Cross-project defect prediction based on transfer graph convolutional network

Yanjun Wang

doi:10.1007/s10664-025-10783-2

Cross-project defect prediction based on transfer graph convolutional network

2025-12-15

0

PRE

AI

DOI：10.1007/s10664-025-10783-2

原文链接

原文求助

摘要

En 中文

跨项目缺陷预测（CPDP）是一种软件缺陷检测（SDP）技术，旨在克服目标项目中缺陷数据不足的挑战。在CPDP中，基于抽象语法树（AST）的先前方法主要依赖于从叶节点或语法结构类型节点中提取特征。然而，基于叶节点的方法通常存在信息冗余问题，并且在递归遍历AST时可能遇到梯度消失问题，而基于语法结构类型节点的方法通常面临由AST序列化引起的结构信息丢失等局限性以及节点选择范围受限等问题。此外，大多数现有方法在文件级别引入最大均值差异（MMD）以对齐源项目和目标项目的全局特征分布。然而，这种粗粒度对齐通常忽略了代码中的细粒度语义和语法结构。为解决这些问题，本文提出了一种基于节点级MMD对齐机制的CPDP方法——传输图卷积网络（TGCN）。该方法从AST的节点层次结构出发，在细粒度级别上对齐不同项目中相同类型的节点特征分布，从而实现节点级MMD对齐并提升模型的跨项目迁移能力。具体而言，首先将源代码解析为AST，然后通过遍历AST构建子图，仅保留语法结构类型节点。使用字典将每种节点类型映射为整数索引，并利用这些索引作为节点特征构建最终的语法图。此外，为保证对齐一致性，仅保留源项目和目标项目共有的节点类型。将语法图输入GCN以提取可迁移的语法特征，随后通过主成分分析（PCA）对语法特征进行线性降维，并输入到逻辑回归（LR）分类器中进行训练。在12个基准项目上的实验结果表明，与基线方法中表现最佳的语义和语法编码（SSE）相比，所提出的TGCN方法将F-measure提升了5.47%，准确率（ACC）提升了5.67%，马修斯相关系数（MCC）提升了8.84%，几何平均（G-Mean）提升了3.31%，精确率提升了4.38%。

Keyword:

Project defect prediction

Graph convolutional network

Maximum mean discrepancy

Software reliability

Cross-project defect prediction based on transfer graph convolutional network

摘要

期刊

机构

引用论文