软件缺陷预测模型可解释性对比

软件缺陷预测已经成为软件测试中的重要研究方向，缺陷预测的全面与否直接影响着测试效率和程序运行。但现有的缺陷预测是根据历史数据进行推断，大多不能对预测过程给出合理的解释，这种黑盒的预测过程仅仅展现输出结果，使得人们难以得知测试模型内部结构对输出的影响。为解决这一问题，需挑选软件度量方法和部分典型深度学习模型，对其输入、输出及结构进行简要对比，从数据差异程度和模型对代码的处理过程两个角度进行分析，对它们的异同给出解释。实验表明，采用深度学习的方法进行缺陷预测比传统软件度量方法更加有效，这主要是由它们对原始数据处理过程不同造成的；采用卷积神经网络和长短期记忆神经网络做缺陷预测时，数据差异主要由对代码信息理解的完整程度不同造成的。综上可知，要提高对软件缺陷的预测能力，模型的计算应该对代码的语义、逻辑和上下文联系进行全面的介入，避免有用信息被遗漏。