Thesis

ارزیابی، تحلیل و مقایسه روش های پیشگویی خطا در نرم افزار

Abstract(in Persian; no English abstract is available)

پیمانه های خطادار ریسک قابل توجهی در نرم افزار به وجود می آورند، بنابراین توسعه و نگهداری نرم افزار را هزینه بر می کنند. پیشگویی پیمانه های خطادار به منظور معرفی پیمانه های مستعد خطا درچرخه ی حیات توسعه ی نرم افزار لازم است. در این پیشگویی متریک های نرم افزار به عنوان متغیرهای مستقل و پیمانه های خطادار و بی خطا به عنوان متغیر وابسته در نظر گرفته می شود. در پیشگویی خطا، داده های ناهماهنگ و انتخاب بهترین صفات خاصه دو موضوع مهم است که باید قبل از ساخت مدل بررسی شوند؛ ولی در پژوهش های گذشته به ندرت به این دو مسئله همزمان پرداخته شده است. بنابراین این تحقیق از چهار سناریو برای استفاده ی همزمان نمونه گیری و انتخاب صفت خاصه استفاده کرده است که عبارتند از: 1) انتخاب صفات خاصه و مدل پیشگویی خطا براساس داده اصلی 2) انتخاب صفات خاصه بر اساس داده اصلی و مدل پیشگویی خطا از روی داده نمونه گیری شده 3) انتخاب صفات خاصه بر اساس داده نمونه گیری شده و مدل پیشگویی خطا از روی داده اصلی 4) انتخاب صفات خاصه و مدل پیشگویی خطا براساس داده نمونه گیری شده. این پژوهش از روش نمونه گیری با نام نمونه گیری بیش از حد اقلیت ترکیبی (smote) برای هماهنگ کردن داده ها استفاده می کند، زیرا نمونه ها را از روشی غیرتصادفی انتخاب می کند و از روش انتخاب صفت مبتنی بر همبستگی (cfs) برای انتخاب بهترین صفات خاصه بهره برده است؛ چرا که این روش جزء روش های مناسب است. به علاوه از 17 روش ساخت مدل برای پیشگویی خطای نرم افزار و 13 پایگاه داده عمومی ناسا در مخزن promise استفاده کرده است. نتایج تجربی این تحقیق نشان می دهد که ساخت مدل از طریق داده ی نمونه گیری شده نتایج بهتری نسبت به ساخت مدل از روی داده ی اصلی دارد. همچنین روش های bagging، kstar و جنگل تصادفی بهترین طبقه بند در سناریو 2 و 4، و bagging، شبکه ی بیز و logitboost بهترین طبقه بند در همه ی سناریوها و به ازای تمامی پایگاه داده ها براساس پارامتر ارزیابی ناحیه ی زیر منحنی مشخصات عملیاتی گیرنده ) (auc است.

Supervisors and advisors

سید مرتضی بابامیر