1.一种基于图神经网络与双向GRU特征抽取的缺陷预测方法，其特征在于，包括：S1：对软件系统进行网络建模，使用神经网络模型学习网络结构，获得软件依赖关系特征；

S2：将软件系统源文件构建成抽象语法树，提取令牌序列，使用双向门控递归单元进行建模，获得软件系统的深层语义特征；

S3：将S1获得的软件依赖关系特征与S2获得的源代码的语义特征结合，得到最终的混合特征，并训练一个分类器，用于基于得到的混合特征进行缺陷预测。

2.如权利要求1所述的缺陷预测方法，其特征在于，步骤S1包括：S1.1：利用开源工具解析软件源代码文件，构造软件依赖网络模型；

S1.2：利用网络嵌入方法，对软件依赖网络进行学习，得到节点的嵌入向量；

S1.3：构建图神经网络模型，将步骤S1.1构造的软件依赖网络模型和步骤S1.2得到的节点的嵌入向量作为图神经网络模型输入，获得软件依赖关系特征。

3.如权利要求2所述的缺陷预测方法，其特征在于，步骤S1.1包括：S1.1.1：利用开源工具对源代码编译后产生的各类文件进行依赖关系扫描，并保存为统一的文件格式：S1.1.2：解析并提取各类文件之间的依赖关系，进行网络建模，构造软件依赖网络模型，其中，软件依赖网络模型为一个无向无权网络SDN＝(V,E)，其中节点vi(vi∈V)代表软件系统中的一个类文件或接口文件，如果两个节点之间存在依赖关系，则它们之间存在一条连边eij，其中，eij＝(vi,vj)∈E。

4.如权利要求2所述的缺陷预测方法，其特征在于，步骤S1.2包括：S1.2.1：利用Node2vec方法，通过偏向性随机游走的方式学习将网络转换为节点序列，并将转换得到的节点序列作为自然语言处理中的文本序列；

S1.2.2：根据得到的节点序列，通过词向量模型skip gram进行训练，得到节点的低维向量表示，作为节点的嵌入向量。

5.如权利要求2所述的缺陷预测方法，其特征在于，S1.3包括：S1.3.1：将步骤S1.1中得到的软件依赖网络模型与步骤S1.2中得到的节点嵌入向量X作为图神经网络的输入， |V|是节点的个数，d为点嵌入向量的维数，N(v)＝{u∈V|(v,u)∈E)表示节点v的邻居集合， 表示目标节点v在模型第k层的隐含嵌入向量，初始输入时，S1.3.2：通过图神经网络GCN使用卷积操作迭代更新节点向量模式，网络中的每个节点在迭代中对其邻居节点特征做聚合，并与自身在上一层迭代得到的嵌入向量相结合，得到新的一层嵌入向量，每个节点依次迭代，直到最后一层进行输出，得到更新后的节点特征，其中，GCN的卷积层表示如下：其中，A是邻接矩阵， 是加上自连接的邻接矩阵，IN是单位矩阵，是度矩阵，(l) (l)表示矩阵 中第i行第j列对应的元素的值.H 是第l层的输出，Θ 是第l层(l+1)的参数，σ(·)表示激活函数，H 是第l+1层的输出，更新后的节点特征为软件依赖关系特征。

6.如权利要求5所述的缺陷预测方法，其特征在于，在步骤S1.3.2之后，所述方法还包括：通过softmax层得到每个节点的输出概率值，具体公式为：

其中， 是拉普拉斯矩阵归一化后的邻接矩阵，X是节点的嵌入向量，为初(0) C×H (1) H×2始特征，W ∈R 和W ∈R 分别是两层的权重矩阵，C是输入层每个节点的维度，H是隐N×2藏层每个节点的维度，Z∈R 是所有节点的输出概率值；

以预测值与真实标签更接近为目标进行训练，采用的损失函数为：

其中，yL是标签节点索引集，Zlf是GCN是标签l的预测向量，f是预测向量的维度，ylf是标签l的真实one‑hot向量，目标是减小真实标签与预测标签之间的误差。

7.如权利要求1所述的缺陷预测方法，其特征在于，利用开源工具将软件源文件解析为抽象语法树，并提取令牌序列，包括：使用javalang工具将源文件转换为抽象语法树；

遍历抽象语法树，保留需要抽取的类型的节点，每个源文件被解析为一系列代码标记[w1,w2,…,wn]，将解析得到的代码标记构建一个固定大小的词表V，使用word2vec训练词表，将每个代码标记转换为低维连续的实值向量表示，得到一个令牌嵌入矩阵 d表示代码标记的维度，令牌嵌入矩阵用于存储令牌序列。

8.如权利要求1所述的缺陷预测方法，其特征在于，使用双向门控递归单元进行建模，获得软件系统的深层语义特征，包括：将每个类文件的代码令牌序列输入到GRU单元序列中，每个代码标记wi采用一个实值向量xi＝[x1,x2,…,xd]表示，输入到一个GRU单元中通过预测序列中下一个代码令牌来训练每个GRU单元；

经过训练的GRU单元为每个代码标记生成一个状态输出向量si＝[s1,s2,…,sd]，表示根据代码标记的上下文捕获其语义分布；

将每个.java源文件的一系列代码标记[w1,w2,…,wn]输入到训练好的GRU中，得到令牌状态的输出序列[s1,s2,…,sn]，通过池化层将令牌状态的输出序列聚合为一个文件向量，作为与源文件对应的软件系统的深层语义特征。