基于代码自然性的切片粒度缺陷预测方法1

《基于代码自然性的切片粒度缺陷预测方法》是一篇探讨软件质量保障领域的研究论文，主要关注如何提高软件缺陷预测的准确性和可解释性。软件缺陷预测是开发过程中的重要环节，能帮助开发者提前发现潜在问题，从而优化资源分配。文章提出了一种名为CNDePor的新方法，该方法结合了代码自然性特征，旨在增强预测系统的判别力，并减少预测的复杂性。 CNDePor方法的核心在于利用正逆双向度量代码和质量信息对样本进行加权，以改进语言模型。这种方法改进了交叉熵（CE）类度量元，增强了其在识别缺陷方面的性能。传统的CE度量元通常用于衡量模型的预测错误，而CNDePor通过调整这些度量元，使其能更好地反映出代码的自然性，即代码的可读性和可理解性。 论文还探讨了细粒度缺陷预测的问题，特别是面向语句的切片级缺陷预测。相比于粗粒度预测，细粒度预测能够更精确地定位问题所在，降低代码审查的成本。研究者为此设计了四种度量元，并在两类安全缺陷数据集上进行了验证，结果表明这些度量元和CNDePor方法在有效性方面表现出色。 实验结果显示，改进后的CE类度量元具有良好的学习能力，能捕获语言模型从大量代码库中学到的知识。这些度量元的判别力显著优于原始度量元和传统的规模度量元，表明CNDePor方法在提高预测精度方面具有显著优势。此外，CNDePor与基于深度学习的方法相比，虽然性能相当，但其可解释性更强，这对于理解和优化预测过程至关重要。 文章强调，基于代码自然性的缺陷预测方法如CNDePor，不仅提高了预测的准确性，而且增强了预测结果的可理解性，这对于软件质量保障领域来说是一个重要的进步。通过将代码的自然性特征与机器学习技术相结合，这种方法有望在未来为软件开发带来更加高效和可靠的缺陷预测工具。