ClusterCommit：一種基於專案叢集的實時缺陷預測方法

原文標題： ClusterCommit: A Just-in-Time Defect Prediction Approach Using Clusters of Projects

原文作者：Shehab M A, Hamou-Lhadj A, Alawneh L.

原文連結：http://ieeexplore.ieee.org/abstract/document/9825789

發表會議：SANER' 22

筆記作者：zhanS@SecQuan

筆記小編：cherry@SecQuan

大多數現有的 JIT 缺陷預測技術的目標是專案內缺陷預測，而在本文中，受 Nayrolles 等人[1]的啟發（Nayrolles 等人認為，對於工業專案而言，將高度耦合的不同專案的提交組合起來有助於提升 JIT 缺陷預測的效能，因為這些專案重用或共享同一個程式碼庫，因此它們也可能出現同樣的錯誤），作者提出了一種適用於共享公共庫和功能的專案叢集的模型。與現有技術不同的是，ClusterCommit 方法通過組合來自更大叢集的一組專案的提交（Commit）來訓練模型。這樣訓練的模型能夠適應於更多的專案。

圖 1 是 ClusterCommit 模型的框架。模型的輸入為一組共享了一些依賴項的專案，輸入可以由使用者自定義。接著需要對輸入的專案進行聚類以識別強耦合的各個子專案（這些子專案可能共享一個更大的程式碼庫）。對於聚類的每一個簇，提取對應的 Commit 來訓練模型。

• 專案聚類：對於輸入的一組專案，通過依賴管理系統，如：Maven，提取每一個專案使用的庫。然後構建專案依賴圖（屬於社群圖），其中，節點是專案或者庫，邊是它們之間的依賴關係。注意，專案之間沒有邊連線，因為目標是要找到子專案之間共享的庫。作者使用 LP（Label Propagation，標籤傳播演算法）實現這一目標。

• 特徵提取：表 1 是本文所提特徵（除了 SEXP）。這些特徵基於 Kamei 等人[2]的文章。在本文中，作者使用 Pearson 相關係數來衡量特徵之間的相關性。

• 打標籤：使用 Campos 等人提出的 RA-SZZ 演算法來打標籤。演算法原理挺簡單的，這裡就不再贅述。

• 分類器：本文選用隨機森林作為分類器。

• 模型評估：作者選擇如圖 2 所示的方法進行模型評估。具體來說，對於 Run 1，使用 P1 在訓練時間間隔內的提交以及 P2 落在訓練時間間隔內的提交作為訓練集，然後使用[b, c]段的提交作為測試集,；對於 P2，使用[g, h]段的提交作為測試集；對於 P3，使用[k, l]段的提交作為測試集。P3 的所有提交都沒有用於構建模型，這符合本文的思想：強耦合的專案可以用結果其他專案資料訓練的模型來預測缺陷。對於 Run 2，通過移動時間視窗，進行模型的訓練和測試流程。通過這種方式，模型評估能夠覆蓋所有的專案。

參考文獻

[1] Nayrolles M, Hamou-Lhadj A. Clever: Combining code metrics with clone detection for just-in-time fault prevention and resolution in large industrial projects[C]//Proceedings of the 15th international conference on mining software repositories. 2018: 153-164.

[2] Kamei Y, Shihab E, Adams B, et al. A large-scale empirical study of just-in-time quality assurance[J]. IEEE Transactions on Software Engineering, 2012, 39(6): 757-773.

[3] Neto E C, Da Costa D A, Kulesza U. The impact of refactoring changes on the szz algorithm: An empirical study[C]//2018 IEEE 25th International Conference on Software Analysis, Evolution and Reengineering (SANER). IEEE, 2018: 380-390.