基于深度学习的跨项目缺陷预测方法的研究与实现文献综述

文献综述

软件缺陷预测（SDP）能够预测缺陷代码区域，旨在帮助开发者寻找漏洞和确定其测试工作的优先级，帮助软件质量保证团队提前识别有缺陷的模块，并为其分配更多的测试资源。

本文提出了一种基于深度学习的跨项目缺陷预测（CPDP）方法，通过简化的抽象语法树（S-AST）对每个程序模块进行建模。

然后我们从模拟为S-AST的程序模块中提取令牌序列。

为了构建令牌序列的有意义的向量表示，我们提出了一种新的无监督嵌入方法ASTToken2Vec，它从S-AST的自然结构中学习语义信息。

最后，使用BLSTM学习语义特征并构建CPDP模型。

参考文献

[1] T. Hall, S. Beecham, D. Bowes, D. Gray, and S. Counsell, “A systematic literature review on fault prediction performance in software engineering,” IEEE Transactions on Software Engineering, vol. 38, no. 6, pp. 1276–1304, 2012.

[2] D. Gray, D. Bowes, N. Davey, Y. Sun, and B. Christianson, “Software defect prediction using static code metrics underestimates defectproneness,” in Proceedings of the International Joint Conference on Neural Networks, 2010, pp. 1–7.

[3] S. Hosseini, B. Turhan, and D. Gunarathna, “A systematic literature review and meta-analysis on cross project defect prediction,” IEEE Transactions on Software Engineering, 2019.