شناسایی کدهای مشکوک با استفاده از روش‌های انتخاب ویژگی مجموعه‌ای و فنون پوششی مبتنی بر شبکه عصبی

بازآرایی کد نرم‌افزار یکی از روش‌های موثر در افزایش کیفیت نرم‌افزار است که رابطه مستقیمی با کد مشکوک نرم‌افزار دارد. کد مشکوک یک نشانه سطحی است که احتمالاً نشان‌دهنده یک مشکل عمیق‌تر در برنامه است. کد مشکوک، نگهداری، توسعه و تکامل برنامه را با مشکل مواجه می‌کند. پدافند نوین مجموعه‌ای از فناوری‌ها و سیستم‌هایی است که برای مقابله با تهدیدات امنیتی مدرن و پیشرفته طراحی شده‌اند و به مجموعه اقداماتی اشاره دارد که برای افزایش امنیت و کاهش آسیب‌پذیری نرم‌افزار در مقابل تهدیدات، انجام می‌شود. این اقدامات شامل طراحی امن، استفاده از الگوهای معماری مناسب و پرهیز از پیچیدگی‌های غیرضروری در کد نرم‌افزار است. در این تحقیق، روشی بر مبنای شبکه عصبی با یک روش انتخاب ویژگی جدید شامل استفاده از روش‌های انتخاب ویژگی مجموعه‌ای و فنون پوششی جهت پیش‌بینی کدهای مشکوک نرم‌افزار ارائه شده است. کدهای مشکوک مورداشاره در نرم‌افزار شامل متد طولانی، لیست پارامترهای طولانی، کلاس بزرگ، لیست طولانی از کلاس‌های پایه و زنجیره دامنه طولانی می‌شوند. همچنین الگوریتم ژنتیک و بهینه‌ساز گرگ خاکستری، فنون پوششی موردنظر و بهره اطلاعاتی، امتیاز بهره اطلاعاتی و کای-مربع، سه الگوریتم مورد استفاده در بخش انتخاب ویژگی مجموعه‌ای می‌باشند. هدف نهایی و اصلی این تحقیق، بهبود کیفیت نرم‌افزار با پیش‌بینی زودهنگام کدهای مشکوک با استفاده از یک روش انتخاب ویژگی مطلوب در کد منبع برنامه با زبان پایتون است که به کمک روش پیشنهادی تحقق پیدا کرده و بهبود عملکرد 1 تا 7 درصد را حاصل کرده است.

code smells detection using ensemble feature selection methods and wrapper techniques based on neural network.

software code refactoring is one of the effective methods to enhance software quality, which has a direct relationship with the code smells of the software. code smell is a superficial symptom that may indicate a deeper problem in the application. code smell hinders the path of maintenance, development and evolution of the program. advanced defense is a set of technologies and systems designed to counter modern and advanced security threats. it encompasses a set of measures such as secure design, the use of appropriate architectural patterns, and avoiding unnecessary complexities in software code. most studies have utilized open-source software in the java programming language, whereas newer and more modern software projects tend to lean towards python. therefore, in this paper, a neural network-based approach with a new feature selection method including the use of ensemble feature selection methods and wrapper techniques, has been presented to predict software code smells in the python programming language. the code smells mentioned in the software include long method, long parameter list, large class, long base class list and long scope chaining. also, the genetic algorithm and the gray wolf optimizer are the desired wrapper techniques, and information gain, information gain ratio and chi-square are the three algorithms used in the ensemble feature selection. the final and main goal of this paper, which is to improve software quality by early prediction of code smells using a desirable feature selection method in the source code of the program with python language, has been realized with the help of the proposed method and performance improvement of 1 to 7 percent has been obtained.