ARFT-Transformer：用于跨项目相关 aging 错误预测的指标依赖建模

长期运行的软件系统常常会出现软件老化现象，这通常由 aging-related bugs（ARBs）引起。为在开发早期降低 ARBs 的风险，ARB 预测已被引入软件老化研究中。然而，由于收集 ARBs 的困难，项目内的 ARB 预测面临数据稀缺的挑战，导致提出跨项目 ARB 预测。该任务面临两个主要挑战：1）由源项目与目标项目之间分布差异引起的领域适应问题；2）ARB 易发样本与 ARB 无关样本之间的严重类别不平衡。尽管已提出多种方法用于跨项目 ARB 预测，但现有方法将输入指标视为独立元素，往往忽视指标间丰富的相互依赖关系，这可能导致信息重叠和指标重要性判断失误，从而影响模型性能。此外，这些方法通常在训练时使用交叉熵作为损失函数，无法区分样本分类的难易程度。为克服这些限制，我们提出 ARFT-Transformer，一种基于 Transformer 的跨项目 ARB 预测框架，引入指标级多头注意力机制以捕捉指标间相互作用，并采用 Focal Loss 函数有效处理类别不平衡。在三个大型开源项目上的实验表明，ARFT-Transformer 在单源和多源情形下相较于当前最先进的跨项目 ARB 预测方法平均提升了约 29.54% 和 19.92% 的 Balance 指标。