软件缺陷数据集

关于数据集

📦具有 AST 和 Token 特征的软件缺陷多语言数据集此存储库提供跨多种编程语言的1,000 个合成代码函数
的数据集，用于软件缺陷预测、多语言静态分析和LLM 评估。🙋如果您在研究或项目中使用此数据集， 请引用 ，请引用为：

Ravikumar RN，具有AST特征的软件缺陷多语言数据集 (2025)。由用于缺陷预测和多语言代码分析的合成方法生成。🧠数据集亮点

• 包含的语言：Python、Java、JavaScript、C、C++、Go、Rust
• 记录：1,000 个代码片段
• 标签：defect（1 = 有缺陷，0 = 干净）
• 特征：
  • token_count：总令牌数（基于 Python 的 AST）
  • num_ifs, num_returns, num_func_calls: 代码结构特点
  • ast_nodes：抽象语法树中的节点数（仅限 Python）
  • lines_of_code& cyclomatic_complexity：用于建模的模拟指标📊列说明|列|说明||———————-|—————————————————–|||function_name 函数的唯一标识符|||实际code 函数源代码|||使用language 的编程语言|||函数lines_of_code 中的大约行数|||决策cyclomatic_complexity复杂度的模拟度量||| defect 1 = 有缺陷，0 = 干净|||token_count 总令牌数（Python 使用 AST 令牌）|||’ num_ifs if’ 语句数|||’ num_returns return’ 语句数|||函数num_func_calls 调用次数|||ASTast_nodes 节点数（仅限 Python，fallback = 令牌数）|🛠️使用示例此数据集适用于：
• 训练传统机器学习模型，例如随机森林或 XGBoost
• 评估基于提示或微调的 LLM（例如 CodeT5、GPT-4）
• 使用 AST 和静态代码指标进行特征重要性研究
• 代码理解中的跨语言迁移学习