پيش بيني تراكم نقص نرم افزار با استفاده از شبكه عصبي رگرسيون تعميم يافته عميق

Prediction of Software Defect Density using Deep Generalized Regression Neural Network

كيفيت نرم افزار به عنوان درجه اي تعريف مي شود كه يك مولفه، فرآيند يا سيستم نرم افزاري انتظارات و نيازهاي مشخص شده مشتري را برآورده مي كند. نقص هاي نرم افزاري نقش عمده اي در حفظ كيفيت دارند. نقص مي تواند يك اشتباه، خطا، اشكال، عيب يا شكست در يك سيستم نرم افزاري باشد كه ممكن است يك نتيجه ناخواسته ايجاد كند يا برنامه را از عملكرد مطلوب باز دارد. ارائه يك سيستم نرم افزاري قابل اعتماد و با كيفيت به مشتري يك چالش بزرگ در فرآيند توسعه و تكامل نرم افزار است. يكي از معيارهاي نرم افزاري كه كيفيت سيستم را تاييد مي كند، تراكم نقص است. تراكم نقص تعداد نقص هاي يافت شده در خطوط كد يك نرم افزار است. اين معيار به شركت ها كمك مي كند تا عملكرد محصولات، نرم افزارها و ماژول هاي خود را تجزيه و تحليل نمايند. متخصصين معمولاً در طول فرآيند توسعه نرم افزار يا در طول يك دوره عملياتي به اين معيار نياز دارند تا قابليت اطمينان سيستم نرم افزاري را نشان دهند. با اين حال، از آنجايي كه پيش‌بيني تراكم نقص قبل از آزمايش ماژول‌ها زمان‌بر است، مديران بايستي يك مدل پيش‌بيني طراحي نمايند كه بتواند به شناسايي ماژول‌هاي حاوي نقص كمك كند. اين فرآيند هزينه تست را كاهش داده و استفاده از منابع تست را بهبود مي بخشد. ذاتي ترين ويژگي مجموعه داده هاي نقص نرم افزار، پراكندگي داده ها در تراكم نقص است كه ممكن است موجب سوگيري در پيش بيني نهايي گردد. بنابراين، در اين تحقيق، ما از يادگيري عميق براي ساخت مدل‌هاي پيش‌بيني تراكم نقص و مديريت چالش ذاتي پراكندگي داده‌ها در تراكم نقص استفاده كرده ايم. مشاهدات علمي نشانگر كارآيي روش هاي يادگيري عميق در كار با داده هاي پراكنده مي باشد. مدل پيشنهادي اين تحقيق با روش هاي شناخته شده يادگيري ماشين و با بيش از 28 مجموعه داده عمومي ارزيابي شده است. نتايج به ‌دست‌آمده نشان مي دهد كه مدل يادگيري عميق پيشنهادي در مقايسه با ساير مدل‌هاي ماشين نسبت به مجموعه داده‌هاي با نسبت پراكندگي بالا و بسيار بالا، و انتخاب رقابتي، زماني كه نسبت پراكندگي متوسط يا كم است، از كارايي بالاتري برخوردار مي باشد.