1.一种用于面向代价感知的实时缺陷预测模型增强方法，能够适应各种现有的JIT模型，其特征在于，包括以下步骤：步骤1、判断缺陷预测模型的类型为有监督模型或无监督模型，若为有监督模型，转至步骤2；若为无监督模型，转至步骤4；

步骤2、使用训练数据构建有监督的缺陷预测模型，分别预测训练数据和测试数据的风险值，所述风险值由原有的代价感知的实时缺陷预测模型的预测公式直接计算，若原始缺陷预测模型为有监督模型EALR，则风险值y(x)的计算公式为：y(x)＝Y(x)/effort(x)

其中，x为一次软件改动，若所述改动有缺陷则Y(x)为1，否则为0，effort(x)为审查改动所需的工作量，由修改的代码行总数表示；

若原始缺陷预测模型为无监督模型，基于某一改动度量的取值M(x)，则风险值y(x)的计算公式为：y(x)＝1/M(x)；

步骤3、根据步骤2得到的训练数据的风险值以及训练数据的代价值，使用遗传算法自动学习最优权重值λ1、λ2；

步骤4、使用训练数据构建无监督的缺陷预测模型，预测测试数据的风险值，并将λ1和λ2都赋值为1；

步骤5、将测试数据的风险值和代价值根据权重进行减法组合，得到测试数据新的风险值；具体为：在现有的代价感知的实时缺陷预测模型的基础上，首先将原有的预测风险值和代价值转化为同一量纲，再将转化后的值进行加权组合作为新的预测风险值，新的预测风险值R′(x)的计算公式为：R′(x)＝λ1*θ(y(x))-λ2*θ(effort(x))

其中，x为一次软件改动，y(x)为原始风险值，effort(x)为审查改动所需的工作量，由修改的代码行的总数表示，θ(·)为转换函数，λ1和λ2为权重参数，所述权重值都为正实数；

步骤6、计算经过所述面向代价感知的实时缺陷预测模型增强框架增强后模型的评价指标。

2.根据权利要求1所述的一种面向代价感知的实时缺陷预测模型增强方法，其特征在于，在所述步骤3中，所述遗传算法选取轮盘赌选择、单点交叉和随机变异作为遗传算子，所述轮盘赌选择选择适应度更高的染色体，组合交叉在个体编码串上，所述单点交叉是在个体编码串上随机设置一个交叉点，两个配对的染色体在所述交叉点附近进行部分染色体互换，所述随机变异随机修改个体一个父染色体的部分染色体；

根据适应度选取λ1、λ2，所述适应度为指定的评价指标，或取所有评价指标的平均值。