19、基于深度神经网络最优超参数的软件缺陷预测框架

基于深度神经网络最优超参数的软件缺陷预测框架

1. 引言

软件缺陷预测（SDP）是软件工程领域研究的重要课题。其主要目标是在软件测试人员进行测试之前，找出软件中的缺陷模块。在软件开发过程中尽早检测出故障至关重要，这有助于提供具有成本效益且高质量的软件产品。据统计，识别软件中的缺陷几乎占据了软件开发成本的 50%。在软件开发生命周期的早期阶段识别缺陷，可以防止缺陷从一个阶段扩散到后续阶段，因为在后续阶段，这些缺陷可能会变得更加复杂且修复成本更高。

此前，许多研究人员利用标准机器学习算法、集成技术和深度学习等方法开发了 SDP 模型。SDP 模型通过学习软件指标与输出标签之间的关系，来预测当前软件版本中易出现缺陷和不易出现缺陷的模块。这些模型借助诸如支持向量机、随机森林、朴素贝叶斯、Ada Boost、集成学习和深度学习模型等机器学习算法来完成任务。

深度学习模型近年来因其在各个领域的出色表现而备受关注。虽然已有研究将深度神经网络应用于 SDP，并在大多数数据集中取得了比其他机器学习模型略好的结果，但仍有提升空间。因此，本文提出了一种新颖的优化深度神经网络（ODNN）框架，旨在显著提升性能。该框架涉及处理数据不平衡问题、特征缩放以及基于网格搜索的优化，以找到超参数的最优值，从而在性能指标上超越其他标准机器学习算法，如朴素贝叶斯（NB）、支持向量机（SVM）、随机森林（RF）、AdaBoost 和基础深度神经网络（BDNN）。

本文的贡献主要包括：
- 提出了一种特定的 SDP 框架 ODNN，利用深度神经网络的最优超参数。通过基于网格搜索的优化技术分三个阶段进行超参数调整，以获得更好的结果。据我们所知，这是首个此类用于 SDP 的框架。
- 对