[发明专利]一种移动应用程序代码提交故障预测模型的可解释性方法

说明书

本发明提供了一种移动应用程序代码提交故障预测模型的可解释性方法，包括以下步骤：(1)通过挖掘版本控制系统，搜集来自移动应用程序项目内的代码提交，随后对代码提交进行度量和标注，形成数据集；(2)根据数据集，借助随机森林构建出移动应用程序代码提交故障预测模型；(3)当面对新的代码提交时，对该代码提交进行度量，然后输入到代码提交故障预测模型中，得到预测结果；(4)对局部可解释性技术LIME进行超参优化，使用超参优化的LIME方法ExplainApp生成该预测结果的解释。本发明的有益效果为：预测出新的代码提交是否会引入故障，同时可以给出相应的高质量解释，辅助开发人员完成后续故障的理解、定位和修复。

技术领域

本发明涉及计算机技术领域，尤其涉及一种移动应用程序代码提交故障预测模型的可解释性方法。

背景技术

近年来，移动互联网的蓬勃发展，智能移动设备的迅速普及，越来越多的智能手机用户通过他们的设备进行相互通信、获取信息和娱乐。用户可以随时在应用市场上下载各种应用软件，开发人员也不断地开发新的应用软件或者更新优化已发布的软件，来满足用户的需求和优化用户的体验。然而，应用程序的频繁更新，将涉及大量的代码提交，可能会给新版本的移动应用程序引入故障，从而影响应用的质量。在移动应用程序的开发和维护过程中，及时发现故障并由开发人员解决，可以避免一些不必要的损失。检测故障这一任务被称为故障预测。

研究人员提出了提交级的软件故障预测，用于识别新提交的代码变更是否会引入故障，从而为开发人员提供及时的反馈，以便尽早发现并修复故障。目前，已有研究将代码提交故障预测应用于移动应用程序上，因其具有细粒度、即时性、可追溯性好等优点，对于更新频繁的移动应用程序，提交级故障预测是合适的。

然而，在移动应用程序代码提交故障预测领域，大部分研究只关注预测模型的性能，而忽略了模型的可解释性。故障预测模型应用机器学习技术可以很好地检测出目标代码片段是否含有故障，但一些机器学习模型基于黑盒模型(如随机森林，神经网络等)，因此并不具有可解释性。也就是说，我们给模型一个输入，模型给我们一个预测结果，但我们并不知道模型给我们这个结果背后的依据是什么。这会造成开发人员对于故障预测模型的预测结果缺乏信任，并阻碍了故障预测模型在实践中的应用。

如何解决上述技术问题成为本发明面临的课题。

发明内容

本发明的目的在于提供一种移动应用程序代码提交故障预测模型的可解释性方法，可以更好地帮助开发人员理解代码提交故障预测模型对测试实例产生的预测结果。

本发明的思想为：本发明将超参优化后的可解释方法应用到移动应用程序代码提交故障预测上，对预测结果提供可视化的解释，通过数据集构建一个移动应用程序代码提交故障预测模型，对局部可解释模型LIME进行超参优化，然后使用超参优化后的LIME对模型得到的单个样本结果进行局部解释，就局部线性回归模型的拟合优度(R2)而言，超参优化后的LIME模型优于原始的LIME模型。

本发明是通过如下措施实现的：一种移动应用程序代码提交故障预测模型的可解释性方法，其中，包括以下步骤：

(1)通过挖掘版本控制系统，搜集来自移动应用程序项目内的代码提交。对代码提交首先从代码提交的分散程度、代码提交的修改量、代码提交的修改目的、代码提交的历史、代码提交相关开发人员的经验这五个维度设计特征，并利用这些特征对搜集的代码提交进行度量。随后对代码提交进行标注，即标记为引入故障的代码提交和未引入故障的代码提交。完成代码提交的度量和标记后，形成数据集D。

(2)基于数据集D，借助随机森林构建出代码提交故障预测模型M。

(3)当面对新的代码提交x时，采用步骤1中相同的特征对该代码提交进行度量，随后输入到代码提交故障预测模型M中，得到预测结果(即检测该代码提交是否会引入故障)。