[发明专利]一种图中图卷积神经网络的软件系统中类交互关系预测方法

说明书

本发明提供了一种图中图卷积神经网络的软件系统中类交互关系预测方法，利用复杂网络理论，在软件网络的基础上，构建软件系统的图中图网络结构。为了获得软件系统中更多的类信息，将CEG中单个类节点再扩展成一个CIG子图，协同两种图结构进行信息挖掘。引入深度学习模型，利用图卷积神经网络和注意力机制来自动学习内部图网络CIG的特征信息，利用图卷积神经网络自动学习外部图网络CEG的全局结构信息。通过构建的图中图卷积神经网络模型对软件系统中类交互关系进行预测，提高了预测精度。

技术领域

本发明涉及软件工程软件网络分析技术领域，尤其涉及一种图中图卷积神经网络的软件系统中类交互关系预测方法。

背景技术

随着网络的规模不断扩大，软件系统的复杂度随之不断提升，软件中存在缺陷是在所难免的。并且软件系统也是一个复杂的人工制品，软件系统内部的类之间的交互关系对软件质量有着潜在影响，如软件缺陷的级联传播效应就是一个典型。如何准确预测软件系统中类之间合理关系，优化设计结构是软件质量保障的一个开放问题。

在软件工程领域，软件系统的质量与寿命很大程度上取决于其内部结构。类作为软件系统中粒度较为适中的一个元素，它们之间的关系常被用于刻画软件系统的结构，并且作为“高内聚,低耦合”设计原则与重构依据。随着软件系统规模的增大，类文件之间的交互关系也愈加复杂，例如新功能的添加，软件中类之间可能会产生新的交互关系。若不对软件系统全局结构进行适当调整，有可能导致开发偏离最初设计，从而严重影响软件质量，这种现象被称为软件衰退或者软件设计偏移，导致维护成本很高。

从上世纪90年代开始，人们发现网络结构非常适合表示现实世界中高度复杂的系统，将现实世界中存在的各种复杂系统抽象为网络而得到的模型被称之为复杂网络(complex network)。复杂网络是将现实世界中的实体和实体间关系映射成网络的表示形式。软件网络(software network)作为一种常规的复杂网络，对软件工程领域相关问题的解决起着至关重要的作用。有研究者从模块、包、类等粒度对软件系统进行建模，利用复杂网络理论度量软件系统的复杂性，分析网络的拓扑结构和形成机理以及演化规律。因此，将复杂网络中节点交互关系度量的方法引入软件网络，为分析软件内部结构的交互关系带来了一种新的视角。

软件系统是具有一定深度的结构，所以可从多粒度进行网络建模，能够从包、类、方法三个粒度上，利用复杂网络度量指标分析软件的演化情况。也可围绕Lehman演化定律，从包、类、方法三个粒度，分析多个软件系统的演化情况。软件作为一种人工的复杂系统，软件内各元素之间交互关系的识别对于工程师分析维护系统至关重要。

当软件在整个生命周期中施加违反设计时架构意图的更改时，软件体系结构就会降级。这种现象被称为架构侵蚀，这种思想将软件工程问题重新定义为模块搜索与优化问题。有一种修复面向对象软件系统类结构的方法，它使用属性-方法网络和方法-方法网络来表示属性、方法以及它们之间的依赖关系，采用社区探测的方式通过类之间的关系预测，进行软件重构指导。

为了解决依赖目标和源代码文件之间的依赖关系挖掘问题，前人将构建配置文件(例如Make file)通过逆向工程转换为依赖图，其中图中的节点对应于配置文件中的实体，而图中的边对应于这些实体之间的关系，然后将该问题映射为预测依赖图中缺失边(链接)的预测问题，同时对比分析了多种常规链路预测算法的效果，力图寻求使得软件架构最优的方法。

而在软件工程领域，有的学者把重点放在制作构建工具上，目标是进一步提高类间缺失依赖关系预测的有效性。也有利用系统以前版本的结构特征，引入线性规划技术，通过机器学习成功预测了下一个版本的模块依赖性。

不难发现该领域以往的工作主要将问题抽象成链路预测问题加以解决，这是一个较好的切入思路，也能得到同领域广泛的认可，但是解决链路预测问题的手段主要还挺留在传统的数学方法或机器学习方法，导致预测精度不高。

发明内容