《Engineering Applications of Artificial Intelligence》：Multi-modal artificial intelligence-driven code quality prediction and self-healing automation using self-modulating convolutional neural networks
编辑推荐：
摘要随着软件架构复杂度的不断攀升、数据模态的多样化以及自适应执行环境的出现，如何确保当代大规模系统的软件代码质量和可靠性已成为一个重要的问题。本研究提出了一种基于多模态人工智能（AI）驱动的代码质量预测（CQP）与自愈自动化框架，利用自调节卷积神经网络框架（CQP-SHA-S
摘要
随着软件架构复杂度的不断攀升、数据模态的多样化以及自适应执行环境的出现，如何确保当代大规模系统的软件代码质量和可靠性已成为一个重要的问题。本研究提出了一种基于多模态人工智能（AI）驱动的代码质量预测（CQP）与自愈自动化框架，利用自调节卷积神经网络框架（CQP-SHA-SMCNN）实现。该框架始于数据收集阶段，融合了多种软件工件模态，如源代码仓库、静态分析报告、运行日志和开发者注释。这些异构数据源通过基于离散小波变换（DWT）的特征提取技术被转换为同质化特征空间，以表征代码的结构、语义和行为特征。自愈自动化（SHA）管道实时监控软件系统，预测即将发生的质量退化和运行时异常。一旦检测到故障，该管道即应用自调节卷积神经网络（SMCNN）模型进行根本原因分析，并触发自愈操作，如代码补丁建议、自动重构或运行时重新初始化。本研究提出了一种多模态人工智能驱动的框架，用于软件代码质量预测和自愈自动化，其中所实现的人工智能技术为应用于自动化软件质量评估、故障诊断和自愈维护的自调节卷积神经网络。性能评估采用接收者操作特征（ROC）曲线、精确率、召回率、F值（F1分数）、平均绝对误差（MAE）和均方根误差（RMSE），并与现有方法进行比较。该研究表明了AI驱动的深度模型在现代环境中实现自动化软件质量预测和智能自愈维护的潜力。
引言
近年来，由于软件系统已成为关键基础设施、企业和通用程序的基础，对安全、可靠且高质量的软件的需求急剧增长。低代码质量经常导致漏洞、低效率和故障，进而可能造成经济损失、安全事件和用户信任度下降（Abhichandani等人，2025；Baqar等人，2025；Jain，2025）。过去，软件质量保证主要依赖手动代码检查、静态分析工具（如SonarQube、编程错误检测器（PMD）、FindBugs）以及动态测试框架来检测错误和代码异味。尽管这些工具很有用，但它们往往无法捕获代码的语义含义，也无法分析仅在代码运行时才出现的运行时行为（Shahl和Patel，2023；Jangam，2022；Mohapatra，2025）。机器学习（ML）和人工智能（AI）的兴起为代码分析开辟了新维度，使预测模型能够以更高效的效率评估质量和识别故障。支持向量机（SVM）、决策树和聚类算法等技术已被用于识别代码片段或预测易出缺陷的模块。更近来的研究表明，基于双向Transformer编码表示（BERT）等自然语言处理（NLP）模型已被用于从源代码中提取语义信息。尽管取得了这些进展，大多数现有方法仍然是单模态的，要么使用结构（基于语法）特征，要么使用语义嵌入，缺乏诸如执行日志和运行时故障等行为方面的信息（Satyanarayanan，2022；Bari等人，2024；Padamati，2023）。
尽管取得了进展，现有代码质量保证方法仍面临一些挑战（Vamasani，2025；Syed和Anazagasty，2024）。现有方法基于单模态数据，对软件质量的认知有限。基于机器学习的模型（如SVM、聚类）或语义模型（如BERT）已被用于代码分析，但通常泛化能力不强，无法适应不断变化的软件环境，并且缺乏与自动化修复流程的集成（Musam等，2022）。此外，当检测到错误时，大多数系统仅报告问题而没有提供自愈方案，这迫使开发者进行人工修复。这一空白凸显了需要一个端到端基于AI的框架的紧迫性，该框架不仅能够准确预测代码质量，还能自动触发自愈修复措施（Singh和Tiwari，2024）。
在现代DevOps（开发与运维）以及持续集成和持续部署（CI/CD）的高速软件交付管道中，实时代码质量控制是一项紧迫需求。智能自愈系统能够通过主动检测异常并实时自动修复来减少停机时间、提高开发者生产力并促进软件可靠性。本研究的灵感来源于在统一框架下融合多模态数据、自适应深度学习和自动化管道。基于这些进展，新方法旨在克服现有模型的局限性，为当今的软件开发环境提供稳健、自适应且可扩展的解决方案（Subramanian，2024；Rahman等人，2025）。
本研究的创新之处在于创建了一个自调节卷积神经网络（SMCNN），用于预测多模态代码质量，并配合一个自愈自动化（SHA）管道。与传统卷积神经网络（CNN）不同，SMCNN动态调整其滤波器以追踪结构、语义和行为特征之间的细微关系。此外，该框架还提出了一个闭环反馈系统，将自动修复过程的结果记录回系统中，用于模型的持续再训练。这种端到端设计使该框架区别于以往的单模态和非自适应解决方案，同时保证了预测性能和自主修复能力。
所提出的工作展示了一个用于智能软件质量管理的模块化框架，将预测模型与自动化修复机制分离。本工作的主要贡献总结如下：
- •
开发了一个预测框架，通过集成结构特征（基于抽象语法树（AST）的度量）、语义表示（代码嵌入）和行为信息（运行时日志和异常跟踪）来评估软件模块的质量。这种多模态表示方法与传统的单模态方法相比，提供了对软件质量的全面视角。
- •
本文修改了SMCNN以处理异构软件工件。自调节过程根据输入模态主动调节卷积滤波器，使模型能够学习结构、语义和行为特征之间的跨模态关联。
- •
创建了一个SHA管道，用于持续监控系统行为、识别异常、诊断根本原因并采取措施，包括自动补丁、运行时重新配置和重构建议。
- •
所提出的框架在反馈循环中结合了预测与自动化，将修复操作的结果反馈给学习系统，以提高预测精度和系统可靠性。
- •
通过在GitHub和Apache仓库的多模态数据集上进行的广泛实验，证明了所提出框架在预测精度、异常检测能力和自动恢复效率方面的有效性。
本文组织结构如下。第1节介绍问题、动机和目标。第2节回顾相关工作并指出研究空白。第3节阐述所提出的CQP-SHA-SMCNN方法论。结果与讨论见第4节。最后，第5节总结全文并提供未来研究方向，包括可解释性人工智能（XAI）的集成和可扩展性。
章节摘要
相关工作
在本阶段，对AI辅助软件质量保证和SHA的一些近期研究进行了综述。
2024年，Nama等人（2024）提出了一种基于AI的SHA测试框架，用于实时预测故障和恢复。其解决方案强调基于预测的维护措施和自动化恢复机制，以动态调整测试执行，但面临可扩展性和行业接受度的挑战。此外，Ali等人（2025）引入了关系感知BERT（RABERT）
所提出的方法论
所提出的框架CQP-SHA-SMCNN将多模态数据分析与基于深度学习的预测和SHA机制相结合。该框架分为以下主要阶段：多模态数据收集、特征提取、使用SMCNN的CQP以及SHA管道和性能评估。图1通过示意图展示了所提出的基于SMCNN的多模态AI驱动CQP和SHA。它从多模态输入数据源开始，如源代码仓库、运行时执行日志、AST，
结果与讨论
实验评估分为两个部分。第一部分使用标准分类和预测度量来评估基于SMCNN的CQP模型的预测准确性，包括ROC-AUC（曲线下面积）、精确率、召回率、F1分数、平均绝对误差（MAE）和均方根误差（RMSE）。第二部分根据系统级指标评估SHA管道的自愈性能，如修复延迟和异常检测
结论
本文提出了一种新颖的CQP-SHA-SMCNN框架，用于软件系统中的SHA。该系统结合了持续质量预测和基于SMCNN运行的SHA管道，用于检测异常、定位缺陷并触发自动修复。在GitHub和Apache仓库的基准数据集上的实验性能证明，所提出的方法在准确性、自愈效率和最小化等方面优于SVM-SHA、RABERT和K均值聚类等基线模型
CRediT作者贡献声明
G. Manikandan：写作 – 审阅与编辑、写作 – 初稿撰写、可视化、验证、监督、软件、资源、项目管理、方法论、调查、资金获取、形式化分析、数据管理、概念构思。A.N. Gnana Jeevan：写作 – 审阅与编辑、写作 – 初稿撰写、可视化、验证、监督、软件、资源、项目管理、方法论、调查、资金获取、形式化分析、数据管理，
伦理批准
本文不包含任何作者对人类参与者或动物进行的研究。
G. Manikandan|A.N. Gnana Jeevan|P. Vijayalakshmi|A. Devendran|Yashpal Singh
