پیش‌بینی نقص نرم‌افزار با استفاده از تکنیک‌های 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 فعالیت‌های موثر برای توسعه نرم‌افزار و افزایش قابلیت اطمینان آن، پیش‌بینی نقص نرم‌افزار قبل از رسیدن به مرحله تست است که کمک حائز اهمیتی برای صرفه‌جویی زمانی در فرآیند تولید، نگهداری و هزینه آن می‌کند. 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 نمونه‌های معیوب نرم افزاری به صورت فزاینده‌ای اهمیت پیدا می‌کند. درحال حاضر، تکنیک های یادگیری ماشینی به طور موثر برای تشخیص نقص در نرم افزار مورد استفاده قرار می گیرد. هدف اصلی تکنیک‌های یادگیری ماشینی در پیش‌بینی نقص نرم‌افزار، پیش‌بینی نقص بر اساس داده‌های تاریخی است. با این وجود، ایجاد یک مدل پیش‌بینی نقص نرم‌افزار مناسب بر روی داده های با ابعاد بالا و محدود هنوز یک کار چالش برانگیز است. بنابراین، در این تحقیق، ما رویکردی را برای شناسایی ماژول‌های معیوب در نرم‌افزار با استفاده از شبکه‌های عصبی 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 شبکه‌های 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.