Detecting Bug Severity Level Using Machine Learning Techniques
| العنوان بلغة أخرى: |
تعيين مستوى الخطورة للأخطاء باستخدام تقنيات التعلم الآلي |
|---|---|
| المؤلف الرئيسي: | الجندي، حمزة (مؤلف) |
| مؤلفين آخرين: | مراد، شريفة (مشرف) |
| التاريخ الميلادي: |
2021
|
| موقع: | عمان |
| الصفحات: | 1 - 55 |
| رقم MD: | 1210139 |
| نوع المحتوى: | رسائل جامعية |
| اللغة: | الإنجليزية |
| الدرجة العلمية: | رسالة ماجستير |
| الجامعة: | جامعة الشرق الأوسط |
| الكلية: | كلية تكنولوجيا المعلومات |
| الدولة: | الاردن |
| قواعد المعلومات: | Dissertations |
| مواضيع: | |
| رابط المحتوى: |
عدد مرات التحميل
30
| المستخلص: |
يعرف خطأ البرنامج بأنه مجموعة المشاكل التي تحدث خلال مراحل بناء المشروع والتي تؤدي إلى نتيجة غير صحيحة أو غير متوقعة. في عملية اختبار البرمجيات، تعد المرحلة الرئيسية هي التنبؤ بخطورة تقارير الأخطاء. ومع ذلك، يحتاج تصنيف تقارير الأخطاء يدويا إلى وقت وموارد من ذوي الخبرة. مما يؤدي إلى تأخير إصلاح الأخطاء ذات الأولوية العالية. في هذه الأطروحة، تم اقتراح إطارا لتعيين مستوى الخطورة المناسب لتقارير الأخطاء، بإسناد قيمة لخطورة تقرير الخطأ، والهدف من هذا الإطار هو تجنب استغراق الوقت المستهلك أثناء تعيين خطورة الأخطاء بشكل يدوي بالإضافة إلى تحسين الدقة والفعالية في التنبؤ خطورة تقارير الأخطاء. تم التحقق من فعالية هذا الإطار وصحته بتجربته على مجموعات بيانات مستخرجة من JIRA باستخدام لوحة معلومات شركة TETCO وهو مشروع مغلق المصدر لم يتم استخدامه في أبحاث سابقة، ويحتوي على 2355 تقرير خطأ، للحصول على أداء أفضل وتحقيق دقة أعلى. تم إجراء التجارب على مجموعة البيانات الحقيقية من خلال التعلم العميق باستخدام خوارزميتين وهما: الذاكرة العصبية طويلة المدى (LSTM)، و(RNN). تشير نتائج تجربتنا إلى أن إطار العمل الخاص بتعيين مستوى الشدة المناسب لتقارير الأخطاء والذي يستند إلى التعلم العميق، بأنه يتنبأ بخطورة تقارير الأخطاء بدقة مرتفعة، حيث أظهرت النتائج نسبة التنبؤ بمستوى الخطورة إسنادا إلى LSTM تصل إلى: 0.858، أما نسبة التنبؤ بمستوى الخطورة إسنادا إلى RNN تصل إلى: 0.58، مما يعني أن خوارزمية LSTM كانت الأكثر دقة في التنبؤ بمستوى الخطورة المناسب لتقارير الأخطاء مقارنة بخوارزمية RNN. |
|---|
عناصر مشابهة
-
Deep Learning Approach for Predicting the Severity Level of Bug Reports
بواسطة: الزيود، هالة محمد مسلم منشور: (2021) -
Combining Machine Learning with Use-Case Point for Enhancing Software Estimation
بواسطة: الربابعة، نعمة صالح أحمد منشور: (2022) -
Automatic Breast Cancer Detection Using Machine Learning Techniques
بواسطة: عبدالحليم، أحمد غالب عمر عبدالرحمن منشور: (2017) -
Detecting Redundant Test Cases Using Deep Learning
بواسطة: الدرابسة، رغد جودت منشور: (2022) -
Studying Community Detection Problem Using Data Mining Techniques
بواسطة: مسعود، يوسف فيصل مسعود منشور: (2022)
