SQAPlanner: Generating Data-Informed Software Quality Improvement Plans
Faculty of Information Technology, Monash University（莫纳什大学信息技术学院）
针对缺陷预测洞见缺乏可操作性和风险阈值的问题，本文提出AI驱动的SQAPlanner，生成四类规则化指导及阈值，并通过可视化与实证评估验证其有效性和实用性。
2021-03-27 cs.LG cs.SE
A taxonomy of risk-based testing
软件测试往往是在严重的压力下进行的，这是由于有限的资源和具有挑战性的时间表所面临的需求，以确保满足软件需求。此外，测试应该揭示那些损害软件关键任务功能的软件缺陷。基于风险的测试使用风险（重新）评估来引导测试过程的所有阶段，以优化测试工作并限制基于软件的系统的风险。由于其重要性和高度的实际相关性，学术界和工业界提出了几种基于风险的测试方法。本文提出了一种基于风险的测试分类，提供了一个框架来理解，分类，评估和比较基于风险的测试方法，以支持他们的选择和定制特定的目的。该分类法与测试过程所有阶段的风险考虑相一致，并由顶级类别风险驱动程序、风险评估和基于风险的测试过程组成。基于风险的测试的分类已经通过分析现有的出版物中提出的工作基于风险的测试。之后，它已被应用到基于风险的测试工作中，该工作在《国际技术转让软件工具杂志》的这个特别部分中提出。
2019-12-24 cs.SE
On the Adoption and Effects of Source Code Reuse on Defect Proneness and Maintenance Effort
上下文软件复用机制，如面向对象编程中的继承和委托，被广泛认为是软件设计的关键工具。这些用于降低源代码受缺陷影响的风险，而不是减少维护和改进源代码所需的工作量。以前的工作传统上采用源代码重用度量用于预测目的，例如，在缺陷预测的上下文中。objective.然而，我们的研究发现了当前文献的两个明显的局限性。首先，开发人员随着时间的推移实际使用代码重用机制的程度仍然知之甚少。其次，目前还不清楚这些机制如何有助于解释缺陷倾向和维护工作在软件演化。我们的目标是弥合这一知识差距，因为对这些方面的更好理解可能有助于深入了解这些机制提供的实际支持，例如，通过建议是否以及如何将它们用于预测目的。法我们提出了一个探索性的研究，旨在（1）评估开发人员如何使用继承和委托在软件演化过程中;（2）统计分析继承和委托的故障倾向和维护工作的影响。该研究将在DEFECTS4J数据集的17个Java项目的提交上进行。
2022-08-15 cs.SE
Towards Developing and Analysing Metric-Based Software Defect Severity Prediction Model
在一个关键的软件系统中，由于缺陷的不断出现，测试人员不得不花费大量的时间和精力来维护软件。在这些缺陷中，一些严重的缺陷可能会对软件产生不利影响。为了减少测试人员的时间和精力，文献中已经提出了许多机器学习模型，其使用文档化的缺陷报告来自动预测有缺陷的软件模块的严重性。与传统的方法相比，在这项工作中，我们提出了一个基于度量的软件缺陷严重性预测（SDSP）模型，使用自训练半监督学习的方法来分类的严重性有缺陷的软件模块。该方法是建立在未标记和标记的缺陷严重性数据的混合物。自训练工作的基础上的决策树分类器分配的伪类标签的未标记的实例。预测是有希望的，因为自我训练成功地分配合适的类标签的未标记的实例。另一方面，许多研究已经涵盖了提出预测方法以及缺陷严重性预测模型的方法学方面，从预测模型估计项目属性的差距仍然没有得到解决。为了弥补这一差距，我们提出了五个项目特定的措施，如风险因素（RF），节省预算的百分比（PSB），节省预算的损失（LSB），剩余服务时间（ESTA）和免费服务时间（GST）从预测中捕获项目结果。类似于传统的措施，这些措施也计算从观察到的混淆矩阵。这些度量用于分析预测模型对软件项目的影响。
2022-10-10 cs.SE
Continuous Defect Prediction: The Idea and a Related Dataset
我们想介绍我们的连续缺陷预测（CDP）研究的想法以及我们创建和共享的相关数据集。我们的数据集目前是一组超过1100万个数据行，代表持续集成（CI）构建中涉及的文件，这些文件将CI构建的结果与我们从软件存储库中挖掘的数据相结合。我们的数据集包含1265个软件项目，30，022个不同的提交作者和几个软件过程度量，这些度量在早期的研究中似乎对软件缺陷预测有用。在这个特定的数据集中，我们使用TravisTorrent作为CI数据的来源。TravisTorrent综合来自Travis CI服务器和GitHub开源项目存储库的提交级别信息。我们将此数据扩展到文件更改级别，并计算可用于的软件过程度量，例如，作为预测风险软件更改的功能，这些更改如果提交到启用CI的存储库中，可能会破坏构建。
2017-06-22 cs.SE
BDefects4NN: A Backdoor Defect Database for Controlled Localization Studies in Neural Networks
本文构建首个神经元粒度后门缺陷数据库 BDefects4NN，支持受控根因定位，并通过 1,654 个缺陷模型评估定位与修复技术，揭示现有方法及实际场景中的局限。
2024-12-01 cs.SE
SDPERL: A Framework for Software Defect Prediction Using Ensemble Feature Extraction and Reinforcement Learning
针对复杂环境下软件缺陷预测难题，提出集成特征提取与强化学习结合的SDPERL框架，通过多模型提特征、ACO启发的RL选特征，在PROMISE数据集上F1-Score较基线平均提升6.25%。
2024-12-15 cs.SE
Human-Written vs. AI-Generated Code: A Large-Scale Study of Defects, Vulnerabilities, and Complexity
该研究基于 Python 和 Java 的 50 余万代码样本，比较人类与 ChatGPT、DeepSeek-Coder、Qwen-Coder 生成代码的缺陷、漏洞和复杂性，揭示二者质量特征差异。
2025-08-29 cs.SE
Development of a Multi-purpose Fuzzer to Perform Assessment as Input to a Cybersecurity Risk Assessment and Analysis System
本文提出一种面向配置文件驱动软件与信息物理系统的通用模糊测试器，可检测缺陷漏洞并评估设置影响，为网络安全风险评估与分析系统提供建模输入。
2023-06-07 cs.CR cs.SE
Model Checking with Program Slicing Based on Variable Dependence Graphs
在嵌入式控制系统中，由于软件复杂性导致例如与时序相关的问题，软件缺陷的潜在风险一直在增加。这些缺陷很少通过测试或模拟发现。为了检测这种缺陷，我们提出了一种建模方法，可以生成软件模型的模型检验与程序切片技术的基础上的变量依赖图。最后将该方法应用于一个汽车控制软件的实例中，验证了该方法的有效性。此外，我们开发了一个软件工具来自动化模型生成，并取得了35%的总验证时间减少模型检验。
2013-01-01 cs.LO cs.SE
Understanding Software Defect Prediction: A Large-scale Empirical Study Across Uncertainty Quantification and Performance Evaluation
School of Computer Science and Engineering, Macau University of Science and Technology（澳门科技大学计算机科学与工程学院）；State Key Laboratory of Intelligent Manufacturing Equipment and Technology, School of Mechanical Science and Engineering, Huazhong University of Science and Technology（华中科技大学机械科学与工程学院智能装备与技术国家重点实验室）；Department of Computer Science and Software Engineering, Concordia University（康考迪亚大学计算机科学与工程系）
通过大规模实证研究，评估了16种分类器在项目内和跨项目缺陷预测中不确定性量化指标与性能、校准的关系，发现UQ高度依赖上下文，且跨项目时相关性减弱或反转。
2026-07-03 cs.SE
A Defect Classification Framework for AI-Based Software Systems (AI-ODC)
本文提出了一种面向人工智能系统的缺陷分类框架，通过调整ODC范式，识别其特殊属性和特征，以提高缺陷分析的准确性和有效性。
2025-08-25 cs.AI cs.SE
DeMuVGN: Effective Software Defect Prediction Model by Learning Multi-view Software Dependency via Graph Neural Networks
DeMuVGN 通过图神经网络学习融合数据、调用和开发者依赖的多视图软件依赖图，并结合 SMOTE 解决类别不平衡，在项目内和跨项目缺陷预测中显著提升 F1 分数，展现出良好的泛化能力。
2025-05-07 cs.AI cs.SE
Explaining Code Risk in OSS: Towards LLM-Generated Fault Prediction Interpretations
本研究探讨利用大型语言模型将开源软件中的故障预测指标转化为清晰的风险解释和可操作指导，以帮助贡献者理解和审查代码修改，并提出评估其有效性的任务型研究方案。
2025-10-07 cs.SE
Do Unit Proofs Work? An Empirical Study of Compositional Bounded Model Checking for Memory Safety Verification
本文首次实证研究用于内存安全验证的单元证明，提出结合验证反馈与客观标准的系统化构建方法，并在四个嵌入式操作系统上验证其有效性与成本。
2025-03-17 cs.SE
Cascade Generalization-based Classifiers for Software Defect Prediction
本研究针对软件缺陷预测模型性能优化问题，提出采用级联泛化函数扩展样本空间以减轻基分类器偏差，在NASA数据集上验证了该方法可显著提升多种分类器的预测准确率与AUC，且优于多种集成及现有SDP模型。
2024-06-24 cs.SE
KG-Commit: A Dynamic Knowledge Graph for Online Just-in-Time Software Defect Prediction
Sharif University of Technology（谢里夫理工大学）
针对在线即时缺陷预测忽略项目上下文的问题，提出动态知识图谱KG-Commit，增量维护仓库与代码结构，在11个Apache项目上以CPU推理取得最优Macro-F1、G-Mean和AUC，且延迟稳定。
2026-09-11 cs.SE
ReDef: Do Code Language Models Truly Understand Code Changes for Just-in-Time Software Defect Prediction?
Jeonbuk National University（全北国立大学）
ReDef通过高置信度的函数级修改数据集评估代码语言模型对代码变更的理解，发现紧凑的diff编码在所有模型中表现最佳，但反事实测试显示性能稳定，表明模型依赖于表面线索而非真实语义理解。
2026-04-02 cs.AI cs.SE
Mining Action Rules for Defect Reduction Planning
Polytechnique Montréal（蒙特利尔理工学院）
本文提出CounterACT，一种无需黑盒模型的反事实行动规则挖掘方法，用于生成缺陷减少计划，在9个软件项目上相比现有方法实现了更高的重叠分数和更好的精确率-召回率权衡，并探索了利用LLM生成可操作的代码编辑。
2024-05-22 cs.LG cs.SE
On the Benefit of Automated Static Analysis for Small and Medium-Sized Software Enterprises
当今软件行业的中小企业面临着重大挑战。在使用有限资源高效工作的同时，他们必须对代码进行质量保证，以避免进一步修复错误或补偿的风险。自动化的静态分析可以降低这种风险，因为它保证运行分析的工作量很小。我们报告我们的经验，分析五个项目，并与中小企业通过三种不同的静态分析技术：代码克隆检测，错误模式检测和架构一致性分析。我们发现，引入这些技术所需的工作量很小（大部分低于一个人小时），我们可以检测到生产代码中的各种缺陷，并且参与公司认为所提出的技术的有用性以及我们的分析结果足够高，可以将这些技术纳入其质量保证。
2016-11-22 cs.SE
Detecting Concept Drift for the reliability prediction of Software Defects using Instance Interpretation
Faculty of Computer Engineering, K.N. Toosi University of Technology（K.N.图西工业大学计算机工程学院）
本文提出通过识别无标签简化和重采样数据解释中的变化来直接检测概念漂移点，以构建可靠的JIT-SDP模型，并在重平衡数据和简单数据上分别与阈值无关和阈值依赖基线方法表现出更高兼容性。
2023-05-06 cs.LG cs.SE
AI-Augmented Closed-Loop Quality Engineering: A Reference Architecture for Continuous Software Quality Intelligence
Dimple Bajaj
提出一种AI增强的闭环参考架构，通过需求特征挖掘、风险测试优先级、缺陷预测和生产事件分析，结合有限反馈学习模型，在六个发布周期中减少缺陷泄漏、提高检测效率并缩短测试执行时间。
2026-06-07 cs.AI cs.SE
Governance Controls for AI-Generated Test Artifacts in Autonomous Software Testing
提出治理感知自主测试框架(GATF)，通过治理验证、可解释性分析、风险评估、合规监控和审计治理，将AI生成测试工件的治理风险降低89.6%，准确率达94.3%。
2026-06-07 cs.AI cs.SE
Analysis of Failures and Risks in Deep Learning Model Converters: A Case Study in the ONNX Ecosystem
Purdue University（普渡大学）；Loyola University Chicago（芝加哥洛约拉大学）
本文以 ONNX 生态系统为案例，通过开发者调查和 200 个 PyTorch/TensorFlow 转换器问题分析，揭示节点转换阶段约占 75% 缺陷、33% 故障源于语义错误模型，并指出行为不一致模型共享算子序列，为提升 DL 互操作软件的可维护性与验证能力提供依据。
2024-09-02 cs.LG cs.SE
Free Open Source Communities Sustainability: Does It Make a Difference in Software Quality?
本研究通过贝叶斯分析217个Apache项目，发现FOSS社区可持续性指标对缺陷密度和覆盖率无显著影响，但社区年龄提升部分代码质量指标，且可持续性社区仍存在代码质量退化现象。
2024-02-10 cs.SE
AI Code in the Wild: Measuring Security Risks and Ecosystem Shifts of AI-Generated Code in Modern Software
Peking University（北京大学）；Tencent（腾讯）
本文研究了AI生成代码在现实世界中的安全风险和生态系统变化，通过大规模实证分析揭示了AI代码在软件开发中的分布、安全影响及人类与AI协作中的安全机制。
2025-12-21 cs.AI cs.SE
