用混合深度学习模型进行软件缺陷预测的语义和传统功能融合

科学领域:

• 软件工程 软件工程 软件工程
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 传统的软件缺陷预测模型依赖于代码指标,这些指标往往无法捕捉到基本的语义细微差别.
• 语义特征虽然有洞察力,但缺乏代码大小和复杂性等统计指标,限制了它们独立的有效性.
• 整合两种特征类型对于强大的缺陷预测至关重要.

研究的目的:

• 提出一种新的缺陷预测模型,可以协同结合传统和语义软件功能.
• 为了解决在软件缺陷预测中使用单个特征类型的局限性.
• 为了提高预测软件缺陷的准确性和可靠性.

主要方法:

• 开发了一种混合深度学习模型,即卷积神经网络 (CNN) - 多层感知器 (MLP).
• 美国有线电视新闻网 (CNN) 使用Word2vec.vec从抽象语法树 (AST) 中提取的语义特征进行处理.
• MLP处理了传统特征,并将输出集成为最终的缺陷预测.

主要成果:

• 拟议的CNN-MLP模型在软件缺陷预测性能方面取得了显著的改进.
• 在开源项目上的广泛实验验证实了该模型的有效性.
• 在非精力意识和精力意识的场景中,CNN-MLP方法在现有方法中表现出色.

结论:

• 通过混合深度学习方法整合传统和语义特征对于软件缺陷预测非常有效.
• 与现有技术相比,CNN-MLP模型为识别软件缺陷提供了更好的解决方案.
• 这项研究为软件工程师提供了一种更可靠的方法,用于为高质量的软件发布分配资源.