刁旭煬，吳 凱，陳 都，周俊峰，高 璞

(上海機(jī)電工程研究所，上海 201109)

0 引言

軟件穩(wěn)定性是衡量軟件質(zhì)量的重要標(biāo)準(zhǔn)，成千上萬行復(fù)雜代碼往往存在會(huì)導(dǎo)致軟件失效的風(fēng)險(xiǎn)。為了幫助開發(fā)和測(cè)試人員更加高效地定位潛在缺陷，軟件缺陷預(yù)測(cè)技術(shù)正廣泛運(yùn)用在軟件的代碼審查階段，是軟件工程[1]研究領(lǐng)域中的重要研究方向之一。

軟件缺陷預(yù)測(cè)技術(shù)[2-3]利用軟件代碼庫中的歷史項(xiàng)目進(jìn)行缺陷度量元的設(shè)計(jì)與提取，并將基于靜態(tài)度量元的特征放入缺陷預(yù)測(cè)分類器中進(jìn)行模型訓(xùn)練，最終得到的缺陷預(yù)測(cè)模型能夠有效識(shí)別存在缺陷的代碼模塊。軟件開發(fā)與測(cè)試人員可根據(jù)預(yù)測(cè)結(jié)果對(duì)相關(guān)模塊進(jìn)行復(fù)核校驗(yàn)，從而節(jié)省了查找定位缺陷的時(shí)間，提升了軟件質(zhì)量維護(hù)與保證的效率。軟件缺陷預(yù)測(cè)主要分為同項(xiàng)目軟件缺陷預(yù)測(cè)[4]與跨項(xiàng)目軟件缺陷預(yù)測(cè)[5-6]兩個(gè)研究方向。此外，依據(jù)提取的程序特征顆粒度，可將軟件缺陷預(yù)測(cè)技術(shù)分為基于文件級(jí)、函數(shù)級(jí)、變更級(jí)的缺陷預(yù)測(cè)。

傳統(tǒng)的缺陷預(yù)測(cè)方法通常是基于人工設(shè)計(jì)的靜態(tài)度量元特征來構(gòu)建軟件缺陷預(yù)測(cè)模型。相關(guān)研究人員已經(jīng)設(shè)計(jì)出了相關(guān)有辨別度的特征可以有效區(qū)分有缺陷和無缺陷的程序模塊，主要包括基于運(yùn)算符和操作數(shù)的Halstead[7]特征、基于依賴的McCabe[8]特征、基于面向?qū)ο蟪绦蛘Z言的CK[9]特征以及基于多態(tài)、耦合的MOOD[10]特征。

然而，由于靜態(tài)度量元特征值是基于專家經(jīng)驗(yàn)設(shè)計(jì)的統(tǒng)計(jì)值，存在有缺陷代碼模塊和無缺陷代碼模塊出現(xiàn)相同值導(dǎo)致無法區(qū)分的情況。ASTs[11]是一種基于源代碼的特征樹表示方式，蘊(yùn)含著豐富的程序上下文信息。通過運(yùn)用深度學(xué)習(xí)技術(shù)挖掘基于ASTs的語法語義特征，可以得到比靜態(tài)度量元更具代表性的缺陷特征，從而構(gòu)建出性能更好的缺陷預(yù)測(cè)模型。

為了充分運(yùn)用程序上下文中潛在的語法語義信息，論文提出了一種基于混合注意力機(jī)制的軟件缺陷預(yù)測(cè)方法。首先，使用詞嵌入方法將特征序列表示為可被學(xué)習(xí)的多維向量，然后使用基于正余弦函數(shù)進(jìn)行位置編碼，接著運(yùn)用多頭注意力機(jī)制自學(xué)習(xí)每個(gè)位置在上下文中的語法語義信息，最后使用全局注意力機(jī)制提取整個(gè)程序模塊的關(guān)鍵特征，從而構(gòu)建出更加具有鑒別力的缺陷預(yù)測(cè)模型。論文選取了7個(gè)Apache開源項(xiàng)目作為數(shù)據(jù)集，與5種典型的基于靜態(tài)度量元和程序語法語義學(xué)習(xí)的方法進(jìn)行比較，實(shí)驗(yàn)結(jié)果表明論文提出的DP-MHA方法在F1上平均提升了17.86%。

1 相關(guān)工作

在基于靜態(tài)度量元的方法中，Chen[12]等人使用多目標(biāo)決策優(yōu)化算法對(duì)軟件缺陷預(yù)測(cè)特征進(jìn)行篩選；Huda[13]等人采用包裹和過濾式特征選擇方法識(shí)別重要的缺陷特征；Okutan[14]等人使用貝葉斯網(wǎng)絡(luò)來分配靜態(tài)度量元與缺陷傾向性之間的影響概率；此外，Xu[15]等人提出了一種基于圖的半監(jiān)督缺陷預(yù)測(cè)方法來解決有標(biāo)簽數(shù)據(jù)不足和噪聲問題。在基于程序語法語義學(xué)習(xí)的方法中，Wang[16]等人使用深度置信網(wǎng)絡(luò)生產(chǎn)隱式的語法語義特征進(jìn)行缺陷預(yù)測(cè)；Dam[17]等人建立了一種基于深度學(xué)習(xí)樹的缺陷預(yù)測(cè)模型來盡可能多地保留ASTs的初始結(jié)構(gòu)特征信息；Li[18]等人建立了嵌入靜態(tài)度量元的卷積神經(jīng)網(wǎng)絡(luò)缺陷預(yù)測(cè)模型；此外，Phan[19]等人基于圖神經(jīng)網(wǎng)絡(luò)從控制流圖中挖掘軟件的語法語義特征信息用來構(gòu)建缺陷預(yù)測(cè)模型。

但是由于存在長期記憶依賴問題，基于RNN和CNN生產(chǎn)的語法語義信息可能存在信息的丟失。為了充分挖掘特征序列中每一位置的上下文信息，DP-MHA采用多頭注意力機(jī)制進(jìn)行上下文自學(xué)習(xí)編碼，然后將生產(chǎn)的隱式語法語義特征放入全局注意力機(jī)制網(wǎng)絡(luò)中提取關(guān)鍵特征信息，用于缺陷預(yù)測(cè)模型的訓(xùn)練與預(yù)測(cè)。

2 DP-MHA總體架構(gòu)

本節(jié)對(duì)基于混合注意力機(jī)制的軟件缺陷預(yù)測(cè)方法DP-MHA的總體架構(gòu)進(jìn)行了詳細(xì)闡述，詳見圖1。

首先，DP-MHA將項(xiàng)目中的每個(gè)程序文件提取為ASTs樹結(jié)構(gòu)，然后從中選取關(guān)鍵節(jié)點(diǎn)并運(yùn)用深度遍歷方法獲得序列向量，接著通過字典映射和詞嵌入技術(shù)擴(kuò)展為可學(xué)習(xí)的多維向量，其次運(yùn)用正余弦函數(shù)進(jìn)行位置編碼，將編碼后的向量放入多頭注意力機(jī)制層，進(jìn)一步挖掘每個(gè)位置的上下文語義，最后運(yùn)用全局注意力機(jī)制提取程序文件中關(guān)鍵的語法語義特征，放入預(yù)測(cè)輸出模型進(jìn)行訓(xùn)練與預(yù)測(cè)。

圖1 DP-MHA總體架構(gòu)

2.1 基于ASTs的源代碼提取

為了將程序文件中的源代碼用向量形式進(jìn)行表征，需要選擇合適顆粒度，如字符、單詞或ASTs等形式對(duì)源程序進(jìn)行特征提取。ASTs是源代碼語法結(jié)構(gòu)的一種抽象表示，它以樹狀的形式表現(xiàn)編程語言的語法結(jié)構(gòu)，樹上的每個(gè)節(jié)點(diǎn)都表示源代碼中的上下文語義信息。基于ASTs的表示形式能映射出源程序中的語法結(jié)構(gòu)和語義信息，具有多維度的特征信息可供缺陷預(yù)測(cè)模型進(jìn)行學(xué)習(xí)，因此論文采用該形式對(duì)源代碼程序進(jìn)行抽象表征。

根據(jù)先前的研究，論文只提取3種類型節(jié)點(diǎn)作為ASTs樹特征值。第一類為方法和類實(shí)例的創(chuàng)建節(jié)點(diǎn)，此類提取方法名稱和類名稱；第二類為聲明節(jié)點(diǎn)，包括方法、類型、枚舉等聲明，此類提取它們的具體值；第三類為控制流節(jié)點(diǎn)，包括分支、循環(huán)、異常拋出等控制流節(jié)點(diǎn)用它們的類型值記錄。所有被選擇的AST節(jié)點(diǎn)值如圖2所示。

圖2 選取的AST節(jié)點(diǎn)類型

在本次實(shí)驗(yàn)中，論文采用基于Python的開源數(shù)據(jù)分析包javalang對(duì)Java源代碼進(jìn)行分析提取為AST抽象語法樹，然后采用深度遍歷的方法將提取的節(jié)點(diǎn)值轉(zhuǎn)化為一個(gè)序列向量，詳細(xì)描述見算法1。

算法1：將源程序文件提取為ASTs字符向量

輸入：

F：源程序文件{f1,f2,…,fn}

R：選取的節(jié)點(diǎn)類型{r1,r2,…,rn}

輸出：

S：字符向量{s1,s2,…,sn}

1. For i = 1→n do

2. 構(gòu)建源程序fi的AST抽象語法樹ASTi；

3. For node in DFT(ASTi) then

4. If node in R then

5. Add node into ;

6. End

7. End

8. Addsiinto S;

9. End

10.Return S;

2.2 ASTs序列編碼和類不平衡處理

ASTs序列向量存儲(chǔ)著大量程序模塊的語法語義信息，兩段代碼模塊可能具有相同的靜態(tài)度量元特征值，但它們的ASTs結(jié)構(gòu)存在差異，這使得基于ASTs序列可學(xué)習(xí)生成更具有辨別力的特征。為了讓提取的ASTs序列向量具備可學(xué)習(xí)性，采用字典映射技術(shù)將序列中的節(jié)點(diǎn)映射為一個(gè)整型數(shù)字，假設(shè)節(jié)點(diǎn)的數(shù)量為m，每個(gè)節(jié)點(diǎn)用一個(gè)整型數(shù)字表示，那么映射范圍就是從1到m。算法2為ASTs序列編碼的詳細(xì)描述，首先統(tǒng)計(jì)每個(gè)節(jié)點(diǎn)出現(xiàn)的頻率，并按照頻率從高到底排序，然后將ASTs字符向量映射成數(shù)字向量，接著需要將長短不一的數(shù)字向量統(tǒng)一為固定長度，少于固定長度的向量通過填充0來補(bǔ)齊長度，超出固定長度的向量將頻率低的節(jié)點(diǎn)依次剔除直至長度與固定值一致，最終為了使得映射的數(shù)字向量具備可學(xué)習(xí)性，構(gòu)建可被訓(xùn)練的高維詞字典，采用詞嵌入技術(shù)將每一個(gè)數(shù)字節(jié)點(diǎn)轉(zhuǎn)化為一個(gè)多維向量。

算法2：ASTs序列編碼

輸入：

S：ASTs字符向量{s1,s2,…,sn}

M：字符向量的長度

StrFreq：字符頻率字典

StrtoInt：字符轉(zhuǎn)整型字典

StrFreqList：字符頻率列表

輸出：

V：編碼后的整型向量{v1,v2,…,vn}

1. 初始化V、StrFreq、StrtoInt和StrFreqList

2. For i = 1→n do

3. For j=1→len(si) do

4. if sijnot in StrFreq.keys then

5. StrFreq[sij]=0;

6. End

7. StrFreq[sij]+=1;

8. End

9. End

10. For key in StrFre.keys then

11. StrFreqList.add((key, StrFreq[key]));

12. SortbyStrFreq(StrFreqList) ;//按頻率降序排列

13. For i=1→len(SortbyStrFreq) do

14. Str= SortbyStrFreq[i][0];

15. StrtoInt[Str]=i;

16. End

17. For i = 1→n do

18. For j=1→len() do

19.vij=StrtoInt[sij];//將字符映射為整型，頻率高的字符靠前

20. End

21. If len(vi)

22. Add M-len(vi) 0 s intovi;

23. End

24. Else if len(vi) >Mthen

25. For k=1→len(vi)-m do

26. z=vi.index(max(vi));//找到頻率最低的字符所對(duì)應(yīng)的序號(hào)

27. Delviz//刪除該字符

28. End

29. End

30. Addviinto V;

31. End

32. Return V;

軟件倉庫中的缺陷數(shù)據(jù)通常是類不平衡的，其中有缺陷的程序文件往往只占據(jù)很小的一部分。直接采用原始數(shù)據(jù)集訓(xùn)練的到模型存在偏向于大多數(shù)(無缺陷)類的偏差。為了解決該問題，通常采用過采樣或欠采樣技術(shù)對(duì)數(shù)據(jù)集進(jìn)行平衡處理。過采樣通過復(fù)制少數(shù)類的實(shí)例來實(shí)現(xiàn)類間平衡，而欠采樣則是將多數(shù)類中的實(shí)例進(jìn)行剔除?？紤]到欠采樣或?qū)е聰?shù)據(jù)信息的丟失，從而導(dǎo)致欠擬合的情況，因此論文采用過采樣技術(shù)將少數(shù)(有缺陷)類的實(shí)例進(jìn)行復(fù)制，從而構(gòu)造出兩類平衡的數(shù)據(jù)集。

2.3 DP-MHA神經(jīng)網(wǎng)絡(luò)構(gòu)建

DP-MHA神經(jīng)網(wǎng)絡(luò)架構(gòu)如圖3所示，主要包含節(jié)點(diǎn)嵌入層、位置編碼層、多頭注意力層、全局注意力層和預(yù)測(cè)輸出層。

圖3 DP-MHA神經(jīng)網(wǎng)絡(luò)架構(gòu)

2.3.1 節(jié)點(diǎn)嵌入層

一維數(shù)字符號(hào)無法充分描述一個(gè)AST節(jié)點(diǎn)的上下文信息，論文采用詞嵌入技術(shù)將每一個(gè)一維數(shù)字向量映射為一個(gè)高維向量，詳細(xì)公式見式(1)所示。

F:M→Rn

(1)

其中:M代表一個(gè)一維AST節(jié)點(diǎn)向量，Rn代表一個(gè)n維實(shí)數(shù)向量空間，F(xiàn)代表一個(gè)參數(shù)化函數(shù)，能將M中的每個(gè)數(shù)字符號(hào)映射為一個(gè)n維向量。映射得到n維向量緊接著被放入位置編碼層學(xué)習(xí)節(jié)點(diǎn)的位置信息。

運(yùn)用詞嵌入技術(shù)不僅可以將節(jié)點(diǎn)的語法語義表示形式限制在有限維度的空間內(nèi)，節(jié)省網(wǎng)絡(luò)訓(xùn)練的成本，避開維數(shù)災(zāi)難，而且節(jié)點(diǎn)之間的語法語義特征相似度也可以通過余弦距離公式來進(jìn)行度量，極大地提升了網(wǎng)絡(luò)學(xué)習(xí)語法語義特征的效率。

2.3.2 位置編碼層

在DP-MHA模型中沒有涉及到循環(huán)和卷積的神經(jīng)網(wǎng)絡(luò)，為了充分利用AST向量的序列特性，DP-MHA將節(jié)點(diǎn)嵌入層輸出的向量放入位置編碼層進(jìn)行相對(duì)位置關(guān)系的學(xué)習(xí)，位置編碼后的向量維度與節(jié)點(diǎn)嵌入后的向量維度相同，以便兩者相加得到最終包含相對(duì)位置關(guān)系的高維節(jié)點(diǎn)向量，作為多頭注意力層的輸入。

根據(jù)先前的研究，論文采用基于正弦和余弦函數(shù)進(jìn)行位置編碼，其計(jì)算公式如式(2)、式(3)所示：

PE(pos,2i)=sin(pos/10 0002i/dmodel)

(2)

PE(pos,2i+1)=cos(pos/10 0002i/dmodel)

(3)

其中:pos代表第pos個(gè)向量，i代表第pos個(gè)向量中的第i個(gè)維度，dmodel為節(jié)點(diǎn)嵌入的維度。即每個(gè)偶數(shù)位置的位置編碼對(duì)應(yīng)正弦函數(shù)，每個(gè)奇數(shù)位置的位置編碼對(duì)應(yīng)余弦函數(shù)，函數(shù)波長為2π到10 000*2π的幾何級(jí)數(shù)。對(duì)于任意固定偏移量k，PEpos+k能用PEpos的線性函數(shù)所表示，因此采用正余弦函數(shù)能較好的表示節(jié)點(diǎn)之間的相對(duì)位置關(guān)系。

2.3.3 多頭注意力層

多頭注意力層由6(num_blocks)個(gè)相同的神經(jīng)網(wǎng)絡(luò)層組成。每層由一個(gè)多頭注意力機(jī)制和位置轉(zhuǎn)化前向反饋網(wǎng)絡(luò)組成，每個(gè)子層計(jì)算得到的輸出與原始輸入進(jìn)行殘差連接與正則化處理，其公式表達(dá)如式(4)所示:

LayerNormalization(x+SubLayerFun(x))

(4)

其中:SubLayerFun為多頭注意力機(jī)制和位置轉(zhuǎn)換前向反饋網(wǎng)絡(luò)兩個(gè)子層的函數(shù)，將SubLayerFun(x)與原始輸入x相加得到殘差連接并進(jìn)行正則化處理，所有子層的輸入輸出向量維度與初始節(jié)點(diǎn)嵌入的維度相同。

多頭注意力機(jī)制由h個(gè)基于點(diǎn)積的注意力函數(shù)組成，首先將節(jié)點(diǎn)嵌入的維度縮小dmodel/h倍，使得神經(jīng)網(wǎng)絡(luò)的計(jì)算代價(jià)與帶有整個(gè)節(jié)點(diǎn)維度的單個(gè)頭注意力機(jī)制的計(jì)算代價(jià)相同，然后并行應(yīng)用h個(gè)注意力函數(shù)，得到的輸出進(jìn)行全連接得到最終的上下文語法語義特征，具體機(jī)制架構(gòu)詳見圖4所示。

圖4 單個(gè)多頭注意力層

每個(gè)點(diǎn)積注意力函數(shù)的輸入為矩陣Q，K，V組成，計(jì)算公式如式(5)所示:

(5)

圖5 多頭注意力機(jī)制的函數(shù)架構(gòu)

在運(yùn)用多頭注意力機(jī)制后，DP-MHA采用一個(gè)全連接的前向反饋神經(jīng)網(wǎng)絡(luò)進(jìn)行位置轉(zhuǎn)換，該網(wǎng)絡(luò)層由兩個(gè)線性函數(shù)和一個(gè)ReLU激活函數(shù)組成，其計(jì)算公式如式(6)所示：

FFN(x)=max(0,xW1+b1)W2+b2

(6)

2.3.4 全局注意力層

從多頭注意力層中可以得到一個(gè)序列所有位置節(jié)點(diǎn)的上下文語法語義信息，這些位置節(jié)點(diǎn)對(duì)整個(gè)序列的語法語義貢獻(xiàn)是不同的。為了提取其中關(guān)鍵的語法語義特征，DP-MHA采用了全局注意力函數(shù)，每個(gè)節(jié)點(diǎn)都會(huì)分配相應(yīng)權(quán)重，進(jìn)行加權(quán)和即可得到關(guān)鍵特征，其具體計(jì)算公式如式(7)～(9)所示：

uit=tanh(Wnhit+bn)

(7)

(8)

si=∑tαithit

(9)

其中，全局注意力機(jī)制首先將節(jié)點(diǎn)hit放入一個(gè)多層感知器(MLP)來生成uit作為節(jié)點(diǎn)的隱式特征表示，然后設(shè)定一個(gè)全局上下文向量un，作為在每一個(gè)序列中搜尋關(guān)鍵節(jié)點(diǎn)信息的高階表示向量，接著計(jì)算uit與un的點(diǎn)積相似度并通過softmax函數(shù)進(jìn)行歸一化處理。最終計(jì)算所有節(jié)點(diǎn)的加權(quán)和作為學(xué)習(xí)得到的全局關(guān)鍵語法語義特征向量si。

2.3.5 預(yù)測(cè)輸出層

預(yù)測(cè)輸出層由一層帶有sigmoid激活函數(shù)的多層感知器組成，損失函數(shù)采用基于softmax的交叉信息熵，具體計(jì)算公式如式(10)、式(11)所示：

Yi=sigmoid(siWo+bo)

(10)

(11)

3 實(shí)驗(yàn)設(shè)計(jì)

3.1 實(shí)驗(yàn)數(shù)據(jù)集

本文選取了6個(gè)公開Java項(xiàng)目作為實(shí)驗(yàn)數(shù)據(jù)集，所有數(shù)據(jù)集均可在Github Apache 項(xiàng)目集中獲得。每個(gè)項(xiàng)目選取兩個(gè)版本，其中前置版本作為模型的訓(xùn)練集，后置版本作為衡量模型的測(cè)試集。在軟件缺陷預(yù)測(cè)研究數(shù)據(jù)集中，靜態(tài)度量元數(shù)據(jù)是一種公認(rèn)的特征集，針對(duì)Java面向?qū)ο蟪绦蛘Z言的特點(diǎn)，Jureczko[20]等專家已進(jìn)行相關(guān)研究并提取出了20個(gè)典型的靜態(tài)度量元，其中包含了軟件規(guī)模、代碼復(fù)雜度以及與面向?qū)ο蟪绦蛘Z言特性相關(guān)的特征。詳細(xì)見表1所示。此外，程序的語法語義特征則由深度學(xué)習(xí)模型自動(dòng)學(xué)習(xí)生成。

表1 選取的20個(gè)靜態(tài)度量元特征值

表2列舉出了實(shí)驗(yàn)中項(xiàng)目數(shù)據(jù)集的相關(guān)信息，主要包括了項(xiàng)目名稱、版本號(hào)、程序模塊數(shù)量(以代碼文件為單位)以及總體缺陷率。

表2 Java項(xiàng)目數(shù)據(jù)集信息

3.2 實(shí)驗(yàn)環(huán)境與評(píng)價(jià)指標(biāo)

3.2.1 實(shí)驗(yàn)環(huán)境

本次實(shí)驗(yàn)的硬件配置為一臺(tái)帶有Intel i7酷睿處理器、8G內(nèi)存和GTX1060顯卡的臺(tái)式機(jī)，操作系統(tǒng)為Windows10，使用到的開發(fā)語言為Python及其相關(guān)機(jī)器學(xué)習(xí)與深度學(xué)習(xí)模塊Scikit-learn和Tensorflow，開發(fā)工具為pycharm。

DP-MHA網(wǎng)絡(luò)架構(gòu)的輸入向量長度(vector_len)為1 500，節(jié)點(diǎn)嵌入維度(dmodel)為32；多頭注意力機(jī)制query、key與value向量的維度為32，h為2，num_blocks為6；全局注意力層的輸出維度dglobal_attention為32，其余參數(shù)詳見表3。

表3 DP-MHA網(wǎng)絡(luò)參數(shù)配置信息

3.2.2 評(píng)價(jià)指標(biāo)

本文從F1值角度對(duì)DP-MHA方法的軟件缺陷預(yù)測(cè)性能進(jìn)行衡量。通常情況下，當(dāng)查全率(R)上升的同時(shí)，會(huì)降低查準(zhǔn)率(P)，F(xiàn)1值綜合了查準(zhǔn)率(P)和查全率(R)，對(duì)預(yù)測(cè)框架的綜合性能進(jìn)行了考量，越高代表著缺陷預(yù)測(cè)模型的穩(wěn)定性越好，F(xiàn)1值的范圍為[0,1]，其計(jì)算公式如下：

(12)

(13)

(14)

其中:c為無缺陷程序文件，d為有缺陷程序文件。Nd→d表示預(yù)測(cè)和真實(shí)值都為有缺陷的數(shù)量；Nd→d+Nc→d為所有預(yù)測(cè)結(jié)果為有缺陷的數(shù)量；Nd→d+Nd→c為所有真實(shí)值為有缺陷的數(shù)量。

4 結(jié)果的分析和討論

4.1 選取的經(jīng)典缺陷預(yù)測(cè)方法

在實(shí)證研究階段，論文選取了5個(gè)經(jīng)典方法與DP-MHA方法進(jìn)行比較，分別為基于靜態(tài)度量元的RF，基于無監(jiān)督學(xué)習(xí)方法的RBM+RF和DBN+RF以及基于深度學(xué)習(xí)的CNN和RNN，詳見表4所示。

表4 選取的5個(gè)經(jīng)典缺陷預(yù)測(cè)方法

方法名稱說明RF基于20個(gè)靜態(tài)度量元的隨機(jī)森林方法RBM+RF基于RBM提取程序語法語義特征的RF方法DBN+RF基于DBN提取程序語法語義特征的RF方法 CNN基于textCNN提取程序語法語義特征的方法RNN基于Bi-LSTM提取程序語法語義特征的方法

如表5所示，DP-MHA方法相較于其他5種方法在F1值上平均提升了17.86%。由此可見，基于混合注意力機(jī)制學(xué)習(xí)得到的上下文語法語義特征提升了缺陷預(yù)測(cè)模型的穩(wěn)定性和準(zhǔn)確度。

表5 DP-MHA相較于5種經(jīng)典方法的F1值提升比率

4.2 與基于靜態(tài)度量元方法的性能比較

為了說明DP-MHA方法相較于基于靜態(tài)度量元方法的優(yōu)越性，本文選取了基于20個(gè)靜態(tài)度量元特征的RF方法進(jìn)行對(duì)比分析。表6列出了DP-MHA與基于靜態(tài)度量元特征方法RF之間的F1對(duì)比結(jié)果。相較于基于靜態(tài)度量元的RF方法，DP-MHA在F1的W/T/L上全部占優(yōu)，在F1的平均值上提升了16.6%。綜合上述比較結(jié)果，可判得DP-MHA方法的軟件缺陷預(yù)測(cè)模型穩(wěn)定性能要優(yōu)于基于靜態(tài)度量元特征的缺陷預(yù)測(cè)方法。

表6 DP-MHA與基于靜態(tài)度量元方法之間的F1值比較

4.3 與基于無監(jiān)督學(xué)習(xí)方法的性能比較

為了說明DP-MHA方法相較于基于無監(jiān)督學(xué)習(xí)方法的優(yōu)越性，本文選取了具有典型代表的兩種無監(jiān)督學(xué)習(xí)方法RBM和DBN來提取程序的語法語義特征，然后將兩者學(xué)習(xí)到的特征分別放入RF分類器訓(xùn)練得到最終的缺陷預(yù)測(cè)模型。表7列出了DP-MHA與基于無監(jiān)督學(xué)習(xí)方法RBM+RF和DBN+RF之間的F1值對(duì)比結(jié)果。DP-MHA比RBM+RF在F1值的W/T/L上贏了6次；相較于DBN+RF，也全部占優(yōu)。此外從F1值的平均值來看，DP-MHA相較于RBM+RF和DBN+RF方法分別提升了34.3%、26.4%。綜合以上比較結(jié)果，可判得在缺陷預(yù)測(cè)模型穩(wěn)定性方面，DP-MHA都要比基于無監(jiān)督學(xué)習(xí)方法提取程序語法語義特征的方法來得更優(yōu)。

表7 DP-MHA與基于無監(jiān)督學(xué)習(xí)方法之間的F1值比較

4.4 與基于深度學(xué)習(xí)方法的性能比較

為了說明DP-MHA方法相較于基于其他深度學(xué)習(xí)方法的優(yōu)越性，本文選取了具有典型代表的兩種深度學(xué)習(xí)方法CNN和RNN來提取程序的語法語義特征并自動(dòng)訓(xùn)練與預(yù)測(cè)。CNN采用1維卷積核提取隱藏特征，RNN采用Bi-LSTM的雙向循環(huán)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)隱式語法語義特征。

表8列出了DP-MHA與基于深度學(xué)習(xí)方法CNN和RNN之間的F1值對(duì)比結(jié)果。DP-MHA比CNN和RNN在F1值的W/T/L上分別都贏了5次。此外從F1值的平均值來看，DP-MHA相較于CNN和RNN方法分別提升了7.1%、4.9%。綜合以上比較結(jié)果，可判得在缺陷預(yù)測(cè)模型穩(wěn)定性方面，DP-MHA都要比基于CNN和RNN的深度學(xué)習(xí)方法提取程序語法語義特征的方法來得更優(yōu)。

表8 DP-MHA與基于深度學(xué)習(xí)方法之間的F1值比較

5 結(jié)束語

本文針對(duì)同項(xiàng)目軟件缺陷預(yù)測(cè)問題，提出了一種基于混合注意力機(jī)制的軟件缺陷預(yù)測(cè)方法DP-MHA，運(yùn)用節(jié)點(diǎn)嵌入與位置編碼技術(shù)提取AST特征信息，放入多頭注意力層中學(xué)習(xí)節(jié)點(diǎn)的上下文語法語義信息，然后使用全局注意力機(jī)制提取關(guān)鍵特征，放入預(yù)測(cè)輸出層中進(jìn)行訓(xùn)練與預(yù)測(cè)，該方法學(xué)習(xí)得到的程序語法語義特征有效提升了軟件缺陷預(yù)測(cè)模型的性能。該方法仍有一些工作值得后續(xù)開展研究，具體而言為：(1)考慮跨項(xiàng)目軟件缺陷預(yù)測(cè)的應(yīng)用場景，并驗(yàn)證該方法是否能提升預(yù)測(cè)性能；(2)在實(shí)際工程項(xiàng)目[21-22]數(shù)據(jù)集中進(jìn)一步驗(yàn)證該缺陷預(yù)測(cè)方法的效果與性能。