预见缺陷：票级缺陷预测与时间邻近性效应

缺陷预测的主要目标是通过聚焦最可能包含缺陷的软件片段（即类、方法、提交（JIT）或代码行）来优化测试工作。然而，这些预测的片段已经包含缺陷。因此，当前的缺陷预测方法支持修复而非预防。本文旨在引入和评估票级预测（TLP），以识别一旦实现将引入缺陷的票。我们在三个时间点分析TLP，每个时间点代表票生命周期的一个阶段：打开、进行中或关闭。我们推断：(1) TLP准确度随着票向关闭阶段的推进而增加，由于随着时间推移，特征的可靠性提高；以及(2) 特征的预测能力在这些时间点之间发生变化。我们的TLP方法利用72个属于六个不同家族的特征：代码、开发者、外部温度、内部温度、内在、票与票、以及JIT。我们的TLP评估使用滑动窗口方法，在两个Apache开源项目中，对特征选择和三个机器学习缺陷预测分类器进行平衡处理，涉及约10,000个票。我们的结果表明，TLP准确度随邻近度的增加而提高，确认了早期预测与准确度之间的预期权衡。关于特征家族的预测力，没有单一特征家族在所有阶段都占据主导地位；开发者导向的信号在早期最具信息性，而在接近关闭时，代码和JIT指标占主导，温度基准特征在整个过程中提供补充价值。我们的发现补充并扩展了在类、方法或提交级别上的缺陷预测文献，表明缺陷预测可以有效地向上移动，为在编写任何代码之前进行风险感知的票 triage和开发者分配提供了机会。