刁旭炀，刘晓阳，徐 利，陈天群，徐亚周

(1.上海机电工程研究所，上海 201109； 2.上海航天电子技术研究所，上海 201109)

0 引 言

规模庞大和复杂的软件容易产生缺陷，从而导致整个系统在运行时产生错误、失效甚至崩溃，越晚发现软件缺陷则修复成本就越高。对于一个严重的缺陷来说，如果在软件发布之后才定位识别出来，那么其带来的修复代价往往是在需求和设计阶段的几十甚至几百倍，这对于企业来说是不可估量的经济损失。而对于一个架构复杂的软件，组织人员进行代码测试和审查需要耗费大量的人力物力资源，通常无法高效地发现软件缺陷。因此，如果能挖掘软件项目中的历史数据，设计出相关典型的度量特征，对软件中的程序模块进行缺陷倾向性预测，就可根据预测结果对缺陷倾向度高的程序模块进行重点测试与维护，从而有效地提高软件质量保障的效率。软件缺陷预测技术[1]正是从软件项目中去挖掘有效信息并设计缺陷度量特征，运用相关机器学习算法建立可靠的缺陷预测模型，来识别定位新程序模块的潜在缺陷。

按照源项目与目标项目是否同源，软件缺陷预测可分为源项目与目标项目同源的同项目软件缺陷预测[2-4](Within-Project Defect Prediction, WPDP)和源项目与目标项目不同源的跨项目软件缺陷预测[5-6](Cross-Project Defect Prediction, CPDP)。同项目软件缺陷预测通常运用于一个已经过多轮迭代开发的项目，此时历史项目版本中可供提取的实例集合足以支撑缺陷预测的建模。……