即时软件缺陷预测方法利用软件变更度量元,将开发者最新提交的代码变更此类细粒度的软件模块作为预测对象,对代码变更存在缺陷的倾向或缺陷的密度进行预测。该技术具有细粒度、易追溯、即时性的特点,能够优化审查与测试环节资源分配、降低软件开发与维护的成本、提高软件的可靠性。本文针对如何有效利用测试与审查环节产生的有效信息,构建性能更好、更加适用于真实软件开发过程的即时缺陷预测模型,从以下两个角度展开深入研究,提出了警报敏感的动态即时软件缺陷预测方法。（1）警报敏感的即时缺陷预测:在构建即时缺陷预测模型时,需要采集被测软件的基本变更数据,这些数据主要由代码版本控制系统提供。由于代码版本控制系统提供的信息内容具有局限性,现有方法没有对测试环节产生的大量信息进行有效利用、没有与真实的软件开发过程相结合。为了解决上述问题,本文提出了警报敏感的即时缺陷预测模型构建方法。该方法基于缺陷模式的静态代码分析技术,首先对被测软件代码变更中可能存在的缺陷模式进行计算,使用处理后的计算结果更新代码变更数据集。然后使用特征剪枝算法对基本变更特征进行筛选,最后将筛选后的基本特征联合警报特征,对预测结果的审查优先级进行计算。（2）自反馈即时缺陷预测:目前即时缺陷预测模型均为静态模型,不能根据被测软件代码变更数据量的积累情况与被测代码变更的审查与测试结果进行动态调整。为了解决该问题,本文提出了动态即时缺陷预测方法。该方法使用（1）中得到的数据集。首先,根据基本变更与警报的特征值计算被测对象预测模型的训练集采样源,然后使用代码变更的审查与测试的结果更新训练集。最后,利用新的训练集更新预测模型,达到对即时缺陷预测模型进行动态调整的目的。为了评估该方法的性能,本文分别在六个开源项目的227414条基础代码变更数据集与三个项目具有警报信息的12007条代码变更数据集上进行实证研究。使用K折交叉采样验证、OOSB（Out-of-simple Boot Strap）采样验证、简单跨项目验证、基于相似度的跨项目验证四种验证方式,与其他七种方法进行两组实验,在四个工作量感知的性能评估指标Recall@20%、Precision@20%、F1-Score@20%、Popt上进行对比分析其性能差异,使用p-value与Cliff’s值对差异进行量化。实验结果表明,本文提出的方法能够达到更好的缺陷预测效果。