在软件缺陷预测中使用软件可视化和迁移学习

文章的动机是避开源代码的中间表示，将源代码表示为图像，直接提取代码的语义信息以改进缺陷预测的性能。

首先，看到如下图所示的motivation示例。File1.java和File2.java两个示例中，虽然都包含了1个if语句、2个for语句和4个函数调用，但代码的语义和结构特征是不相同的。为验证将源代码转换成图像是否有助于区分不同的代码，作者进行了实验：将源代码根据字符的ASCII十进制数对应到像素，排列成像素矩阵，获取源代码的图像。作者指出，不同的源代码图像存在差异。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

Fig. 1 Motivation Example

文章主要的贡献如下：

将代码转换成图像，从中提取语义和结构信息；

提出一种端到端的框架，结合自注意力机制和迁移学习实现缺陷预测。

文章提出的模型框架如图2所示，分为两个阶段：源代码可视化和深度迁移学习建模。

Fig. 2 Framework

1.源代码可视化

文章将源代码转换成6个图像，过程如图3所示。将源代码字符的10进制ASCII码转换成8bit无符号整数向量，按行和列对这些向量进行排列，生成图像矩阵。8bit整数直接对应到灰度等级。为解决原始数据集较小的问题，作者在文章中提出了一种基于颜色增强的数据集扩充方法：对R、G、B三个颜色通道的值进行排列组合，产生6个彩色图。这里看着挺迷的，变换了通道值后，语义和结构信息应该有所改变吧？但是作者在脚注上进行了解释，如图4所示。

Fig. 3 源代码可视化流程

Fig. 4 文章脚注2

2.深度迁移学习建模

文章使用DAN网络来捕获源代码的语义和结构信息。为增强模型对重要信息的表达能力，作者在原始DAN结构中加入了Attention层。训练与测试流程如图5所示，其中conv1-conv5来自于AlexNet，4个全连接层fc6-fc9作为分类器。作者提到，对于一个新的项目，训练深度学习模型需要有大量的标签数据，这是困难的。所以，作者首先在ImageNet 2012上训练了一个预训练模型，使用预训练模型的参数作为初始参数来微调所有卷积层，进而减少代码图像和ImageNet 2012中图像的差异。

Fig. 5 训练与测试流程

3.模型训练和预测

对Source项目中有标签的代码和Target项目中无标签的代码生成代码图像，同时送入模型；二者共享卷积层和Attention层来提取各自的特征。在全连接层计算Source和Target之间的MK-MDD（Multi Kernel Variant Maximum Mean Discrepancy）。由于Target没有标签，所以只对Source计算交叉熵。模型使用mini-batch随机梯度下降沿着损失函数训练模型。对每一个对的500个epoch，根据最好的F-measure从中选出一个epoch。

在实验部分，作者选择了PROMISE数据仓库中所有开源的Java项目，收集了它们的版本号、class name、是否存在bug的标签。根据版本号和class name在github中下载源码。最终，共采集了10个Java项目的数据。数据集结构如图6所示。

Fig. 6 数据集结构

对于项目内缺陷预测，文章选择如下baseline模型进行对比：

对于跨项目缺陷预测，文章选择如下baseline模型进行对比：

总结一下，虽然是两年前的论文了，但感觉思路还是比较新奇的，避开AST等一系列代码中间表示，直接将代码转换成图像提取特征。但是还是比较疑惑，代码转换成的图像真的包含源代码语义和结构信息吗？感觉可解释性不太强，哈哈。后面需要做实验分析下吧。

# 源代码  # 最好的  # 看着  # 这是  # 应到  # 进行了  # 开源  # 如图  # 转换成  # 所示  # Java  # bug  # https  # github  # ASCII  # promise  # class  # for  # if  # batch 

相关栏目： 【 Google疑问12 】 【 Facebook疑问10 】 【 网络优化91478 】 【 技术知识72672 】 【 云计算0 】 【 GEO优化84317 】 【 优选文章0 】 【 营销推广36048 】 【 网络运营41350 】 【 案例网站102563 】 【 AI智能45237 】

相关推荐： Spin Rewriter AI：终极内容创作与SEO优化指南  AI内容检测与优化：免费工具助你提升内容质量  EdrawMax AI：使用人工智能快速创建流程图和图表  如何利用AI优化简历关键词？轻松通过ATS筛选系统  秀米AI排版如何自动生成模板_秀米AI排版模板生成入口与风格选择【攻略】  如何通过 DeepSeek 进行深度神经网络超参数搜索  DeepSeek写合同怎么用_DeepSeek写合同使用方法详细指南【教程】  Postman Flows：构建智能AI驱动型工作流完全指南  律师视角下的生成式AI：信息爆炸时代的法律实践与未来展望  文心一言 4.0 在公文写作规范中的实战技巧  2025数据科学学习指南：技能、工具和学习路线图  Claude怎样写指令型提示词_Claude指令提示词写法【方法】  动漫肌肉美学：盘点最佳动漫肌肉男体格  Napkin AI：无需设计技能，AI一键生成精美图表  图像分割技术详解：定义、类型、技术与应用  唐库AI拆书工具如何批量导出笔记_唐库AI拆书工具批量导出与格式转换【方法】  3步教你用AI自动分类文件，整理电脑告别杂乱  AI工具投资指南：10个关键要素，助您明智决策  DeepSeek编程怎么用_DeepSeek编程使用方法详细指南【教程】  Bluecap：加拿大AI会议助手，提升混合办公效率  AI照片编辑：为你的单人照添加逼真女友，告别孤单  音乐天赋自测：你天生拥有绝对音感吗？15个问题揭晓  tofai官网最新入口地址 tofai网页版免下载  利用Gen AI和AI Agent进行软件测试：Ollama本地LLM实践  tofai怎么调整层级顺序 tofai图层上下移动方法【步骤】  AI赋能保险销售：提升邮件营销效果的终极指南  网络安全警钟：揭秘“美足”背后隐藏的危机与防范  扣子AI怎样设置多轮对话逻辑_扣子AI逻辑树搭建与分支设计【教程】  利用 DeepSeek 进行大规模 C++ 代码库审计  Excel AI：5大免费AI功能提升数据分析效率  去哪旅行ai抢票助手怎样添加备选车次_去哪旅行ai抢票助手备选车次设置与切换【攻略】  AI一键生成儿童绘本故事  千问能否生成多语言年终总结_千问多语言翻译与本地化调整【攻略】  智谱AI创意设计怎么用_智谱AI创意设计使用方法详细指南【教程】  如何利用 DeepSeek 进行多轮复杂对话的状态管理  如何利用豆包 AI 快速查询当地生活服务资讯  CallidusAI：提升合同起草效率的智能Word插件指南  v0 Report深度测评：AI文档生成器的优缺点分析与实用指南  AI写作工具检测：学生如何避免学术不端行为  ChatGPT 如何助力建筑承包商？三大实用技巧解析  AI驱动的合同审查：Adobe Acrobat AI助手提升效率与准确性  AI图像生成平台深度对比：Midjourney vs. Stable Diffusion  豆包Ai官方网页版入口地址_豆包Ai官网在线使用入口  豆包Ai在线使用入口_豆包Ai官方网站最新登录地址  tofai网页版官方入口 tofai官网登录网址  Google AI Studio：免费AI视频生成器使用指南  LTX Studio：AI电影制作平台深度评测与应用指南  Lovart AI设计助手：AI驱动设计，零成本开启创意新纪元  AI视频生成器：免费工具，图像转视频和文字转视频  斑马AI能否查看孩子学习报告_斑马AI报告查看与数据解读【方法】 

 2023-04-13