休眠缺陷对缺陷预测的影响：一项针对19个Apache项目的研究
软件工程
2021-05-27 v1
摘要
缺陷预测模型有助于优先安排测试、分析或代码审查活动，已成为学术界大量研究的主题，并在工业界有一些应用。构建缺陷预测模型的必要前提是项目历史中缺陷数据的可用性。若数据含噪，所得缺陷预测模型可能不可靠。缺陷数据集噪声的成因之一是“休眠缺陷”的存在，即缺陷在引入若干版本后才被发现。这会导致一个类被标记为无缺陷而实际并非如此，因此称为“打鼾”。本文研究打鼾对分类器准确性的影响，以及一种可能对策（即从训练集中丢弃过新数据）的有效性。我们分析了15种机器学习缺陷预测分类器在来自Apache生态系统中19个开源项目、超过4000个缺陷与600个发布版本数据上的准确性。结果表明，跨项目平均而言：(i) 休眠缺陷的存在降低了缺陷预测分类器的召回率；(ii) 从训练集中移除在上一版本中被标记为无缺陷的类显著提升了分类器准确性。总之，本文就如何通过缓解休眠缺陷对缺陷预测的负面影响来构建缺陷数据集提供了见解。
引用
@article{arxiv.2105.12372,
title = {The Impact of Dormant Defects on Defect Prediction: a Study of 19 Apache Projects},
author = {Davide Falessi and Aalok Ahluwalia and Massimiliano Di Penta},
journal= {arXiv preprint arXiv:2105.12372},
year = {2021}
}
备注
arXiv admin note: substantial text overlap with arXiv:2003.14376