增加度量元的遷移學(xué)習(xí)跨項(xiàng)目軟件缺陷預(yù)測(cè)

婁豐鵬，吳 迪，荊曉遠(yuǎn)，吳 飛

(1.南京郵電大學(xué) 計(jì)算機(jī)學(xué)院，江蘇 南京 210003;2.武漢大學(xué) 計(jì)算機(jī)學(xué)院 軟件工程國家重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430072；3.南京郵電大學(xué) 自動(dòng)化學(xué)院，江蘇 南京 210003)

0 引 言

軟件缺陷通常導(dǎo)致系統(tǒng)發(fā)生故障，進(jìn)而造成財(cái)政和金融損失。軟件在正式發(fā)布之前，可以通過不同級(jí)別的測(cè)試來檢驗(yàn)和刪除這些缺陷。因此，軟件缺陷預(yù)測(cè)是保證系統(tǒng)正常運(yùn)行的一個(gè)至關(guān)重要的步驟。

在軟件工程領(lǐng)域，軟件缺陷預(yù)測(cè)已經(jīng)成為一個(gè)重大的研究課題，引起了很多學(xué)者的高度重視[1-2]。近年來，已經(jīng)提出了許多有效的軟件缺陷預(yù)測(cè)方法[3-5]。這些方法是通過從軟件倉庫中挖掘數(shù)據(jù)集，然后使用機(jī)器學(xué)習(xí)分類器預(yù)測(cè)一個(gè)學(xué)習(xí)模型[6]，通過該模型可以對(duì)軟件缺陷進(jìn)行預(yù)測(cè)[7]。近年來比較流行的機(jī)器學(xué)習(xí)分類器有很多，如決策樹(decision tree，DT)、隨機(jī)森林(random forest，RF)、邏輯回歸(logistic regression，LR)、支持向量機(jī)模型(support vector machine，SVM)[8-9]等。但是，大多數(shù)方法是在項(xiàng)目?jī)?nèi)部進(jìn)行評(píng)估的，新項(xiàng)目通常沒有足夠的缺陷數(shù)據(jù)來構(gòu)建預(yù)測(cè)模型。對(duì)于一個(gè)新項(xiàng)目或者是具有有限訓(xùn)練數(shù)據(jù)的新項(xiàng)目，最好通過使用現(xiàn)有源項(xiàng)目中足夠的訓(xùn)練數(shù)據(jù)來學(xué)習(xí)預(yù)測(cè)模型，然后將模型應(yīng)用于某些目標(biāo)項(xiàng)目,稱之為跨項(xiàng)目。因此，跨項(xiàng)目缺陷預(yù)測(cè)是必要的。但是，由于源項(xiàng)目和目標(biāo)項(xiàng)目之間的特征分布差異，導(dǎo)致跨項(xiàng)目軟件缺陷預(yù)測(cè)的性能通常較差。

針對(duì)上述問題，文中采用遷移學(xué)習(xí)方法(transfer component analysis，TCA)[7]查找源項(xiàng)目與目標(biāo)項(xiàng)目的相似性，并提出一種通過增加度量元來提高基于遷移學(xué)習(xí)的跨項(xiàng)目缺陷預(yù)測(cè)性能的方法(MTCA)。該方法首先使用分類器對(duì)數(shù)據(jù)集進(jìn)行一次項(xiàng)目?jī)?nèi)快速預(yù)測(cè)，將預(yù)測(cè)結(jié)果作為新的度量元加入數(shù)據(jù)集構(gòu)成新的數(shù)據(jù)集。然后，采用遷移學(xué)習(xí)將源項(xiàng)目中提取的知識(shí)轉(zhuǎn)移至目標(biāo)項(xiàng)目，并使用分類器預(yù)測(cè)目標(biāo)項(xiàng)目。最后在AEEEM數(shù)據(jù)庫[10]上進(jìn)行驗(yàn)證。

1 機(jī)器學(xué)習(xí)算法以及缺陷預(yù)測(cè)過程

1.1 機(jī)器學(xué)習(xí)分類器算法研究

邏輯回歸算法廣泛應(yīng)用于數(shù)據(jù)挖掘、數(shù)據(jù)分類，同時(shí)也在支持概率類型結(jié)果輸出的方面得到大量應(yīng)用。邏輯回歸算法是在線性回歸的基礎(chǔ)上，加入邏輯函數(shù)，使用輸入變量線性加權(quán)實(shí)現(xiàn)分類，最終輸出概率估計(jì)。

支持向量機(jī)算法[8-9]是基于核的算法，主要是把輸入數(shù)據(jù)映射到一個(gè)高維空間，使輸入數(shù)據(jù)由線性不可分以最大化分類間隔構(gòu)建最優(yōu)分割超平面，從而提高學(xué)習(xí)機(jī)的泛化能力。對(duì)于分類，支持向量機(jī)算法根據(jù)空間中的樣本計(jì)算該空間的決策曲面，由此確定該空間中未知樣本的所屬類別。

隨機(jī)森林算法是多個(gè)決策樹分類器的集成，其輸出的類別是由個(gè)別決策樹輸出的類別的眾數(shù)決定的。隨機(jī)森林訓(xùn)練和預(yù)測(cè)速度快，對(duì)訓(xùn)練數(shù)據(jù)的容錯(cuò)能力可以進(jìn)行有效估計(jì)，當(dāng)數(shù)據(jù)集中的數(shù)據(jù)缺失很多時(shí)依舊可以保持精度不變，能夠在分類過程中生成一個(gè)泛化誤差較小的內(nèi)部無偏估計(jì)。

近鄰算法中，所選擇的鄰居都是已經(jīng)得到正確分類的數(shù)據(jù)。該方法在定類決策上只依據(jù)最鄰近的一個(gè)或者幾個(gè)樣本的類別來決定待分樣本所屬的類別，最近鄰樣本中的大多數(shù)屬于哪個(gè)類別，該樣本就屬于哪個(gè)類別。

1.2 缺陷預(yù)測(cè)過程

圖1是一般的軟件缺陷預(yù)測(cè)過程。

在項(xiàng)目?jī)?nèi)預(yù)測(cè)中，訓(xùn)練樣本集和測(cè)試樣本集來自同一個(gè)項(xiàng)目。對(duì)于跨項(xiàng)目預(yù)測(cè)，訓(xùn)練樣本集來自一個(gè)項(xiàng)目(源)，測(cè)試樣本集來自另一個(gè)項(xiàng)目(目標(biāo))。

圖1 軟件缺陷預(yù)測(cè)過程

如圖1所示，該過程首先是收集軟件并標(biāo)記每個(gè)軟件發(fā)布后的缺陷數(shù)量，如果一個(gè)軟件存在至少一個(gè)缺陷，則表明該軟件存在缺陷，否則為無缺陷。通過提取復(fù)雜度等度量用于機(jī)器模型訓(xùn)練分類器，然后通過分類器預(yù)測(cè)一個(gè)新的樣本的缺陷情況。

2 遷移學(xué)習(xí)與文中算法

2.1 遷移學(xué)習(xí)以及模型定義

近年來，機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘技術(shù)引起了越來越多的關(guān)注[11]。在訓(xùn)練樣本和測(cè)試樣本具有相同的特征空間和分布時(shí)，大多數(shù)機(jī)器學(xué)習(xí)方法可以獲得良好的性能[11]。當(dāng)特征空間和分布發(fā)生變化時(shí)，學(xué)習(xí)模型需要重建。在這種情況下，有必要重新收集訓(xùn)練數(shù)據(jù)并再次標(biāo)記。通常，重建學(xué)習(xí)模型是昂貴的，并且標(biāo)注新的訓(xùn)練數(shù)據(jù)需要相當(dāng)大的努力。遷移學(xué)習(xí)通過轉(zhuǎn)移從相關(guān)但不同領(lǐng)域提取的知識(shí)來解決這些問題，這可以被認(rèn)為是相關(guān)性預(yù)測(cè)中的源項(xiàng)目，而在目標(biāo)領(lǐng)域建立精確的預(yù)測(cè)模型，可以被視為目標(biāo)項(xiàng)目[12]。

遷移學(xué)習(xí)的模型定義如下：

設(shè)XT為目標(biāo)樣本空間，XS為源樣本空間，目標(biāo)樣本空間也即目標(biāo)空間，就是想要去分類的樣本空間。設(shè)Y={0,1}為類空間，訓(xùn)練數(shù)據(jù)也就是：T?{(X=XS)×Y}。

2.2 TCA(transfer component analysis)

TCA是一種基于特征的遷移學(xué)習(xí)方法，使用MMD(maximum mean discrepancy)[13-14]將處于不同數(shù)據(jù)分布的源空間和目標(biāo)空間一起映射到一個(gè)高維的再生核希爾伯特空間。在該空間中，最小化源數(shù)據(jù)和目標(biāo)數(shù)據(jù)距離，同時(shí)最大程度地保留源數(shù)據(jù)和目標(biāo)數(shù)據(jù)各自的內(nèi)部屬性，那么跨空間的差異可能會(huì)大大降低。因此，通過這個(gè)高維空間中的新表示，可以應(yīng)用標(biāo)準(zhǔn)的機(jī)器學(xué)習(xí)方法來訓(xùn)練源空間中的分類器或回歸模型，以在目標(biāo)空間中使用。TCA算法描述如下：

輸入：源空間訓(xùn)練樣本集Ta，目標(biāo)空間測(cè)試樣本集Tb，訓(xùn)練數(shù)據(jù)M，測(cè)試數(shù)據(jù)N。

預(yù)處理：對(duì)樣本集進(jìn)行預(yù)處理(如歸一化、降維等)。

(1)構(gòu)造L矩陣。

(2)構(gòu)造H矩陣。

(3)構(gòu)造核函數(shù)矩陣K。

根據(jù)Ta和Tb，使用常用核函數(shù)計(jì)算K。

(4)構(gòu)造矩陣W。

求(KLK+μI)-1KHK的前m個(gè)特征值，即為W矩陣。

(5)映射樣本數(shù)據(jù)：W'*T。

輸出：源訓(xùn)練樣本和目標(biāo)測(cè)試樣本的降維數(shù)據(jù)。

2.3 文中算法流程

在上一節(jié)的基礎(chǔ)上，得到降維之后的訓(xùn)練樣本數(shù)據(jù)運(yùn)用傳統(tǒng)機(jī)器學(xué)習(xí)方法訓(xùn)練源空間的分類器，并對(duì)目標(biāo)空間的測(cè)試數(shù)據(jù)進(jìn)行缺陷預(yù)測(cè)。結(jié)合前面介紹的方法，得到文中算法流程，如圖2所示。

圖2 文中算法流程

圖中第一階段代表第一次工程內(nèi)預(yù)測(cè)，將預(yù)測(cè)結(jié)果作為工程的度量元加入數(shù)據(jù)集，通過數(shù)據(jù)集預(yù)處理得到新數(shù)據(jù)集作為第二階段的輸入數(shù)據(jù)[15]；第二階段運(yùn)用TCA算法，結(jié)合復(fù)雜的分類模型進(jìn)行跨工程預(yù)測(cè)，得到最終的預(yù)測(cè)結(jié)果。算法MTCA第二階段偽代碼描述如下：

輸入：源空間訓(xùn)練樣本集XS，目標(biāo)空間測(cè)試樣本集XT。

預(yù)處理：對(duì)樣本集進(jìn)行預(yù)處理(如歸一化、降維等)。

步驟2：使用SVM分類器對(duì)每一個(gè)測(cè)試樣本實(shí)例進(jìn)行預(yù)測(cè)分類。

輸出：目標(biāo)測(cè)試樣本的預(yù)測(cè)標(biāo)記。

3 實(shí) 驗(yàn)

3.1 實(shí)驗(yàn)數(shù)據(jù)庫

實(shí)驗(yàn)是在AEEEM[10]數(shù)據(jù)庫上進(jìn)行的，該數(shù)據(jù)庫包含5個(gè)工程，表1介紹了各個(gè)工程的靜態(tài)代碼度量和缺陷數(shù)等特征[16]。

表1 AEEEM數(shù)據(jù)集

3.2 評(píng)估度量

通過Precision(精確度)、Recall(召回率)以及F-measure(綜合評(píng)估)三個(gè)指標(biāo)來全面評(píng)估各個(gè)方法的性能，這三個(gè)指標(biāo)是評(píng)估分類模型最具代表性的度量[17]，一個(gè)好的預(yù)測(cè)模型希望實(shí)現(xiàn)較高的Recall和Precision值。

根據(jù)表2，Precision和Recall可以定義為：

(1)

(2)

表2 四種預(yù)測(cè)結(jié)果

但是，Recall和Precision兩個(gè)指標(biāo)之間存在著權(quán)衡。因此，需要對(duì)召回率和精確度進(jìn)行綜合評(píng)估，則F-measure定義為：

(3)

這四種評(píng)價(jià)指標(biāo)值都在0～1之間，一個(gè)好的缺陷預(yù)測(cè)模型應(yīng)該會(huì)有較高的Precision、F-measure和Recall值。而且F-measure是綜合性評(píng)價(jià)指標(biāo)，更加重要。

3.3 實(shí)驗(yàn)結(jié)果與分析

文中使用一對(duì)一的跨工程預(yù)測(cè)(即僅使用一個(gè)源項(xiàng)目預(yù)測(cè)一個(gè)目標(biāo)項(xiàng)目)，使用AEEEM庫構(gòu)建一個(gè)跨項(xiàng)目組合，例如：EQ→JDT、EQ→LC、LC→PDE等。實(shí)驗(yàn)步驟為：首先是AEEEM庫中的5個(gè)工程各自做一次工程內(nèi)缺陷預(yù)測(cè)，分類器分別是LR、RF、NN，將預(yù)測(cè)結(jié)果作為工程的度量元加入數(shù)據(jù)集，每個(gè)原始數(shù)據(jù)集加入一個(gè)特征，即構(gòu)成了三組新的數(shù)據(jù)集，即(EQ_LR、JDT_LR、ML_LR、LC_LR、JDT_LR)為一組新數(shù)據(jù)集，(EQ_RF、JDT_RF、ML_RF、LC_RF、JDT_RF)為一組新數(shù)據(jù)集，(EQ_NN、JDT_NN、ML_NN、LC_NN、JDT_NN)為一組新數(shù)據(jù)集。每組新數(shù)據(jù)集進(jìn)行跨項(xiàng)目組合并遷移，然后進(jìn)行跨工程的軟件缺陷再預(yù)測(cè)，二次預(yù)測(cè)使用一個(gè)魯棒性更強(qiáng)的分類器，文中使用SVM，這一算法流程簡(jiǎn)稱MTCA。在對(duì)比算法TCA時(shí)，為了保證實(shí)驗(yàn)的可靠性，使用SVM分類器。對(duì)TCA方法與MTCA方法做對(duì)比，TCA使用的是原始數(shù)據(jù)集，MTCA使用的是EQ、JDT、LC、ML、PDE三組新數(shù)據(jù)集，隨機(jī)進(jìn)行20次求平均，結(jié)果如表3所示。

表3 在AEEEM數(shù)據(jù)庫上的實(shí)驗(yàn)結(jié)果

分析表3可知，MTCA在各個(gè)數(shù)據(jù)庫上的缺陷預(yù)測(cè)效果普遍好于TCA，尤其是F-measure評(píng)價(jià)指標(biāo)，相較其他方法優(yōu)勢(shì)明顯。F-measure作為綜合評(píng)價(jià)指標(biāo)，從該值的觀測(cè)中就能看出算法的總體性能，而MTCA在F-measure上較TCA要高出很多，也說明了該方法的優(yōu)勢(shì)。但是，也存在一些結(jié)果相比較低的，原因是加入新的度量元時(shí)可能引入了過多的錯(cuò)誤數(shù)據(jù)，導(dǎo)致缺陷預(yù)測(cè)模型向著錯(cuò)誤的方向構(gòu)建。總體上結(jié)果還是普遍較好。

4 結(jié)束語

針對(duì)當(dāng)前軟件缺陷預(yù)測(cè)模型中機(jī)器學(xué)習(xí)算法對(duì)預(yù)測(cè)模型性能的影響問題，提出了一種通過增加度量元來提高基于遷移學(xué)習(xí)的跨項(xiàng)目缺陷預(yù)測(cè)性能的方法。首先使用分類器對(duì)數(shù)據(jù)集進(jìn)行一次項(xiàng)目?jī)?nèi)預(yù)測(cè)，并將預(yù)測(cè)結(jié)果作為新的度量元加入數(shù)據(jù)集；然后采用遷移學(xué)習(xí)方法將源項(xiàng)目中提取的知識(shí)轉(zhuǎn)移至目標(biāo)項(xiàng)目，并使用分類器預(yù)測(cè)目標(biāo)項(xiàng)目，從而提高了跨項(xiàng)目軟件缺陷預(yù)測(cè)效率。通過對(duì)比驗(yàn)證了該方法的有效性。如何合理選擇分類器以進(jìn)一步提高缺陷預(yù)測(cè)模型的性能指標(biāo)是下一步研究的問題。