软件缺陷修复者推荐方法的研究

• 作 者: 刘娇
• 出 处: 重庆邮电大学
• 发表日期: 2004年期
• 关键词: 软件测试 缺陷报告 社区问答信息 修复者推荐

软件缺陷修复者推荐是指在缺陷分派时,向缺陷分类者(bug triager)推荐合适的修复者以完成缺陷修复工作的过程。传统的缺陷分派是由人工来完成的。但随着软件功能需求的增加和规模的增大,特别是在开源软件中,缺陷的数量与日俱增,单纯依靠人工来完成分派工作是一项非常耗时、易错的任务。因此,提出一种有效的软件缺陷修复者推荐方法很有必要。利用机器学习方法进行修复者推荐非常有效,本文首先开展了使用支持向量机(Support Vector Machine,SVM)进行开源软件缺陷修复者推荐的方法研究。另外,考虑到现有大多数修复者推荐方法过于依赖候选修复者的已修复数据,而在缺乏已修复数据时往往表现不足,引入新的数据源很有必要。随着社区问答平台的发展,候选修复者遇到技术难题时会在一些社区问答平台(如Stack Overflow等)进行技术交流,这些平台积累了大量能反映候选修复者专业能力的信息,这些信息对于修复者推荐具有很大的潜在价值。基于此,本文主要研究内容如下:1.在分析了不同机器学习方法在缺陷修复者推荐领域的研究现状的基础上,重点开展了基于SVM的缺陷修复者推荐方法的研究。采用GitHub的6654份缺陷报告作为实验数据,详细探讨了使用SVM在这些开源数据上做修复者推荐的数据处理与训练过程,最后通过实验进一步分析了该方法在开源软件缺陷修复者推荐领域的有效性以及相应的不足。2.设计了一种使用社区问答信息推荐缺陷修复者的方法。该方法主要包括两个部分:第一部分使用社区问答信息中的标签关联缺陷报告和社区问答信息,并对标签设置不同的权重,再结合社区问答信息所获的点赞数衡量修复者的专业能力;第二部分考虑到修复者的专业能力会随着时间和工作过的项目而有所变化,从而设计一种衡量其修复工作时效性的方法。最后,通过对两个部分进行加权得到推荐修复者的最终方法。采用Stack Overflow的问答信息和GitHub的缺陷报告作为实验数据,结果表明,该方法比现有修复者推荐方法在Top5(%)推荐准确率上提高了0.37%~19.34%。