پيش‌بيني نقص نرم‌افزار با استفاده از تكنيك‌هاي يادگيري عميق پيشرفته

Software defect prediction using advanced deep learning technique

با توسعه تكنولوژي كامپيوتري، بر پيچيدگي بيشتر سيستم هاي نرم افزاري افزوده مي شود و به دليل توانايي محدود بشري و عدم توسعه فناوري، تعداد زيادي نقص در چرخه توسعه حيات نرم افزار توليد مي شود. يكي از فعاليت‌هاي مؤثر براي توسعه نرم‌افزار و افزايش قابليت اطمينان آن، پيش‌بيني نقص نرم‌افزار قبل از رسيدن به مرحله تست است كه كمك حائز اهميتي براي صرفه‌جويي زماني در فرآيند توليد، نگهداري و هزينه آن مي‌كند. عليرغم روش هاي متعدد توسعه نرم افزار، برنامه ريزي دقيق، اسناد مناسب و كنترل فرآيند در تمامي مراحل توسعه نرم افزار، وقوع نقص هاي خاص نرم افزاري اجتناب ناپذير مي باشد. افزايش روزافزون نقص هاي نرم افزاري، به كيفيت و قابليت اطمينان آن نرم افزار لطمه مي زند و تشخيص نمونه‌هاي معيوب نرم افزاري به صورت فزاينده‌اي اهميت پيدا مي‌كند. درحال حاضر، تكنيك هاي يادگيري ماشيني به طور موثر براي تشخيص نقص در نرم افزار مورد استفاده قرار مي گيرد. هدف اصلي تكنيك‌هاي يادگيري ماشيني در پيش‌بيني نقص نرم‌افزار، پيش‌بيني نقص بر اساس داده‌هاي تاريخي است. با اين وجود، ايجاد يك مدل پيش‌بيني نقص نرم‌افزار مناسب بر روي داده هاي با ابعاد بالا و محدود هنوز يك كار چالش برانگيز است. بنابراين، در اين تحقيق، ما رويكردي را براي شناسايي ماژول‌هاي معيوب در نرم‌افزار با استفاده از شبكه‌هاي عصبي عميق پيشنهاد كرده ايم كه هدف آن شناسايي نمونه هاي حاوي نقص با استفاده از روش هاي يادگيري عميق پيشرفته است. نتايج تجربي نشان مي دهد كه رويكرد پيشنهادي ما به صورت قابل توجهي بهتر از شبكه‌هاي عصبي كانولوشن لي و مدل هاي استاندارد يادگيري ماشين است. علاوه بر اين، آزمايش اختلاف اندازه اثر اسكات - نات (ESD) اثربخشي رويكرد پيشنهادي را تاييد مي نمايد.