主题推断相结合的技术深入挖掘软件库,从变更的上下文、内容、时间以及人员4个方面构建特征集,从而揭示了变更易于引入缺陷的因素;采用特征熵差值矩阵分析了软件演化过程中概念漂移问题的特点,并通过一种伴随概念回顾的动态窗口学习机制实现了长时间的稳定预测.通过6个著名开源软件验证了该方法的有效性.

引入缺陷的细粒度软件变更识别方法

软件开发过程中,缺陷通过变更引入软件系统.为提高缺陷发现效率,降低人工审查成本,提出一种引入缺陷细粒度变更自动化识别方法.该方法基于机器学习分类思想,将细粒度变更作为实例,从时间、地点、内容、意图以及人员5方面构造特征集;采用程序静态分析与自然语言语义分析相结合的方法挖掘软件历史库,自动化构建细粒度变更实例;使用软件历史中的细粒度变更实例训练分类器,从而识别新的细粒度变更是否引入了缺陷.在实际软件系统上运用成本有效性评估策略验证方法有效性.结果表明相比于文件和事务粒度的引入缺陷变更识别方法,该方法可显著降低人工审查成本.