《Computational Biology and Chemistry》：OpEffiRes Net: Optimization based EfficientNetB0-ResNet50 and Correlation based Feature Selection for Software Failure Prediction
编辑推荐：
软件缺陷预测研究提出融合DE-COA算法与OpEffiResNet模型，通过特征选择与混合深度学习提升预测准确率至98.8%。
维纳伊·辛格（Vinay Singh）|桑吉夫·夏尔马（Sanjiv Sharma）|阿马尔·辛格（Amar Singh）|安库尔·巴尔德瓦杰（Amar Singh）
印度北方邦加齐亚巴德ABES工程学院计算机科学与工程系
摘要
软件故障预测（Software Failure Prediction, SFP）旨在估计软件系统在其运行期间发生故障的概率。其主要目标是识别容易出现缺陷的组件或故障更可能发生的时间段，从而实施预防措施，进而提高软件的总体可靠性。本研究旨在创建一种先进的混合深度学习（Deep Learning, DL）策略用于SFP。实验使用了从Kaggle获取的软件缺陷预测数据集进行。流程从原始输入数据开始，经过预处理阶段，将其清洗并转换为适合准确特征提取的格式。然后应用最小-最大归一化（min-max normalization）来统一数据规模。接下来，通过采用提出的双指数-科阿蒂优化算法（Double Exponential–Coati Optimization Algorithm, DE-COA）来选择最相关的特征，该算法结合了科阿蒂优化算法（Coati Optimization Algorithm, COA）和双指数平滑（Double Exponential Smoothing），并加入了相关性分析以增强特征选择。在预测方面，提出了一种名为OpEffiResNet的新方法，该方法结合了EfficientNetB0和ResNet50。选择EfficientNetB0是因为它能够在参数数量较少且计算成本较低的情况下实现高精度，而ResNet50则因其鲁棒性和稳定性而闻名。这些模型的集成使得所提出的模型能够提供准确、高效和可靠的软件故障预测。模型性能通过5折交叉验证进行评估，结果以平均值±标准差的形式报告，以确保统计可靠性。所提出的方法平均准确率为98.8% ± 0.6，灵敏度为99.4% ± 0.4，特异性为99.0% ± 0.5，精确度为98.8% ± 0.7，F1分数为98.7% ± 0.6。结果表明，所提出的框架可以有效提高软件缺陷预测性能。未来的工作将集中在多个数据集上验证该模型，并将其与先进的表格学习方法进行比较。
引言
每个软件开发项目的总体目标都是按时提供满足质量要求的指定功能（Radjenovi?等人，2013年）。为了实现这一目标，需要采用复杂的软件开发方法来生产可靠、可维护且用户友好的软件。近年来，用户需求的增加显著提高了软件系统的复杂性，使得软件开发团队更难以完成项目目标（Alshdaifat等人，2021年；Huda等人，2017年）。在实现目标的过程中，软件缺陷被视为一个主要障碍，这些缺陷可能出现在软件开发生命周期的任何阶段（Palma等人，2018年）。为了保持软件质量，使用了静态和动态分析方法来识别和消除软件缺陷。静态分析是对不可执行的软件代码进行的，而动态分析则是在不同场景下运行的软件上进行的（Dam等人，2018年）。尽管在识别和修复软件缺陷方面投入了大量努力，但这是一种成本高昂的做法，因为需要执行多次软件单元测试以避免修正后的软件缺陷引入新问题（Benaddy等人，2018年；Pan等人，2019年）。软件可靠性与软件缺陷密切相关，因为大多数软件缺陷是特定于产品的，但问题也可能来自非软件来源，如编译器问题或字节码不一致性（Batarseh和Gonzalez，2018年；Fenton和Neil，1999年）。有效的错误检测是除了开发可靠软件之外的一个重要因素，因为无错误的软件才是可靠的软件（Pfeifer等人，2025b）。总之，软件缺陷管理是开发符合用户需求的高质量软件的关键实践（Khleel和Nehéz，2023年；Liang等人，2019年）。
识别软件故障一直是传统的做法，包括代码审查和测试等活动，这些活动耗时且资源需求大（Catal和Diri，2009年）。相比之下，软件故障的预测策略可以提前发现潜在缺陷，从而使开发者能够比完全手动的方法更专业和经济地提高代码质量（Song等人，2018年）。SDP基于快速故障检测的原则，这是一种主动策略，能够保证软件的可靠性。随着软件成为我们生活的一部分，软件的可靠性变得更加重要。例如，2020年的全球大流行迫使全世界迅速转向远程工作，这凸显了软件系统的重要性（Hoffmann等人，2011年；Fan等人，2019年）。这种转变表明，即使是微小的软件缺陷也可能严重干扰功能和操作。软件故障通常被定义为不符合规格或要求的情况，导致系统无法执行其预期功能；因此，通常需要修复或升级（Nadim等人，2025年）。各种SDP技术将系统的部分标记为不易出故障或易出故障，从而使开发者能够在开发周期的早期更容易发现高风险区域（Madeyski和Stradowski，2025年）。通过关注可能的问题，SDP减少了维护工作量，降低了部署后的故障风险，并有助于提供符合用户期望的更高质量的软件（Zain等人，2022年）。这一进展加强了SDP研究的重要性，SDP已被记录为软件工程和软件测试中的关键领域（Khleel和Nehéz，2023年；Dam等人，2019年）。
随着最近的技术进步，现在可以以更低的成本处理大量的运行数据。这极大地促进了基于DL的故障诊断方法的实施，成为分析过程中的重要辅助工具（Li等人，2018年）。另一方面，诊断性能下降的一个原因是传统方法没有考虑故障与方案之间的时间间隔（Son等人，2019年）。大多数现有技术是为特定系统开发的，因此它们的适用性仅限于该特定系统，这使得在各种网络中推广其使用变得更加困难。同样，传统的特征提取方法也是系统特定的，因此无法将提取的特征转移到其他环境中（Felix和Lee，2017年）。因此，设计一种适用于多种系统的特征提取方法仍然是一项艰巨的任务（Bowes等人，2018年）。为了解决这一限制，最新的特征学习技术应运而生，这些技术可以从大型数据集中自动提取有信息量和预测性的特征。与手动特征提取策略不同，这些方法不依赖于领域特定知识，因此能够自动分类隐藏的模式，从而提高不同系统中的故障检测性能（Wang等人，2018年）。
本文提出了一种新的软件故障预测方法。首先，必须清洗和格式化原始输入数据。为了标准化数据，使用了最小-最大归一化。在特征选择方面，提出了一种称为DE-COA的新方法，该方法结合了COA和双指数平滑。随后，使用相关性分析来找到和选择最具信息量的特征。最后，使用结合了EfficientNetB0和ResNet50的OpEffiResNet模型来进行软件故障预测，该模型使用DE-COA进行训练。ResNet50提供了强大的残差架构，而EfficientNetB0则具有高预测效率和较低的计算成本及较少的参数。这种结合和优化的框架通过提高预测准确性、效率和整体可靠性，实现了高效可靠的软件故障预测。
本研究的主要目标包括：
- •
开发一种名为DE-COA的优化算法，通过应用双指数平滑来改进现有的COA，以优化特征选择。
- •
提出一种名为OpEffiResNet的新策略，该策略结合了EfficientNetB0和ResNet50用于软件缺陷预测。所提出的方法可以在不增加模型大小的情况下实现高预测精度。
- •
通过评估指标（包括灵敏度、准确性和特异性）来评估该策略的性能。
论文结构：第2节总结了现有研究的回顾。第3节描述了SFP方法。第4节讨论了研究结果，第5节给出了结论。
章节摘录
文献综述
本节研究了软件系统故障预测领域的相关先前研究。
Misbah Ali等人（2024年）研究了一种SDP策略，该策略仅将有缺陷的模块移至测试阶段。他们的SDP模型基于各种分类器的智能集成。为了识别故障模块，该模型使用了两步预测过程。使用了四种基于决策树的监督学习算法：RF、SVM、NB和ANN。
提出的OpEffiResNet用于软件故障预测
本节介绍了一种创新的混合DL策略用于软件故障预测。图1展示了所提出的故障预测系统的结构。首先，对原始输入数据进行预处理，以清洗数据并将其转换为适合特征提取的格式。然后使用最小-最大归一化进行归一化（Raju等人，2020年）。接下来，通过应用DE-COA进行特征选择。这是一种传统的
结果与讨论
OpEffiResNet策略是用Python编写的，并在软件缺陷预测数据集（Software defect prediction, 2024）上进行了测试。该策略的性能根据各种标准指标进行了评估，如准确性、特异性和灵敏度。
结论
本研究的主要目标是识别可能出故障的组件或故障更可能发生的时期，从而实施预防措施并提高软件可靠性。研究旨在创建一种先进的混合DL模型用于SFP。流程从原始输入数据开始，经过预处理阶段，将其清洗并转换为适合准确特征提取的格式。
未引用的参考文献
Zhang和Pham（2006年）；（Khleel和Nehéz，2024年）；（Dong等人，2023年）
CRediT作者贡献声明
安库尔·巴尔德瓦杰（Amar Bhardwaj）： 数据管理。维纳伊·辛格（Vinay Singh）： 形式分析、数据管理。桑吉夫·夏尔马（Sanjiv Sharma）： 形式分析、数据管理。阿马尔·辛格（Amar Singh）： 资金获取、形式分析。
致谢
我要对本文的合作者在规划和开发过程中提供的宝贵和建设性建议表示衷心的感谢。
作者贡献
所有作者都对概念设计、手稿修订以及最终版本的批准做出了实质性贡献。此外，所有作者都同意对确保任何部分准确性或完整性的问题负责
