ClusterCommit：一种基于项目集群的实时缺陷预测方法

原文标题：ClusterCommit: A Just-in-Time Defect Prediction Approach Using Clusters of Projects

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

原文链接：https://ieeexplore.ieee.org/abstract/document/9825789

发表会议：SANER’ 22

笔记作者：zhanS@SecQuan

笔记小编：cherry@SecQuan

大多数现有的 JIT 缺陷预测技术的目标是项目内缺陷预测，而在本文中，受 Nayrolles 等人[1]的启发（Nayrolles 等人认为，对于工业项目而言，将高度耦合的不同项目的提交组合起来有助于提升 JIT 缺陷预测的性能，因为这些项目重用或共享同一个代码库，因此它们也可能出现同样的错误），作者提出了一种适用于共享公共库和功能的项目集群的模型。与现有技术不同的是，ClusterCommit 方法通过组合来自更大集群的一组项目的提交（Commit）来训练模型。这样训练的模型能够适应于更多的项目。

图 1 是 ClusterCommit 模型的框架。模型的输入为一组共享了一些依赖项的项目，输入可以由用户自定义。接着需要对输入的项目进行聚类以识别强耦合的各个子项目（这些子项目可能共享一个更大的代码库）。对于聚类的每一个簇，提取对应的 Commit 来训练模型。

• 项目聚类：对于输入的一组项目，通过依赖管理系统，如：Maven，提取每一个项目使用的库。然后构建项目依赖图（属于社区图），其中，节点是项目或者库，边是它们之间的依赖关系。注意，项目之间没有边连接，因为目标是要找到子项目之间共享的库。作者使用 LP（Label Propagation，标签传播算法）实现这一目标。

• 特征提取：表 1 是本文所提特征（除了 SEXP）。这些特征基于 Kamei 等人[2]的文章。在本文中，作者使用 Pearson 相关系数来衡量特征之间的相关性。

• 打标签：使用 Campos 等人提出的 RA-SZZ 算法来打标签。算法原理挺简单的，这里就不再赘述。

• 分类器：本文选用随机森林作为分类器。

• 模型评估：作者选择如图 2 所示的方法进行模型评估。具体来说，对于 Run 1，使用 P1 在训练时间间隔内的提交以及 P2 落在训练时间间隔内的提交作为训练集，然后使用[b, c]段的提交作为测试集,；对于 P2，使用[g, h]段的提交作为测试集；对于 P3，使用[k, l]段的提交作为测试集。P3 的所有提交都没有用于构建模型，这符合本文的思想：强耦合的项目可以用结果其他项目数据训练的模型来预测缺陷。对于 Run 2，通过移动时间窗口，进行模型的训练和测试流程。通过这种方式，模型评估能够覆盖所有的项目。

参考文献

[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.