تخمین میزان خطا خیزی ماژول ها با استفاده از یادگیری ماشین

برای آگاهی از میزان کیفیت نرم افزار لازم است فاکتورهای موثر در کیفیت را اندازه بگیریم. میزان قابلیت اطمینان و تعداد خطا در نرم افزار از مهمترین فاکتورهای کیفی هستند. اگر بتوان این فاکتورها را در حین چرخه ی توسعه ی نرم افزار اندازه گیری کرد، می توان فعالیت های موثر و بهتری را در راستای بهبود کیفیت نرم افزار انجام داد. مشکل اینجاست که این دسته از فاکتورها در مراحل آخر توسعه ی نرم افزار در دسترس خواهند بود. برای حل این مشکل، این فاکتورها توسط معیارهایی اندازه گیری می شوند که در چرخه ی توسعه ی نرم افزار به صورت زودهنگام در دسترس هستند. معیارهای اندازه گیری شده ورودی های مدل پیش بینی خطا هستند و خروجی این مدل، قطعاتی از نرم افزار هستند که احتمال بروز خطا در آن ها وجود دارد. پیش بینی قطعات مستعد خطا، رویکردی اثبات شده در جهت تخصیص به موقع منابع پروژه، در مرحله ی آزمون نرم افزار است. هنگامی که یک قطعه به عنوان یک قطعه ی مستعد خطا پیش بینی می شود، تلاش بیشتری برای آزمون و تصحیح آن باید صرف شود. علاوه بر آن قطعه، تمامی قطعات وابسته به آن نیز نیاز به رسیدگی ویژه ای دارند. زمانی که یک قطعه تغییر می کند تمامی قطعات وابسته به آن نیز ممکن است تحت تاثیر قرار بگیرند. مشکل در این است که معیارهای شناخته شده ای که در حوزه ی پیش بینی خطا مورد استفاده قرار می گیرند، این وضعیت را در نظر نمی گیرند. برای حل این مشکل، در این مقاله معیارهای جدیدی براساس تغییرات در موارد وابستگی ارائه شده است. نتایج تجربی به دست آمده نشان داد هرچه میزان تغییرات در قطعات مورد وابستگی بیشتر باشد، احتمال خطا در قطعه ی وابسته بیشتر می شود. با ارزیابی های صورت گرفته مشاهده شد معیار پیشنهادی قدرت پیش بینی نسبتا بالایی دارد و به کار بردن آن برای ساخت مدل های پیش بینی خطا نیز افزایش قدرت پیش بینی را برای آن ها در پی داشت.

تخمین میزان خطا خیزی ماژول ها با استفاده از یادگیری ماشین Keywords:

کیفیت نرم افزار , پیش بینی خطا , اندازه گیری , معیارهای نرم افزاری , قطعات مستعد خطا , تغییر , وابستگی