计算机科学与探索

作者：吴海涛, 马景悦, 高建华

单位：上海师范大学 信息与机电工程学院，上海 200234

关键词：软件缺陷,静态分析工具,静态分析警告,代码度量,跨项目场景预测

基金：国家自然科学基金（61672355）。

静态分析警告作为一种重要的软件质量指标，被广泛用于识别源代码中潜在的违规问题。近期的研究表明，静态分析警告在代码异味检测和即时缺陷预测中有所应用，但有关项目早期缺少提交修改记录的情况没有涉及。针对上述问题，利用三种流行的静态分析工具的警告信息，在原有的缺陷预测模型中融合静态分析警告这个新的度量，构建一个涵盖软件开发和代码可维护性的缺陷预测模型，并探究静态分析警告与缺陷的潜在关系，融合警告对软件缺陷预测模型性能的影响以及在跨项目场景中的影响。实验结果表明，警告数量往往与缺陷分布密切相关，呈现正相关的关系，即警告这一度量在软件缺陷预测模型中有相当大的潜力，并且在有缺陷数据中报告的警告信息往往与编码规范相关；融合警告之后，缺陷预测模型在各项目上的平均精度提高1.4%~14.7%，平均召回率提高0.2%~2.4%，平均F1提高0.3%~3.0%，平均AUC提高0.2%~1.4%。在跨项目场景中，CODE+SAW_VIF度量提供了最佳性能的缺陷预测模型，融合静态分析警告能够提升模型识别缺陷的性能。

来源：2025年第3期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2025年第3期