论文标题：Effort-aware cross-project just-in-time defect prediction framework for mobile apps（面向移动应用的跨项目即时缺陷预测框架）

期刊：Frontiers of Computer Science

作者：Tian CHENG, Kunsong ZHAO, Song SUN, Muhammad MATEEN, Junhao WEN

发表时间：12 Jan 2022

DOI：10.1007/s11704-021-1013-5

微信链接：点击此处阅读微信文章

导读

随着移动设备的蓬勃发展，Android移动应用在人们的日常生活中发挥着不可替代的作用，其特点是频繁更新，涉及到很多代码提交，以满足新的需求。即时（JIT）缺陷预测旨在确定提交实例是否会将缺陷引入新发布的应用程序中，并向开发人员提供即时反馈，这更适合移动应用程序。由于应用程序内的缺陷预测需要足够的历史数据来标记提交实例，这在实践中是不够的，一个替代方法是使用跨项目模型。在本研究中，我们提出了一种新的方法，称为KAL，用于Android移动应用的跨项目JIT缺陷预测任务。具体来说，KAL首先利用基于核主成分分析的技术将提交实例转换到高维特征空间，以获得具有代表性的特征。然后，利用对抗性学习技术提取共同特征嵌入，以用于模型构建。我们对14个Android手机应用程序进行了实验，并采用4个工作量感知指标进行性能评估。对182个跨项目对的结果表明，我们提出的KAL方法取得了比20种对比方法更好的性能。

文章精要

摘要

As the boom of mobile devices, Android mobile apps play an irreplaceable roles in people’s daily life, which have the characteristics of frequent updates involving in many code commits to meet new requirements. Just-in-Time (JIT) defect prediction aims to identify whether the commit instances will bring defects into the new release of apps and provides immediate feedback to developers, which is more suitable to mobile apps. As the within-app defect prediction needs sufficient historical data to label the commit instances, which is inadequate in practice, one alternative method is to use the cross-project model. In this work, we propose a novel method, called KAL, for cross-project JIT defect prediction task in the context of Android mobile apps. More specifically, KAL first transforms the commit instances into a high-dimensional feature space using kernel-based principal component analysis technique to obtain the representative features. Then, the adversarial learning technique is used to extract the common feature embedding for the model building. We conduct experiments on 14 Android mobile apps and employ four effort-aware indicators for performance evaluation. The results on 182 cross-project pairs demonstrate that our proposed KAL method obtains better performance than 20 comparative methods.

相关内容推荐：

Pusher: 基于输入-分支操作数关联增强的模糊测试系统 2022 16(4)：164206

基于模型和长测试序列的JavaScript Web应用自动测试 2022 16(3)：163204

ForkXplorer: 一种概括fork内容的方法 2022 16(2)：162202

针对GR(1)获胜条件的概率综合 2022 16(2)：162203

基于时间序列预测的自适应水印生成机制 2021 15(6)：156213

经验报告：研究机器学习框架与库中的缺陷修复 2021 15(6)：156212

一种用于支持多人协同编程器的半透明的选择性Undo算法 2021 15(5)：155209

HSAEP：评估混合仿真算法的新平台 2021 15(5)：155211

基于注意力机制的双向LSTM模型的自承认技术债务检测方法 2021 15(4)：154208

非易失性内存的操作系统技术研究综述 2021 15(4)：154207

【FCS  软件专栏】自动程序修复中缺陷定位信息使用方法的实证评估 2021 15(1)：151202

【FCS  软件专栏】利用基于仿真的假设分析方法进行云环境下WEB服务的主动式带宽资源规划 2021 15(1)：151201

Frontiers of Computer Science

Frontiers of Computer Science （FCS）是由教育部主管、高等教育出版社和北京航空航天大学共同主办、SpringerNature 公司海外发行的英文学术期刊。本刊于 2007 年创刊，双月刊，全球发行。主要刊登计算机科学领域具有创新性的综述论文、研究论文等。本刊主编为周志华教授，共同主编为熊璋教授。编委会及青年 AE 团队由国内外知名学者及优秀青年学者组成。本刊被 SCI、Ei、DBLP、INSPEC、SCOPUS 和中国科学引文数据库（CSCD）核心库等收录，为 CCF 推荐期刊；两次入选“中国科技期刊国际影响力提升计划”；入选“第4届中国国际化精品科技期刊”；入选“中国科技期刊卓越行动计划项目”。

《前沿》系列英文学术期刊

由教育部主管、高等教育出版社主办的《前沿》（Frontiers）系列英文学术期刊，于2006年正式创刊，以网络版和印刷版向全球发行。系列期刊包括基础科学、生命科学、工程技术和人文社会科学四个主题，是我国覆盖学科最广泛的英文学术期刊群，其中13种被SCI收录，其他也被A&HCI、Ei、MEDLINE或相应学科国际权威检索系统收录，具有一定的国际学术影响力。系列期刊采用在线优先出版方式，保证文章以最快速度发表。

中国学术前沿期刊网

http://journal.hep.com.cn