摘要
软件系统中通常存在一些在拓扑结构上处于核心位置的关键类,这些类上的缺陷往往会给系统带来极大的安全隐患,识别关键类对工程师理解或维护一个软件系统至关重要.针对这一问题,提出一种基于图神经网络的关键类识别方法.首先利用复杂网络理论,将软件系统抽象为软件网络;其次结合无监督网络节点嵌入学习以及邻域聚合的方式,构建一个编码-解码(encoder-decoder)框架,提取软件系统中类节点的表征向量;最后利用Pairwise排序学习实现网络中节点的重要性排序,从而实现软件系统中关键类的识别.为验证所提方法的有效性,选取4个Java开源软件作为实验对象,并与常用的5种节点重要性度量方法以及2个已有工作进行对比分析.实验结果表明:与介数中心性、K-core、接近中心性、节点收缩法和PageRank等方法相比,该方法识别关键类的效果更好;另外,相比已有工作,在前15％的关键类节点中,所提方法的召回率和准确率的提高幅度均在10％以上.
基金项目
国家重点研发计划(2018YFB1003801)
国家自然科学基金(61832014)
国家自然科学基金(61902114)
国家自然科学基金(61977021)
湖北省科技重大专项(2019ACA144)
应用数学湖北省重点实验室开放基金(HBAM201901)
NETL
NSTL
维普
万方数据