基于混合深度学习在敏捷环境下预测软件缺陷

《Scientific Reports》：Hybrid deep learning for predicting software defects in agile environments

　　

摘要

敏捷环境中快速变化的需求以及较短的迭代周期，使得预测需求变更对于及时准确地检测软件缺陷至关重要。大多数传统机器学习技术（如支持向量机、随机森林、逻辑回归）依赖于人工构建的特征，无法建模时间、上下文和语义依赖性。相比之下，许多现有的深度学习模型往往孤立地考虑结构指标或过程特征。此外，类别不平衡和低可解释性进一步阻碍了其在敏捷工作流中的实际应用。为了克服这些不足，我们提出了 AgileDefectAI，一个可解释的缺陷预测框架，该框架采用了一种新的深度学习模型 HybridBugNet。HybridBugNet 融合了卷积层用于局部模式识别，双向长短期记忆网络（Bi-LSTM）层用于建模提交历史和过程历史中的顺序特征依赖，以及基于 Transformer 的注意力层用于识别长距离上下文依赖。通过加权特征融合机制集成静态代码指标、过程动态和语义嵌入，同时结合 SMOTE 和焦点损失共同缓解类别不平衡问题。通过 SHAP 分析和注意力可视化实现可解释性，以获取针对高风险模块的可操作洞察。在基准数据集（NASA MDP、PROMISE 和敏捷 GitHub 仓库）上，HybridBugNet 实现了超过 0.80 的 F1 分数和约 0.89 的 AUC-ROC，在 F1 分数上比传统机器学习基线高出约 8–12%，比单骨干深度模型高出约 4–6%。消融研究证实了混合建模和特征融合的互补优势；文中还讨论了该框架的创新性以及其在敏捷缺陷预测中的适用性。