缺陷（重新）预测对软件测试的影响

跨项目缺陷预测（Cross-project defect prediction, CPDP）旨在使用来自外部项目的数据作为历史数据，因为该项目本身可能没有可用的历史数据。CPDP中，决定选择哪个历史项目来构建训练模型是困难的。为帮助做出这一决定，先前研究提出了一种基于Bandit算法（Bandit Algorithm, BA）的方法，以选择最合适的学习项目。然而，这种BA方法可能导致在BA的早期迭代中（即软件测试早期阶段）选择不合适的数据。选择不合适的模型会降低预测准确性，可能导致缺陷遗漏。本研究旨在改进BA方法，以减少在软件测试早期阶段的缺陷遗漏。一旦所有模块都已测试，早期测试的模块将被重新预测，根据重新预测结果对一些模块进行重新测试。为评估重新预测和重新测试的影响，我们应用了五种不同的BA方法，使用8个、16个和32个开源软件项目作为学习数据。结果表明，新提出的方法在不降低预测准确性的前提下稳定地降低了缺陷遗漏的概率。