软件学报

作者：邓文涛，程璨，何鹏，陈孟瑶，李兵

单位：邓文涛，湖北大学 计算机与信息工程学院, 湖北 武汉 430062;武汉工商学院 计算机与自动化学院, 湖北 武汉 430065;智能感知系统与安全教育部重点实验室 (湖北大学), 湖北 武汉 43006211,程璨，湖北大学 人工智能学院, 湖北 武汉 430062;智能感知系统与安全教育部重点实验室 (湖北大学), 湖北 武汉 43006202,何鹏，湖北大学 计算机与信息工程学院, 湖北 武汉 430062;智能感知系统与安全教育部重点实验室 (湖北大学), 湖北 武汉 43006203,陈孟瑶，湖北大学 计算机与信息工程学院, 湖北 武汉 430062;智能感知系统与安全教育部重点实验室 (湖北大学), 湖北 武汉 43006204,李兵，武汉大学 计算机学院, 湖北 武汉 43007205

关键词：软件网络;交互关系预测;Graph Transformer;粒度差异;软件质量

基金：国家自然科学基金(62032016); 湖北省自然科学基金青年项目(2023AFB374)

当下, 软件系统中元素间的交互错综复杂, 涵盖了包间、类间和函数间等多种关系. 准确理解这些关系对于优化系统结构以及提高软件质量至关重要. 分析包间关系有助于揭示模块间的依赖性, 有利于开发者更好地管理和组织软件架构; 而类间关系的明晰理解则有助于构建更具扩展性和可维护性的代码库; 清晰了解函数间关系则能够迅速定位和解决程序中的逻辑错误, 提升软件的鲁棒性和可靠性. 然而, 现有的软件系统交互关系预测存在着粒度差异、特征不足和版本变化等问题. 针对这一挑战, 从软件包、类和函数这3种粒度构建相应的软件网络模型, 并提出一种结合局部和全局特征的全新方法, 通过软件网络的特征提取和链路预测方式, 来增强对软件系统的分析和预测. 该方法基于软件网络的构建和处理, 具体步骤包括利用node2vec方法学习软件网络的局部特征, 并结合拉普拉斯特征向量编码以综合表征节点的全局位置信息. 随后, 利用Graph Transformer模型进一步优化节点属性的特征向量, 最终完成软件系统的交互关系预测任务. 在3个Java开源项目上进行广泛的实验验证, 包括版本内和跨版本的交互关系预测任务. 实验结果显示, 相较于基准方法, 所提方法在版本内的预测任务中, 平均AUC和AP值分别提升8.2%和8.5%; 在跨版本预测任务中, 平均AUC和AP值分别提升3.5%和2.4%.

来源：2025年第5期

《软件学报》期刊编辑部

查看软件学报杂志2025年第5期