گزارش کارشناسی ارشد مهندسی نرم افزار و داده کاوی|پیش‌بینی خطاپذیری ماژول‌های نرم‌افزاری با استفاده از الگوریتم‌های یادگیری ماشین

توضیحات

دانلود مقاله اصلی

عنوان اصلی مقاله:Software fault prediction metrics: A systematic literature review

تعداد صفحات مقاله اصلی: 22 صفحه

سال چاپ:2013

عنوان ژورنال: Information and Software Technology

ایمپکت فاکتور ژورنال: 2.627

توضیح مختصر در چکیده:

امروزه با توجه به رشد نرم‌افزارها ازنظر اندازه و پیچیدگی ، حفظ کیفیت بالای محصول نرم‌افزاری ، یکی از مهم‌ترین مشکلات پیش روی صنعت نرم‌افزار است . پیش‌بینی کننده‌های خطا ابزارهای مناسب و مقرون‌به‌صرفه برای رفع این مشکل هستند. ازآنجایی‌که اکثر نقص‌های یک محصول نرم‌افزاری فقط در بخش کوچکی از ماژول‌های آن یافت می‌شوند، با تشخیص زودهنگام مستد خطا بودن ماژول‌ها ، توسعه‌دهندگان نرم‌افزار می‌توانند منابع محدود موجود را برای آزمون دقیق ماژول‌های مستعد خا تخصیص دهند تا یک نرم‌افزار باکیفیت بالا به‌موقع تولید شود. برای پیش‌بینی خطاپذیری ماژول‌های نرم‌افزاری به متریک‌های نرم‌افزاری نیاز است. پژوهش‌های زیادی برای یافتن ارتباط متریک‌های نرم‌افزار و مستعد خطا بودن  ماژول‌ها انجام‌گرفته است. ازآنجایی‌که رابطه بین متریک‌های نرم‌افزار و مستعد خطا بودن ماژول‌های آن پیچیده و غیرخطی است ، در مطالعات اخیر از الگوریتم‌های یاد گری ماشین برای مدل‌سازی پیش‌بینی ماژول‌های نقص دار پیشنهادشده است، قوانین وابستگی رابطه‌ای فرمتی از قوانین وابستگی ترتیبی هستند که یک  نوع خاص از قوانین وابستگی می‌باشند و ترتیب عددی بین ویژگی‌هایی را توصیف می‌کنند که معمولاً در یک مجموعه داده رخ می‌دهند  و نتایج حاصل از ارزیابی مدل ارائه‌شده بر روی دیتا ست‌های ناسا و مقایسه با روش‌های مشابه ، پتانسیل بالای آن را بر اساس متریک‌های دقت ، صحت و ..نشان می‌دهد.