本發(fā)明屬于軟件缺陷預(yù)測領(lǐng)域，具體涉及一種基于代碼克隆分析的自動駕駛軟件缺陷預(yù)測方法及系統(tǒng)。

背景技術(shù)：

1、近年來，隨著軟件系統(tǒng)復(fù)雜度的不斷增加，軟件缺陷預(yù)測技術(shù)已成為軟件工程研究的重點領(lǐng)域。傳統(tǒng)的軟件缺陷預(yù)測方法主要依賴于靜態(tài)代碼分析和軟件度量，如圈復(fù)雜度、代碼行數(shù)等，對軟件進(jìn)行多粒度（如模塊、方法、類）的缺陷預(yù)測分析。這些方法通常采用決策樹、支持向量機、邏輯回歸、樸素貝葉斯等機器學(xué)習(xí)算法。然而，這些傳統(tǒng)方法在處理大規(guī)模、高復(fù)雜度的軟件系統(tǒng)時往往顯得力不從心。

2、隨著人工智能技術(shù)的快速發(fā)展，自動駕駛成為科技領(lǐng)域的焦點。自動駕駛軟件作為一個典型的大規(guī)模、高復(fù)雜度、安全攸關(guān)的軟件系統(tǒng)，其質(zhì)量直接關(guān)系到人身安全和財產(chǎn)安全。然而，自動駕駛軟件同樣面臨著軟件缺陷的挑戰(zhàn)。隨著其規(guī)模和復(fù)雜度的不斷增加，軟件維護(hù)的難度也隨之上升。在開發(fā)迭代過程中，軟件缺陷的產(chǎn)生似乎不可避免，而這些缺陷可能導(dǎo)致災(zāi)難性后果，且修復(fù)成本高昂。

3、在軟件開發(fā)中，復(fù)制現(xiàn)有的代碼片段并將它們粘貼到代碼的其他部分中是一種常見的行為，是代碼重用的一種體現(xiàn)，復(fù)制的代碼稱為代碼克隆。已有研究表明，自動駕駛軟件中代碼克隆占比高達(dá)20%。雖然代碼克隆可以提高開發(fā)效率，但也會在一定程度上影響軟件質(zhì)量。然而，現(xiàn)有的缺陷預(yù)測方法很少考慮代碼克隆對軟件缺陷的影響。

4、此外，傳統(tǒng)的缺陷預(yù)測方法大多針對粗粒度的軟件單元，這在實際應(yīng)用中可能會耗費開發(fā)者大量的時間和精力進(jìn)行缺陷定位。而更細(xì)粒度的預(yù)測（如文件級別）雖然可以提高精確度，但如何在保證預(yù)測準(zhǔn)確性的同時提高效率仍是一個挑戰(zhàn)。

技術(shù)實現(xiàn)思路

1、本發(fā)明要解決的技術(shù)問題是：提供一種基于代碼克隆分析的自動駕駛軟件缺陷預(yù)測方法及系統(tǒng)，能夠更精準(zhǔn)地定位缺陷，同時保證度量提取的便利性。

2、本發(fā)明為解決上述技術(shù)問題所采取的技術(shù)方案為：

3、作為本發(fā)明的第一方面，本發(fā)明提供一種基于代碼克隆分析的自動駕駛軟件缺陷預(yù)測方法，包括：

4、將缺陷預(yù)測對象克隆到本地；缺陷預(yù)測對象為自動駕駛軟件；

5、提取缺陷預(yù)測對象中的軟件度量特征；

6、設(shè)計和提取缺陷預(yù)測對象中各個文件的代碼克隆特征；

7、根據(jù)歷史提交記錄，對缺陷預(yù)測對象中的各個文件進(jìn)行缺陷標(biāo)記，標(biāo)記后的文件作為訓(xùn)練集；

8、將各個文件的代碼克隆特征和軟件度量特征作為特征集合，采用隨機森林算法構(gòu)建缺陷預(yù)測模型，利用訓(xùn)練集對缺陷預(yù)測模型進(jìn)行訓(xùn)練，直至達(dá)到訓(xùn)練要求；

9、將來自缺陷預(yù)測對象的新的文件，輸入到已訓(xùn)練好的缺陷預(yù)測模型進(jìn)行缺陷預(yù)測。

10、按上述方法，軟件度量特征利用靜態(tài)代碼分析軟件提?。?/p>

11、軟件度量特征包括代碼行數(shù)、總行數(shù)、圈復(fù)雜度、扇入、扇出與六項ck套件指標(biāo)；其中，代碼行數(shù)不包含空白行和注釋行；代碼總行數(shù)包含空白行和注釋行。六項ck套件指標(biāo)包括wmc-類的加權(quán)方法數(shù)、dit-繼承樹的深度、noc-類的直接子類數(shù)、cbo-對象間的耦合度、rfc-類的響應(yīng)集的大小、lcom-方法內(nèi)聚性的缺失。

12、按上述方法，代碼克隆特征通過以下方式得到：

13、利用克隆代碼檢測軟件提取缺陷預(yù)測對象中的克隆代碼，然后進(jìn)行分析和計算，得到的代碼克隆特征包括克隆代碼行數(shù)、克隆代碼塊數(shù)、克隆代碼行數(shù)占比、克隆方法數(shù)、克隆方法數(shù)占比。

14、按上述方法，在計算克隆代碼行數(shù)時，對于存在于同一文件中的重復(fù)克隆代碼段，采用并集的方法來計算；

15、克隆代碼行數(shù)占比為文件中的克隆代碼行數(shù)占文件中的代碼總行數(shù)的百分比。

16、按上述方法，在計算克隆代碼塊時，將有交集的克隆代碼片段視為一個完整的克隆代碼塊。

17、按上述方法，在計算克隆方法數(shù)時，在本地配置tree-sitter庫及相關(guān)依賴，對文件進(jìn)行解析生成語法解析樹，統(tǒng)計各個文件包含的所有方法名、各方法的起始代碼行和終止代碼行；

18、判斷：克隆代碼段的起始行是否大于等于文件中某個方法的起始行，并且克隆代碼段的終止行是否小于等于該方法的終止行；若有方法尚未被統(tǒng)計，則認(rèn)為該方法涉及到代碼克隆；

19、在滿足以上條件的情況下，將該文件中的克隆方法數(shù)加一，并將該方法標(biāo)記為已統(tǒng)計。

20、按上述方法，在利用訓(xùn)練集對缺陷預(yù)測模型進(jìn)行訓(xùn)練之前，對訓(xùn)練集中的數(shù)據(jù)進(jìn)行預(yù)處理，預(yù)處理包括缺失值處理、異常值檢測和特征縮放；

21、利用resample方法，采用隨機抽樣并替換的策略來創(chuàng)建新樣本，得到缺陷文件和非缺陷文件比例范圍在一定誤差范圍內(nèi)的均衡訓(xùn)練集。

22、按上述方法，所述的缺陷預(yù)測模型采用隨機森林算法構(gòu)建。

23、按上述方法，在構(gòu)建缺陷預(yù)測模型時，采用主成分分析法對特征集合進(jìn)行數(shù)據(jù)降維處理，采用降維后的數(shù)據(jù)集合構(gòu)建缺陷預(yù)測模型。

24、作為本發(fā)明的第二方面，本發(fā)明提供一種基于代碼克隆分析的自動駕駛軟件缺陷預(yù)測系統(tǒng)，包括：

25、克隆模塊，用于將缺陷預(yù)測對象克隆到本地；缺陷預(yù)測對象為自動駕駛軟件；

26、代碼克隆特征提取模塊，用于設(shè)計和提取缺陷預(yù)測對象中各個文件的代碼克隆特征；

27、軟件度量特征提取模塊，用于提取缺陷預(yù)測對象中的軟件度量特征；

28、訓(xùn)練集模塊，用于根據(jù)歷史提交記錄，對缺陷預(yù)測對象中的各個文件進(jìn)行缺陷標(biāo)記，標(biāo)記后的文件作為訓(xùn)練集；

29、缺陷預(yù)測模型構(gòu)建模塊，用于將各個文件的代碼克隆特征和軟件度量特征作為特征集合，采用隨機森林算法構(gòu)建缺陷預(yù)測模型，利用訓(xùn)練集對缺陷預(yù)測模型進(jìn)行訓(xùn)練，直至達(dá)到訓(xùn)練要求；

30、缺陷預(yù)測模塊，用于將來自缺陷預(yù)測對象的新的文件，輸入到已訓(xùn)練好的缺陷預(yù)測模型進(jìn)行缺陷預(yù)測。

31、本發(fā)明的有益效果為：

32、1、充分利用了自動駕駛軟件中普遍存在的代碼克隆現(xiàn)象，引入代碼克隆特征，與軟件度量特征一起作為缺陷預(yù)測模型的特征，同時融合歷史提交記錄中的缺陷結(jié)構(gòu)，構(gòu)建更全面、更有代表性的特征集，提升自動駕駛軟件缺陷預(yù)測的精度；聚焦于文件級別的缺陷預(yù)測，比傳統(tǒng)的粗粒度預(yù)測更能精準(zhǔn)地定位缺陷，同時保證了度量提取的便利性，在精度和效率之間取得了平衡。

33、2、采用十折交叉驗證對缺陷預(yù)測模型進(jìn)行性能評估，選擇隨機森林算法構(gòu)建缺陷預(yù)測模型，進(jìn)一步提高缺陷預(yù)測的準(zhǔn)確度。

技術(shù)特征：

1.一種基于代碼克隆分析的自動駕駛軟件缺陷預(yù)測方法，其特征在于：包括：

2.根據(jù)權(quán)利要求1所述的基于代碼克隆分析的文件級缺陷預(yù)測方法，其特征在于：軟件度量特征利用靜態(tài)代碼分析軟件提取；

3.根據(jù)權(quán)利要求1所述的基于代碼克隆分析的文件級缺陷預(yù)測方法，其特征在于：代碼克隆特征通過以下方式得到：

4.根據(jù)權(quán)利要求3所述的基于代碼克隆分析的文件級缺陷預(yù)測方法，其特征在于：在計算克隆代碼行數(shù)時，對于存在于同一文件中的重復(fù)克隆代碼段，采用并集的方法來計算；

5.根據(jù)權(quán)利要求3所述的基于代碼克隆分析的文件級缺陷預(yù)測方法，其特征在于：在計算克隆代碼塊時，將有交集的克隆代碼片段視為一個完整的克隆代碼塊。

6.根據(jù)權(quán)利要求3所述的基于代碼克隆分析的文件級缺陷預(yù)測方法，其特征在于：在計算克隆方法數(shù)時，在本地配置tree-sitter庫及相關(guān)依賴，對文件進(jìn)行解析生成語法解析樹，統(tǒng)計各個文件包含的所有方法名、各方法的起始代碼行和終止代碼行；

7.根據(jù)權(quán)利要求1所述的基于代碼克隆分析的文件級缺陷預(yù)測方法，其特征在于：在利用訓(xùn)練集對缺陷預(yù)測模型進(jìn)行訓(xùn)練之前，對訓(xùn)練集中的數(shù)據(jù)進(jìn)行預(yù)處理，預(yù)處理包括缺失值處理、異常值檢測和特征縮放；

8.根據(jù)權(quán)利要求1所述的基于代碼克隆分析的文件級缺陷預(yù)測方法，其特征在于：所述的缺陷預(yù)測模型采用隨機森林算法構(gòu)建。

9.根據(jù)權(quán)利要求1所述的基于代碼克隆分析的文件級缺陷預(yù)測方法，其特征在于：在構(gòu)建缺陷預(yù)測模型時，采用主成分分析法對特征集合進(jìn)行數(shù)據(jù)降維處理，采用降維后的數(shù)據(jù)集合構(gòu)建缺陷預(yù)測模型。

10.一種基于代碼克隆分析的自動駕駛軟件缺陷預(yù)測系統(tǒng)，其特征在于：包括：

技術(shù)總結(jié)
本發(fā)明提供一種基于代碼克隆分析的自動駕駛軟件缺陷預(yù)測方法及系統(tǒng)，所述的方法包括：將缺陷預(yù)測對象克隆到本地；缺陷預(yù)測對象為自動駕駛軟件；設(shè)計和提取缺陷預(yù)測對象中各個文件的代碼克隆特征；提取缺陷預(yù)測對象中的軟件度量特征；根據(jù)歷史提交記錄，對缺陷預(yù)測對象中的各個文件進(jìn)行缺陷標(biāo)記，標(biāo)記后的文件作為訓(xùn)練集；將各個文件的代碼克隆特征和軟件度量特征作為特征集合，構(gòu)建缺陷預(yù)測模型，利用訓(xùn)練集對缺陷預(yù)測模型進(jìn)行訓(xùn)練，直至達(dá)到訓(xùn)練要求；將來自缺陷預(yù)測對象的新的文件，輸入到已訓(xùn)練好的缺陷預(yù)測模型進(jìn)行缺陷預(yù)測。本發(fā)明引入代碼克隆特征，構(gòu)建更全面的特征集，提升自動駕駛軟件缺陷預(yù)測的精度。

技術(shù)研發(fā)人員：莫然,周宸怡
受保護(hù)的技術(shù)使用者：華中師范大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/15