一种面向跨项目软件缺陷预测的特征过滤与实例迁移框架

作者：刁旭炀; 刘晓阳; 徐利; 陈天群; 徐亚周

来源：计算机与现代化, 2021, (12): 116-122.

• 源项目
• 目标项目
• 特征关联度
• 分布差异性
• 特征过滤
• 实例迁移

在跨项目软件缺陷预测中,源项目与目标项目的特征关联度与实例分布差异性是影响预测模型性能的主要因素。本文从特征过滤与实例迁移2个角度出发,提出一种跨项目软件缺陷预测框架KCF-KMM(K-medoids Cluster Filtering-Kernel Mean Matching)。在特征过滤阶段,该方法基于K-medoids聚类算法来筛选特征子集,过滤与目标项目关联度低的特征。在实例迁移阶段,通过KMM算法计算源项目与目标项目实例间的分布差异度,以此分配每个训练实例的影响权重。最后,结合目标项目中少量有标注数据建立混合缺陷预测模型。为了验证KCF-KMM的有效性,本文从准确率和F1值的角度出发,分别与经典的跨项目软件缺陷预测方法 TCA+、TNB和NNFilter相比,KCF-KMM的预测性能在Apache数据集上可以分别提升34.1%、0.8%、21.1%和14.4%、3.7%、10.6%。

• 单位
  上海机电工程研究所; 上海航天电子技术研究所