پیش بینی نقص نرم افزار با استفاده از تکنیک های یادگیری عمیق پیشرفته

با توسعه تکنولوژی کامپیوتری، بر پیچیدگی بیشتر سیستم های نرم افزاری افزوده می شود و به دلیل توانایی محدود بشری و عدم توسعه فناوری، تعداد زیادی نقص در چرخه توسعه حیات نرم افزار تولید می شود. یکی از فعالیت ها ی موثر برای توسعه نرم افزار و افزایش قابلیت اطمینان آن، پیش بینی نقص نرم افزار قبل از رسیدن به مرحله تست است که کمک حائز اهمیتی برای صرفه جویی زمانی در فرآیند تولید، نگهداری و هزینه آن می کند. علیرغم روش های متعدد توسعه نرم افزار، برنامه ریزی دقیق ، اسناد مناسب و کنترل فرآیند در تمامی مراحل توسعه نرم افزار، وقوع نقص های خاص نرم افزاری اجتناب ناپذیر می باشد. افزایش روزافزون نقص های نرم افزاری، به کیفیت و قابلیت اطمینان آن نرم افزار لطمه می زند و تشخیص نمونه های معیوب نرم افزاری به صورت فزایندهای اهمیت پیدا می کند. درحال حاضر، تکنیک های یادگیری ماشینی به طور موثر برای تشخیص نقص در نرم افزار مورد استفاده قرار می گیرد. هدف اصلی تکنیک های یادگیری ماشینی در پیش بینی نقص نرم افزار، پیش بینی نقص بر اساس دادههای تاریخی است . با این وجود، ایجاد یک مدل پیش بینی نقص نرم افزار مناسب بر رو ی داده های با ابعاد بالا و محدود هنوز یک کار چالش برانگیز است . بنابراین ، در این تحقیق ، ما رویکردی را برای شناسایی ماژولها ی معیوب در نرم افزار با استفاده از شبکه های عصب ی عمیق پیشنهاد کرده ایم که هدف آن شناسایی نمونه های حاوی نقص با استفاده از روش های یادگیری عمیق پیشرفته است . نتایج تجربی نشان می دهد که رویکرد پیشنهادی ما به صورت قابل توجهی بهتر از شبکه های عصبی کانولوشن لی و مدل های استاندارد یادگیری ماشین است . علاوه بر این ، آزمایش اختلاف اندازه اثر اسکات-نات (ESD) اثربخشی رویکرد پیشنهادی را تایید می نماید.

Keywords:

پیش بینی نقص نرم افزار , توسعه نرم افزار , یادگیری عمیق , شبکه های عصبی پیچشی