پیش بینی تراکم نقص نرم افزار با استفاده از شبکه عصبی رگرسیون تعمیم یافته عمیق

کیفیت نرم افزار به عنوان درجه ای تعریف می شود که یک مولفه، فرآیند یا سیستم نرم افزاری انتظارات و نیازهای مشخص شده مشتری را برآورده می کند. نقص های نرم افزاری نقش عمده ای در حفظ کیفیت دارند. نقص می تواند یک اشتباه، خطا، اشکال، عیب یا شکست در یک سیستم نرم افزاری باشد که ممکن است یک نتیجه ناخواسته ایجاد کند یا برنامه را از عملکرد مطلوب باز دارد. ارائه یک سیستم نرم افزاری قابل اعتماد و با کیفیت به مشتری یک چالش بزرگ در فرآیند توسعه و تکامل نرم افزار است. یکی از معیارهای نرم افزاری که کیفیت سیستم را تایید می کند، تراکم نقص است. تراکم نقص تعداد نقص های یافت شده در خطوط کد یک نرم افزار است. این معیار به شرکت ها کمک می کند تا عملکرد محصولات، نرم افزارها و ماژول های خود را تجزیه و تحلیل نمایند. متخصصین معمولاً در طول فرآیند توسعه نرم افزار یا در طول یک دوره عملیاتی به این معیار نیاز دارند تا قابلیت اطمینان سیستم نرم افزاری را نشان دهند. با این حال، از آنجایی که پیش‌بینی تراکم نقص قبل از آزمایش ماژول‌ها زمان‌بر است، مدیران بایستی یک مدل پیش‌بینی طراحی نمایند که بتواند به شناسایی ماژول‌های حاوی نقص کمک کند. این فرآیند هزینه تست را کاهش داده و استفاده از منابع تست را بهبود می بخشد. ذاتی ترین ویژگی مجموعه داده های نقص نرم افزار، پراکندگی داده ها در تراکم نقص است که ممکن است موجب سوگیری در پیش بینی نهایی گردد. بنابراین، در این تحقیق، ما از یادگیری عمیق برای ساخت مدل‌های پیش‌بینی تراکم نقص و مدیریت چالش ذاتی پراکندگی داده‌ها در تراکم نقص استفاده کرده ایم. مشاهدات علمی نشانگر کارآیی روش های یادگیری عمیق در کار با داده های پراکنده می باشد. مدل پیشنهادی این تحقیق با روش های شناخته شده یادگیری ماشین و با بیش از 28 مجموعه داده عمومی ارزیابی شده است. نتایج به ‌دست‌آمده نشان می دهد که مدل یادگیری عمیق پیشنهادی در مقایسه با سایر مدل‌های ماشین نسبت به مجموعه داده‌های با نسبت پراکندگی بالا و بسیار بالا، و انتخاب رقابتی، زمانی که نسبت پراکندگی متوسط یا کم است، از کارایی بالاتری برخوردار می باشد.