基于深度学习的软件变更倾向预测

《Scientific Reports》：Software change‐proneness prediction based on deep learning

　　

摘要

软件是任何组织的重要资产，但需要得到适当的维护和可靠性保障。软件变更倾向性预测是高效软件开发及后续软件维护阶段的关键部分。在本工作中，我们提出了一种新方法，将 CNN 模型与过采样（OS）相结合，以提高预测性能和泛化能力。我们提取并转换了来自多个来源的数据，包括源代码度量和变更日志，以确保一致性和相关性。该模型自动从数据中学习模式，并进行了超参数优化以提升预测性能。结果表明，与 SVM、随机森林、RNNs 和 GNNs 相比，所提出的模型始终优于传统模型，准确率达到 94.58%，F1 分数为 0.9166，ROC-AUC 为 98.05%。所提出的模型使用结合 CNN 的随机过采样来预测软件模块未来修改的概率。交叉验证表明，在使用不同数据集应用性能指标时，性能具有良好的一致性和稳定性。然而，数据质量、代码库大小和模型可解释性问题仍存在，表明仍有改进空间。本研究的发现表明，深度学习技术，特别是带有 OS 的 CNN 模型，在通过降低成本和增强软件工程中的资源分配方面，为软件变更管理提供可操作的见解方面具有巨大潜力。