本文探讨了利用机器学习和统计分析进行bug预测，以应用于I18n测试的可能性。介绍了Google工程师的开源项目Bugspots作为静态代码测试工具，并提出了三种可能的选择：Bugspots（需要针对I18n测试重写）、Globalyzer（商业工具，需定制）和vGlobal（作者自编的Eclipse插件，语法感知）。强调没有银弹测试技术，高效的I18n测试应结合黑盒探索性测试、白盒代码测试、灰盒API CLI测试、动态自动化回归测试和静态代码级测试等多方面进行。
提到机器学习，相信不少人心中都会默默的飘过三个字——树新风！眼下这样的评价倒也蛮中肯的！但就历史经验看，新技术的步伐往往比我们想象中的都大，所以我们有理由相信随着deeplearning的日渐成熟，不久的将来计算机的自我编程应该不会再只是科幻小说里的桥段。
本文的主题不是机器学习，也不是自我编程，而是bug预测程序。目的是通过使用机器学习和统计分析，来自动判断某一行代码是否存在瑕疵。其实代码的静态测试技术由来已久，例如BugFinders，近期比较popular的开源项目是来自Google的工程师IlyaGrigorik的一个bug预测工具——Bugspots。GitHub地址如下：https://github.com/igrigorik/bugspots
通过命令行指定代码库对其进行扫描，Bugspots就会产生类似的示例信息提示dev对代码进行修改。
.. example output ..
Scanning 
最低0.47元/天 解锁文章
扫一扫
1752
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
