ارائه الگوريتم پيش بيني نقص نرم افزار با استفاده از روش هاي هوشمند

اصفهان : دانشگاه صنعتي اصفهان

كامپيوتر

كارشناسي ارشد

در هنگام توسعه يك سيستم نرم افزاري، نقص‌ها و خطاهاي احتمالي مي‌توانند خطرات و زيان‌هاي جبران‌ناپذيري ايجاد كنند و از اين رو تضمين كيفيت و عملكرد مطلوب نرم‌افزارها از اهميت بالايي برخوردار است . يكي از روش‌هاي پيشرفته براي حل اين مسئله، استفاده از روش‌هاي هوشمند و دقيق، مانند يادگيري ماشين است كه براي پيش‌بيني و كاهش نقص‌هاي نرم‌افزاري كاربرد دارد. هدف نهايي اين روش‌ها، كاهش تعداد عيوب در محصولات نرم‌افزاري و افزايش قابليت اطمينان و رضايت كاربر است. به طور خاص، اين پژوهش بر پيش‌بيني نقص نرم‌افزار با تمركز بر كاهش ريسك‌هاي عملكردي و احتمالي نقص‌هاي نرم‌افزاري تمركز دارد. با توجه به ماهيت مسئله كه تشخيص ناهنجاري (وجود نقص در نرم‌افزار) است و با بررسي مجموعه داده‌هاي موجود در زمينه تشخيص نقص نرم‌افزار، مشخص مي‌شود كه توزيع داده‌ها بين داده‌هاي داراي نقص و بدون نقص متفاوت است. تعداد كم داده‌هاي مربوط به نقص‌ها (ناهنجاري‌ها) باعث مي‌شود استفاده از روش‌هاي ساده يادگيري ماشين و يادگيري عميق با چالش‌هاي جدي مواجه شود. بنابراين، در اين پژوهش با استفاده از مجموعه داده‌هاي موجود ناسا براي تشخيص نقص نرم‌افزار، ابتدا عملكرد روش‌هاي رايج يادگيري ماشين و شبكه‌هاي عصبي را بررسي مي‌كنيم و سپس با بهره‌گيري از روش‌هاي يادگيري عميق و شبكه‌هاي رمزگذار خودكار، عملكرد اين روش‌ها را با روش‌هاي قبلي مقايسه كرده و به بهبود عملكرد در زمينه تشخيص نقص در نرم‌افزار دست مي‌يابيم. در اين پژوهش، براي پيش‌بيني نقص نرم‌افزار از هفت الگوريتم مختلف يادگيري ماشين استفاده شده است كه شامل جنگل تصادفي، بگينگ، پرسپترون چندلايه، تابع پايه شعاعي، بيز ساده، بيز ساده چندجمله‌اي، ماشين بردار پشتيباني، شبكه‌هاي عصبي و شبكه‌هاي رمزگذار خودكار مي‌شود. اين الگوريتم‌ها بر روي مجموعه داده‌هاي در دسترس از ناسا براي پيش‌بيني نقص نرم‌افزار پياده‌سازي شده است. در اين پژوهش، با توجه به يافته‌ها و نتايج بررسي عملكرد شبكه‌ها و با در نظر گرفتن دو كلاس داده‌اي موجود و نامتوازن بودن مجموعه داده‌ها، مشخص شد كه روش‌هاي كلاسيك يادگيري ماشين براي تشخيص داده‌هاي نقص‌دار با مشكل مواجه هستند. اما در مقابل، شبكه‌هاي رمزگذار خودكار به راحتي مي‌توانند چالش‌ها را در زمينه تشخيص ناهنجاري در يك مجموعه داده نامتوازن رفع كنند. بنابراين، اين پژوهش با استفاده از شبكه‌هاي رمزگذار خودكار، يك طبقه‌بندي‌كننده براي تشخيص رويدادهاي نادر ساخته است. اين روش به عنوان يك راهكار نوين، به دقت در تشخيص رويدادهاي نادر كمك مي‌كند. به طور خلاصه، مدل رمزگذار خودكار پيشنهادي با دستيابي به دقت 97 درصد بر روي مجموعه داده‌هاي MC1 و 96 درصد بر روي داده‌هاي KC1، عملكرد بهتري نسبت به تمامي روش‌هاي ديگر پياده‌سازي شده در اين پژوهش ارائه داده است. همچنين با بررسي ماتريس‌هاي درهم‌ريختگي، داده‌هاي داراي نقص در هر دو مجموعه داده با دقت بسيار بيشتري تشخيص داده شده‌اند و تعداد كمتر داده‌هاي مثبت و منفي كاذب نشان‌دهنده عملكرد بهتر اين مدل در مقايسه با ساير روش‌ها است.

229602

هوش مصنوعي و رباتيكز

مهندسي برق و كامپيوتر

دانشگاه صنعتي اصفهان