機器學習方法在軟件缺陷預測中的應用

房泳珂 嵇海進 雷堯 楊珊 徐會艷

摘要：軟件缺陷預測技術是建立在軟件歷史信息基礎上的預測模型，判斷軟件模塊是否存在軟件缺陷，從而實現測試資源的優化分配，實現軟件測試工作效率的提高。隨著軟件缺陷預測技術的快速發展，許多機器學習方法相繼被引入進來，以期提高軟件缺陷預測的能力。文章針對基于機器學習的軟件缺陷預測方法，系統地進行了分類和總結。

關鍵詞：軟件測試;軟件缺陷預測;項目內缺陷預測;跨項目缺陷預測;機器學習

中圖分類號：TP311.5? ? ? 文獻標識碼：A

文章編號：1009-3044（2022）25-0047-02

開放科學（資源服務） 標識碼（OSID） ：

1 概述

隨著軟件技術的發展，軟件系統已經深入日常生活的方方面面，在各行各業扮演著越來越重要的角色。然而隨著軟件規模的不斷擴大和軟件功能的不斷增強，軟件變得越來越復雜，軟件系統中所存在的軟件缺陷也越來越多，同時由于項目經費、項目時間等因素的限制，對軟件項目進行詳細、全面的測試也就變得越來越困難，給軟件測試帶來了巨大的挑戰，如何提高軟件測試的效率成為當務之急。

軟件缺陷預測技術[1]正是解決上述問題的有效方法，它通過研究軟件代碼和開發過程中產生的歷史信息，分析和建立預測模型，在軟件測試之前對各個軟件模塊進行預測，并基于預測的結果進行測試資源的合理分配，從而達到提高軟件測試效率的目的。鑒于軟件缺陷預測技術對于軟件測試的重要實踐意義，許多學者積極開展相關研究，目前軟件缺陷預測技術已經成為軟件工程學科一個熱點[2]。

基于機器學習的軟件缺陷預測方法在2005年第一個軟件缺陷數據倉庫PROMISE 公布之后，得到了進一步的發展[3]。本文針對基于機器學習的軟件缺陷預測方法，系統地進行了分類和總結，并分析了這些方法存在的不足。

2? 軟件缺陷預測技術及其分類

軟件缺陷預測是在軟件測試之前進行的，它通過研究軟件代碼和開發過程中產生的歷史信息，分析和建立預測模型，具體的預測過程如圖1 所示。

第一步：在軟件缺陷預測模型的建立過程中，首先要提取歷史軟件模塊的度量元信息（也就是特征） 和歷史軟件模塊的缺陷類別（有缺陷或者無缺陷） ，可以作為軟件缺陷預測模型的訓練數據集。這里的軟件模塊可以是一個文件、一個包或者一個函數等。

第二步：預處理。主要采用特征工程等方法對軟件的歷史信息進行預處理。

第三步：建立預測模型。采用機器學習方法進行模型的構建，并對預測模型進行訓練。

第四步：對新的軟件模型模塊進行預測。具體來說就是提取新軟件模塊的度量元（特征） ，并采用軟件缺陷預測模型判斷新的軟件模塊的缺陷類別（有缺陷或者無缺陷） 。

根據訓練數據的來源不同，分為項目內缺陷預測和跨項目缺陷預測兩類[3]。

3 軟件缺陷預測方法

3.1 項目內缺陷預測方法

項目內缺陷預測方法采用的訓練數據是本項目歷史版本中軟件模塊的數據信息，即訓練數據和測試數據都屬于同一個軟件項目，訓練數據和測試數據的樣本分布基本是相同的。項目內缺陷預測方法是早期傳統軟件缺陷預測的內容，研究人員提出了很多缺陷預測方法，下面就從不相關和冗余特征處理、分類不平衡處理和分類器構建這三個方面進行總結分析。

3.1.1 不相關和冗余特征處理

不相關和冗余特征也會降低缺陷預測模型的預測效果。為了降低其對預測效果的影響，通常有三種方法。

1） 特征加權方法

訓練數據集中的不同特征與類別標簽的關聯度是不同的，有些特征和類別特征甚至是沒有任何關聯的。為了體現不同特征對預測效果的影響，特征加權方法通過為每個特征分配不同的權值來體現特征和類別標簽的關聯度，關聯度越高的特征，其權值越高，關聯度越低的特征，其權值越低。其中衡量特征和類別標簽關聯度的方法包括卡方、信息增益、信息增益率等方法。比如，Zhou等人[4]通過卡方來衡量特征和類別信息的關聯度，并為每個特征分配不同的權值，實驗結果表明該方法能夠有效提高軟件缺陷預測的效果。

2） 特征選擇方法

該方法通過選擇若干個與類別標簽關聯度最高的特征，去除不相關或者冗余的特征來提高軟件缺陷預測的效果。比如Xu等人[5]采用基于ReliefF的聚類方法進行特征選擇，經過選擇原特征集的特征子集，進行軟件缺陷預測并在NASA數據集上進行了實驗，實驗結果表明該方法能夠有效提高軟件缺陷預測的效果。

3） 特征提取方法

特征提取方法不同于特征加權方法，特征提取方法是一種降維算法，同時該方法能夠保留原有訓練數據集的原始結構，以達到去除不相關和冗余特征的目的。比如，Xu等人[6]運用核主成分分析的方法進行特征提取，并取得了較好的預測效果。

3.1.2 分類不平衡處理

分類不平衡問題指的是在軟件缺陷數據集中，無缺陷軟件模塊的數量遠遠大于有缺陷模塊的數量，這種分類不平衡問題的存在，會影響軟件缺陷預測的效果。常見解決辦法主要有三種：1） 過采樣;2） 欠采用;3） 合成少數類過采樣技術。過采樣技術主要是指隨機復制少數類樣本，以達到分類平衡的目的;欠采樣主要通過隨機刪除多數類樣本的方式來達到分類平衡的目的;合成少數類過采樣技術，主要是指在近鄰之間插入合成的少數類樣本，以防止過擬合。

3.1.3 分類器的構建

分類器的構建是軟件缺陷預測模型的重要組成部分，許多機器學習方法被引入軟件缺陷預測中來用以分類器的構建，以提高軟件缺陷預測的效果。常用分類器如樸素貝葉斯、支持向量機、邏輯回歸和隨機森林等方法。同時許多機器學習領域新技術被引入軟件缺陷預測中來，如Nevendra等人[7]在項目內缺陷預測的預測模型構建中，將深度學習方法引入進來，并通過實驗證明了所提方法的有效性。

3.2? 跨項目缺陷預測方法

項目內缺陷預測模型的訓練數據集和測試數據都來自同一個項目，當需要對一個新項目或者缺乏歷史數據的項目進行缺陷預測時，傳統的項目內缺陷預測方法就不再可行。研究人員提出使用其他項目的歷史數據對新項目進行缺陷預測成為一種替代方案，也就是跨項目缺陷預測。

跨項目缺陷預測和項目內缺陷預測相比，主要是訓練數據集和測試數據集的來源不同，因此數據預處理方法與項目內缺陷預測中的數據預處理方法有所不同。如Liu等人[8]提出了一種兩階段的跨項目缺陷預測方法，該方法設計了一種源項目評價方法，主要用來篩選和目標項目高度相似的項目，以獲取訓練數據集，然后基于這個訓練數據集，采用遷移成分分析的擴展方法構建了兩個預測模型，最后綜合兩個模型的預測結果作為最終的預測結果，實驗結果表明了該方法的有效性。

在模型建立的其他方面，如不相關和冗余特征的處理，分類不平衡問題和分類器的構建等，和項目內方法類似。

4 結論

本文從項目內和跨項目兩個方面對軟件缺陷預測技術進行了分析與總結，其中每個方面又從不相關和冗余特征處理，分類不平衡處理和分類器的構建三個角度進行描述，并詳細分析了每個分類中缺陷預測模型的基本原理，為以后的研究奠定基礎，具有一定實用價值。

參考文獻：

[1] 滕俊元，高猛，鄭小萌，等.噪聲可容忍的軟件缺陷預測特征選擇方法[J].計算機科學，2021，48（12）：131-139.

[2] Liu C，Yang D，Xia X，et al.A two-phase transfer learning model for cross-project defect prediction[J].Information and Software Technology，2018，107：125-136.

[3] 于巧.基于機器學習的軟件缺陷預測方法研究[D].徐州：中國礦業大學，2017.

[4] Zhou L J，Li R，Zhang S D，et al.Imbalanced data processing model for software defect prediction[J].Wireless Personal Communications，2018，102（2）：937-950.

[5] Xu X， Chen W， Wang X. RFC： a feature selection algorithm for software defect prediction[J]. Journal of Systems Engineering and Electronics，2021，32（2）： 389-398.

[6] Xu Z，Liu J，Luo X P，et al.Software defect prediction based on kernel PCA and weighted extreme learning machine[J].Information and Software Technology，2018，106：182-200.

[7] Nevendra M，Singh P.Software Defect Prediction using Deep Learning[J]. Acta Polytechnica Hungarica，2021，18（10）：173-189.

【通聯編輯：唐一東】