软件缺陷对软件的质量和经济影响重大,国外研究表明,每年由于软件缺陷造成的损失就达到上百亿元。因此如何准确、高效的发现软件缺陷,减少软件缺陷带来的损失,是软件工程领域一个热门的研究方向。研究人员开始对软件缺陷的可能性、数量、严重程度、分布规律等进行预测分析,发现软件缺陷与软件开发过程中的代码度量元有关。虽然关于软件缺陷的研究从未停止,但是在实际应用中仍然面临预测结果可解释性差,难以取得开发人员的信任,推广应用困难。即软件缺陷预测结果难以解释,开发人员不理解模型对缺陷预测的机制,无法判断缺陷预测结果是否合理,模型难以取得使用者的信任,在实践中应用受到阻碍。而根据模型的可解释性分为事前和事后可解释性。事前可解释性的方法通常结构简单,具备良好的可解释性,但是通常预测性能不好;而事后解释是指解释过程发生在训练之后,使用其他方法解释模型在预测过程中整体或者局部的决策。一般的即时软件缺陷预测只关注预测性能,对于预测结果的可解释性关注较少,缺乏对缺陷成因的理解。我们将即时软件缺陷预测和可解释性相结合,对预测结果从不同角度进行了详细的分析,包括事前事后的模型预测结果,以及可解释性差异。本文基于GMDH构建了事前可解释模型,以CNN和XGBoost构建事后可解释模型,在即时软件缺陷数据上进行预测和分析。我们使用accuracy和F1作为预测性能的评价指标,通过实验发现本文使用的事前事后可解释方法预测性能相差不多,但是事前解释模型的训练和解释两个过程是同时进行的,将输入数据和输出结果的因果关系解释为多项式函数,而事后解释方法需要将预测结果输入第三方解释算法SHAP和LIME进行解释,计算效率不如事前解释方法高。通过使用不同方法对即时软件缺陷数据的预测和分析,使得我们更加了解模型的特性和造成缺陷的原因,对修复缺陷保证软件质量有重要意义。