面向类不平衡数据集的即时软件缺陷预测方法研究开题报告

1. 研究目的与意义（文献综述包含参考文献）

软件缺陷预测一直是软件工程研究中最活跃的领域之一，减少软件缺陷的数量(及其高调试成本)是一个具有挑战性的问题，特别是考虑到软件团队的测试资源有限，并且经常面临快速交付的强大压力。

因此，已经提出了机器学习方法来预测软件源代码中的缺陷。

这种软件缺陷预测(software defect prediction, sdp)方法有助于更容易地分配测试资源和检查工作，将更多的注意力集中在可能包含缺陷的软件组件上。

2. 研究的基本内容、问题解决措施及方案

软件缺陷预测一直是软件工程研究中最活跃的领域之一，即时软件缺陷预测在开发者提交代码时，对其引入的代码是否存在缺陷进行预测，在软件工程领域中起到了重要的作用。

本课题中从以下角度进行研究和验证：（1） 类不平衡演化对于jit-sdp方法的影响；（2） 在现实场景中可能会出现的验证延迟问题；（3） 使软件缺陷预测具有即时性，即在开发者提交代码时，对其引入的代码是否存在缺陷进行预测。

本课题拟采用的研究手段（途径）：（1） 基于多个github项目，研究类不平衡的演化对其预测结果的影响；（2） 研究验证延迟对于jit-sdp方法的影响，同时研究验证延迟是否对机器学习中类不平衡算法产生影响；（3） 研究机器学习中在线类不平衡演化算法对于jit-sdp 的优化效果；（4） 将这些算法整合在一起，以优化这些算法在jit-sdp环境下的表现。