近日，张晨博士以第一作者身份在国际软件工程期刊《IEEE Transactions on Software Engineering》（TSE）发表题为“Aging-related Bug Prediction based on Multi-view Graph Feature Learning and Graph-Transformer”的研究论文。
软件老化缺陷（Aging-related Bugs, ARBs）是影响长期运行软件系统可靠性的重要因素，但现有预测方法主要依赖人工设计度量特征，难以充分挖掘代码深层语义与复杂结构信息。针对这一问题，本文提出了一种基于多视角图特征学习与Graph-Transformer的软件老化缺陷预测框架。该方法融合面向老化缺陷特性的代码语义特征与代码属性图结构信息，通过图Transformer模型学习代码层次结构和变量依赖关系，实现对复杂老化缺陷模式的有效建模。
此外，本文结合子图采样与类别不平衡优化策略，进一步提升模型对少数类老化缺陷的识别能力。实验结果表明，该方法在Linux、MySQL和NetBSD三个真实开源软件项目数据集上均优于现有先进方法，相较于代表性的代码属性图特征提取方法，在Precision指标上分别提升8.2%、15.4%和2.5%，有效提升了软件老化缺陷预测性能。该研究为软件老化分析与智能化预测软件维护提供了新的方法，为提升长期运行软件系统的可靠性与安全性提供了重要技术支撑。