本申請實施例涉及軟件分析及缺陷預測，尤其涉及一種可解釋的缺陷預測方法及相關設備。
背景技術：
：：1、可解釋性是實踐缺陷預測的關鍵方面。現有的工作量感知的軟件缺陷預測（預測代碼模塊有無缺陷）方法使用缺陷數據集（代碼模塊的特征以及該模塊的缺陷數）訓練一個缺陷預測模型。該模型通常是復雜的機器學習模型，如深度學習模型。最后，基于預測結果對代碼模塊進行排序。然而，這些模型的黑盒決策過程導致預測結果的可解釋性較差。2、為了提高缺陷預測模型的可解釋性，近年來，研究者們開始采用模型無關的解釋方法（如局部可解釋性方法（lime，local?interpretable?model-agnostic?explanations）或機器學習模型解釋工具（shap，shapley?additive?explanations）等）來解釋單個預測結果。對于一個新的代碼模塊，缺陷預測模型會預測其缺陷概率。然后，使用模型無關的解釋方法（如lime）來解釋該預測結果。這些解釋方法基于復雜的擾動機制生成解釋。3、具體而言，為了生成針對特定預測的特征重要性，這些方法通常對待解釋的實例進行修改，并觀察模型輸出的變化。解釋方法會輸出每個特征對預測結果的貢獻度，即特征重要性。然而，這些解釋方法存在一些問題：首先，它們將預測模型視為黑箱，降低了開發人員對解釋的信任；其次，這些方法依賴于復雜的擾動機制，可能會生成不準確甚至誤導性的解釋；最后，生成的解釋可能由于隨機性而不穩定。技術實現思路1、本申請實施例提供了一種可解釋的缺陷預測方法及相關設備，用于可解釋的描述在軟件缺陷預測中的決策過程。2、本申請實施例第一方面提供了一種可解釋的缺陷預測方法，包括：3、基于待分析軟件項目的歷史數據構建缺陷數據集，從所述待分析軟件項目的當前數據得到所述待分析軟件項目中的每個待分析代碼模塊以及對應于所述每個待分析代碼模塊的代碼模塊特征；其中，所述代碼模塊特征用于表征所述待分析代碼模塊的數值特征；4、若任一待分析代碼模塊中任一代碼模塊特征的模塊特征值為目標特征值，根據所述缺陷數據集，確定任一待分析代碼模塊中任一代碼模塊特征的實際缺陷率和期望缺陷率；其中，所述期望缺陷率為所述缺陷數據集中所有模塊特征值為所述目標特征值的缺陷代碼模塊的代碼模塊總行數與所述缺陷數據集中所有缺陷代碼模塊的總代碼模塊總行數的比值，所述實際缺陷率為所述缺陷數據集中所有模塊特征值為所述目標特征值的缺陷代碼模塊的代碼模塊缺陷總數與所述缺陷數據集中所有缺陷代碼模塊的總代碼模塊缺陷總數的比值；所述缺陷數據集包括對應不同模塊特征值的代碼模塊總行數及代碼模塊缺陷總數，以及對應所有缺陷代碼模塊的總代碼模塊總行數及總代碼模塊缺陷總數；所述缺陷代碼模塊為所述缺陷數據集中的代碼模塊；5、計算所述實際缺陷率與所述期望缺陷率的差值，得到所述任一代碼模塊中所述任一代碼模塊特征的特征缺陷分數；6、計算所述任一待分析代碼模塊中所有代碼模塊特征的特征缺陷分數，得到所述任一待分析代碼模塊的模塊缺陷分數；其中，所述模塊缺陷分數用于表征待分析代碼模塊的缺陷傾向性；7、當得到所有待分析代碼模塊的模塊缺陷分數后，對所有模塊缺陷分數進行排序，以按照所述所有模塊缺陷分數由大到小的順序，依次對所述待分析軟件項目中的所述所有待分析代碼模塊進行處理。8、本申請實施例第二方面提供了一種可解釋的缺陷預測裝置，包括：9、中央處理器，存儲器，輸入輸出接口，有線或無線網絡接口以及電源；10、所述存儲器為短暫存儲存儲器或持久存儲存儲器；11、所述中央處理器配置為與所述存儲器通信，并執行所述存儲器中的指令操作以執行第一方面所述的可解釋的缺陷預測方法。12、本申請實施例第三方面提供了一種計算機可讀存儲介質，所述計算機可讀存儲介質包括指令，當所述指令在計算機上運行時，使得計算機執行第一方面所述的可解釋的缺陷預測方法。13、本申請實施例第四方面提供了一種計算機程序產品，所述計算機程序產品包括指令，當所述指令在計算機上運行時，使得計算機執行第一方面所述的可解釋的缺陷預測方法。14、從以上技術方案可以看出，本申請實施例具有以下優點：通過本申請實施例公開的一種可解釋的缺陷預測方法，通過計算軟件項目中每個代碼模塊的實際缺陷率和期望缺陷率的偏移來評估該代碼模塊的缺陷傾向性和缺陷分數，并將缺陷分數進行排序，從而指示模塊特征對于代碼模塊的缺陷分數的重要性，并可解釋的描述評估過程，提高了解釋的準確性和穩定性。同時，開發人員可以按照排序順序依次對代碼模塊進行調整，提高了軟件的缺陷修復效率。技術特征：1.一種可解釋的缺陷預測方法，其特征在于，所述方法包括：2.根據權利要求1所述的可解釋的缺陷預測方法，其特征在于，所述從所述待分析軟件項目的當前數據得到所述待分析軟件項目中的每個待分析代碼模塊以及對應于所述每個待分析代碼模塊的代碼模塊特征，包括：3.根據權利要求1所述的可解釋的缺陷預測方法，其特征在于，所述根據所述缺陷數據集，確定所述任一代碼模塊特征的實際缺陷率和期望缺陷率，包括：4.根據權利要求1所述的可解釋的缺陷預測方法，其特征在于，所述根據所述缺陷數據集，確定任一待分析代碼模塊中任一代碼模塊特征的實際缺陷率和期望缺陷率，包括：5.根據權利要求4所述的可解釋的缺陷預測方法，其特征在于，所述篩選出代碼模塊特征的模塊特征值為區間窗口特征值的缺陷代碼模塊之前，所述方法還包括：6.根據權利要求5所述的可解釋的缺陷預測方法，其特征在于，所述目標區間窗口的獲取方式，包括：7.根據權利要求6所述的可解釋的缺陷預測方法，其特征在于，所述中止迭代，將迭代后的初始區間窗口確定為所述目標區間窗口之前，所述方法還包括：8.根據權利要求6所述的可解釋的缺陷預測方法，其特征在于，所述方法還包括：9.一種可解釋的缺陷預測裝置，其特征在于，所述裝置包括：10.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質包括指令，當所述指令在計算機上運行時，使得計算機執行如權利要求1至8中任意一項所述的可解釋的缺陷預測方法。技術總結本申請實施例提供了一種可解釋的缺陷預測方法及相關設備，用于可解釋的描述在軟件缺陷預測中的決策過程。本申請實施例方法包括：基于待分析軟件項目的歷史數據構建缺陷數據集，從待分析軟件項目的當前數據得到待分析軟件項目中的待分析代碼模塊以及代碼模塊特征；根據缺陷數據集，確定任一待分析代碼模塊中任一代碼模塊特征的實際缺陷率和期望缺陷率；計算實際缺陷率與期望缺陷率的差值，得到特征缺陷分數；計算任一待分析代碼模塊中所有代碼模塊特征的特征缺陷分數，得到模塊缺陷分數；當得到所有待分析代碼模塊的模塊缺陷分數后，對所有模塊缺陷分數進行排序，依次對待分析軟件項目中的所有待分析代碼模塊進行處理。技術研發人員：胡亞敏,羅文堅,張棒,陳科勝受保護的技術使用者：哈爾濱工業大學（深圳）（哈爾濱工業大學深圳科技創新研究院）技術研發日：技術公布日：2025/4/24