融合多类特征的语句级缺陷定位方法OA

现有基于深度学习的语句级缺陷定位方法通过深度学习模型学习各种传统缺陷定位方法计算出的可疑度值等特征来进行缺陷定位,其主要关注执行测试用例的动态信息,未关注缺陷语句与非缺陷语句之间的类不平衡问题,缺陷定位的准确性有待进一步提高。为此,提出了一种融合多类特征的语句级缺陷定位方法SMSDFL(combining spectrum,mutation and semantic features for deep fault localization),该方法将多种基于频谱和变异的缺陷定位方法计算的可疑度值作为频谱特征和变异特征,利用数据流和控制流对代码语句进行切片,获取与对应语句存在依赖关系的代码片段,以计算Overlap、Tightness等度量元作为其语义特征;采用生成对抗网络扩增缺陷语句的特征数据来解决缺陷语句与非缺陷语句之间的类不平衡问题;将这三类特征进行融合输入到递归神经网络中计算语句的可疑度值,并根据可疑度值对语句进行降序排序,以定位缺陷语句。为评估SMSDFL的缺陷定位性能在Defects4J数据集上进行了实验。实验结果表明,SMSDFL取得了比现有方法更好的缺陷定位效果,其中,仅检查可疑语句排名中的第一条语句时,SMSDFL比Ochiai、MUSE、CGAN4FL和GRACE分别多定位到166、161、151、68条缺陷语句。