DeMuVGN：通过图神经网络学习多视图软件依赖的有效软件缺陷预测模型
软件工程
2025-05-08 v2 人工智能
摘要
软件缺陷预测（SDP）旨在识别软件开发中的高风险缺陷模块，以优化资源分配。虽然以往研究表明依赖网络指标能改善缺陷预测，但大多数方法侧重于基于代码的依赖图，忽略了开发者因素。当前基于自我中心网络和全局网络指标等手工特征的方法，无法充分捕获与缺陷相关的信息。为了解决这一问题，我们提出了 DeMuVGN，一种通过图神经网络学习多视图软件依赖的缺陷预测模型。我们引入了多视图软件依赖图（MSDG），集成了数据依赖、调用依赖和开发者依赖。DeMuVGN 还利用合成少数类过采样技术（SMOTE）来解决类别不平衡问题，并增强缺陷模块识别能力。在一项涵盖 8 个开源项目 20 个版本的案例研究中，DeMuVGN 展现出显著提升：i) 基于多视图的模型相比单视图模型，F1 分数提升了 11.1% 至 12.1%；ii) DeMuVGN 在项目内场景下 F1 分数提升了 17.4% 至 45.8%，在跨项目场景下提升了 17.9% 至 41.0%。此外，DeMuVGN 在软件演化方面表现出色，在软件后期版本中展现出更大的提升。其在不同项目上的优异表现突显了其泛化能力。我们建议未来的研究重点关注多视图依赖图，以用于成熟项目和新开发项目的缺陷预测。
引用
@article{arxiv.2410.19550,
title = {DeMuVGN: Effective Software Defect Prediction Model by Learning Multi-view Software Dependency via Graph Neural Networks},
author = {Yu Qiao and Lina Gong and Yu Zhao and Yongwei Wang and Mingqiang Wei},
journal= {arXiv preprint arXiv:2410.19550},
year = {2025}
}
备注
The current paper is not comprehensive enough. We are seeking further improvement