利用上下文感知生成对抗网络缓解类不平衡对故障定位的影响
软件工程
2023-03-14 v1
摘要
故障定位（FL）分析测试套件的执行信息以定位失效的根因。测试套件的类不平衡，即通过测试用例（即多数类）与失效测试用例（即少数类）之间不平衡的类比例，会对FL有效性产生不利影响。为缓解FL中类不平衡的影响，我们提出CGAN4FL：一种利用上下文感知生成对抗网络（Context-aware Generative Adversarial Network）进行故障定位的数据增强方法。具体而言，CGAN4FL使用程序依赖关系构建显示失效如何被引发的致错上下文。然后，CGAN4FL利用生成对抗网络分析致错上下文并合成少数类测试用例（即失效测试用例）。最后，CGAN4FL将合成数据增强到原始测试用例中，以获得用于FL的类平衡数据集。我们的实验表明，CGAN4FL显著提升了FL有效性，例如在Top-1、Top-5和Top-10下分别使MLP-FL提升200.00%、25.49%和17.81%。
引用
@article{arxiv.2303.06644,
title = {Mitigating the Effect of Class Imbalance in Fault Localization Using Context-aware Generative Adversarial Network},
author = {Yan Lei and Tiantian Wen and Huan Xie and Lingfeng Fu and Chunyan Liu and Lei Xu and Hongxia Sun},
journal= {arXiv preprint arXiv:2303.06644},
year = {2023}
}