بهبود تشخیص نقص نرم افزاری با استفاده از مجموعه معیار پیشنهادی کد ایستا و یک مدل تخمین نقص با استفاده از یادگیری عمیق

پیشبینی نقص2 نرم افزاری در صدد تخمین مناطق مستعد از کد است، تا فعالیتهای تست را روی بخشهای مشکوک تر متمرکز کند. در نتیجه در فرآیندهای توسعه و نگهداری، پیشبینی نقصها باعث بهبود کیفیت، قابلیت اطمینان، کارایی و کاهش هزینه میشود. با این حال توسعه مدل پیشبینی نقص قوی، یک کار چالش برانگیزاست. همچنین، روشهای فعلی در واحدهای درشت، مانند ماژول3 یا کلاس4 کار میکنند و تلاش توسعه دهندگان را برای پیدا کردن نقص، مضاعف میکنند. برای پرداختن به این مسئله، یک روش جدید به نام پیش بینی نقص نرم افزار در سطح عبارت با استفاده از مدل یادگیری عمیق پیشنهاد شده است. در این پژوهش پیش بینی عبارتهای مستعد روی ویژگیهای کد ایستا با استفاده از معیارهای نرم افزاری پیشنهادی انجام میشود. محک مورد استفاده 200 برنامه C/C++ از Code4Bench میباشد. در این زمینه، مجموعه ای از 37 معیارتعریف شده است. همچنین با توجه به مزایای مدل یادگیری کاربردی حافظه کوتاه مدت طولانی5 LSTM، از این مدل مبتنی بر ماتریس ارائه شده برای تشخیص اشکال در سطح نقص استفاده میشود. نتایج آزمایشها نشان میدهد، مدل تخمین نقص با استفاده از معیارهای پیشنهادی، نسبت به روش مشابه عملکرد بهتری داشته است.

Keywords:

معیارهای نرم افزاری , LSTM , یادگیری عمیق , تشخیص نقص نرم افزاری