基于图神经网络的代码回滚预测：J.P. Morgan Chase 上的案例研究
软件工程
2024-03-15 v1
摘要
代码回滚预测是一种针对软件缺陷检测的专业化方法，旨在预测或预测代码更改被回滚或回滚的可能性。该任务在实践中非常重要，因为通过识别更容易被回滚的代码更改，开发人员和项目经理可以主动采取措施来预防问题，提高代码质量，并优化开发流程。然而，与代码缺陷检测相比，代码回滚预测在以前的研究中鲜有探讨。此外，许多针对代码缺陷检测的先前方法依赖于独立特征，但忽略了代码脚本之间的关系。此外，由于行业环境中的约束（如公司法规、有限特征和大型代码库），也引入了新的挑战。为克服这些限制，本文提出了一种针对代码回滚预测的系统实证研究，将代码导入图与代码特征集成。针对异常和数据不平衡问题，本文实现了不同的策略，包括带有不平衡分类和异常检测的图神经网络。我们在 J.P. Morgan Chase 上的真实世界代码提交数据上进行实验，该数据在代码回滚预测问题上极度不平衡，以全面比较这些不同方法。
引用
@article{arxiv.2403.09507,
title = {Code Revert Prediction with Graph Neural Networks: A Case Study at J.P. Morgan Chase},
author = {Yulong Pei and Salwa Alamir and Rares Dolga and Sameena Shah},
journal= {arXiv preprint arXiv:2403.09507},
year = {2024}
}
备注
SDD'23: the 1st International Workshop on Software Defect Datasets