.png){kind=icon}
返回
Fusion features for optimizing software defect detection using a graph neural network algorithm
.png){kind=icon}
PRE
AI
DOI：10.1177/18724981251360514.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在跨项目软件缺陷检测中，传统方法难以准确捕捉代码的复杂结构关系和动态演化特征。本研究提出，构建一个整合多维信息的动态异构图模型，能够使基于图神经网络（GNN）的软件缺陷检测系统显著提升检测精度和跨项目泛化能力。为验证这一假设，设计并实现了一个名为Dynamic Heterogeneous Graph Defect Detection（DGDefect）的模型。首先，基于抽象语法树（AST）和程序依赖图（PDG）构建双层异构图结构。此外，引入动态边权重分配（DEWA）算法，根据节点属性和上下文相似性动态计算边权重。随后，门控图注意力网络对AST节点的语法特征、PDG节点的控制流特征以及开发者提交行为特征进行门控融合。在GNN框架中整合了包含节点级、子图级和全局级注意力的分层注意力机制，并结合子图模式匹配策略识别缺陷传播路径。最后，开发了一个鲁棒增量学习框架，通过参数冻结和知识蒸馏显著提升模型更新效率。在NASA软件缺陷预测数据集和三个大规模开源工业项目上的实验表明，DGDefect在跨项目检测中实现平均F1分数85.5%，其中Java项目达到89.7%；误报率（FPR）降至5.8%，召回率达到88.1%。在工业规模代码库检测中，模型实现平均真实缺陷检测率93.1%。该模型仅包含5.27亿参数，显著小于CodeBERT。这些结果证实了所提方法在精度、效率、泛化能力和实用可行性方面的优势。本研究为基于GNN的软件缺陷检测提供了一种理论可靠且工程可行的解决方案。
Keyword:
graph neural network
software defect detection
dynamic heterogeneous graph
multi-granularity feature fusion
hierarchical attention mechanism
gated graph attention network
incremental learning
期刊
IF:
0.8
论文数:
15
被引数:
341
机构
暂无机构信息
引用论文
Software Defect Prediction Based on Elman Neural Network and Cuckoo Search Algorithm基于Elman神经网络和布谷鸟搜索算法的软件缺陷预测
OAAI
OAAI分享收藏An efficient malware detection approach with feature weighting based on Harris Hawks optimization
PREAI
分享收藏Exploring Metaheuristic Optimized Machine Learning for Software Defect Detection on Natural Language and Classical Datasets探索基于元启发式优化机器学习在自然语言和经典数据集上的软件缺陷检测.png)
MathematicsOAAI
MathematicsIF0
OAAI分享收藏Software engineering defect detection and classification system based on artificial intelligence基于人工智能的软件工程缺陷检测与分类系统OAAI
OAAI分享收藏Automated Software Defect Detection and Identification in Vehicular Embedded Systems车载嵌入式系统中软件缺陷的自动检测与识别
OAAI
OAAI分享收藏
查看更多内容