Assigning Priority Level for Bug Reports Using Neural Networks
| العنوان بلغة أخرى: |
تعيين مستوى الأولوية لتقارير الأخطاء باستخدام الشبكات العصبية |
|---|---|
| المؤلف الرئيسي: | سلام، محمد ياسر عبدالفتاح (مؤلف) |
| المؤلف الرئيسي (الإنجليزية): | Sallam, Mohammed Yasser Abd Alfatah |
| مؤلفين آخرين: | بني سلامه، هاني أحمد (مشرف) |
| التاريخ الميلادي: |
2020
|
| موقع: | الزرقاء |
| الصفحات: | 1 - 52 |
| رقم MD: | 1252503 |
| نوع المحتوى: | رسائل جامعية |
| اللغة: | الإنجليزية |
| الدرجة العلمية: | رسالة ماجستير |
| الجامعة: | الجامعة الهاشمية |
| الكلية: | كلية الدراسات العليا |
| الدولة: | الاردن |
| قواعد المعلومات: | Dissertations |
| مواضيع: | |
| رابط المحتوى: |
عدد مرات التحميل
1
| المستخلص: |
يعرف خطأ البرنامج (bug) 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 بأولوية 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 الأولوية المناسب لتقارير الأخطاء، بإسناد قيمة لأولوية تقرير الخطأ، إما أن تكون أولوية مرتفعة، أو منخفضة، والهدف من هذا الإطار هو تجنب استغراق الوقت المستهلك أثناء تعيين أولويات الأخطاء بشكل يدوي بالإضافة إلى تحسين الدقة والفعالية في التنبؤ بأولوية تقارير الأخطاء. تم التحقق من فعالية هذا الإطار وصحته بتجربته على مجموعات بيانات مستخرجة من JIRA باستخدام لوحة معلومات شركة INTIX DWC من خمسة مشاريع مغلقة المصدر لم يتم استخدامها في أبحاث سابقة، وتحتوي على أكثر من 2000 تقرير خطأ، للحصول على أداء أفضل وتحقيق دقة أعلى. تم إجراء التجارب على مجموعة البيانات الحقيقية من خلال الشبكة العصبية باستخدام ثلاث خوارزميات مختلفة وهم: الذاكرة العصبية طويلة المدى (LSTM)، و(SVM) و(KNN). تشير نتائج تجربتنا إلى أن إطار العمل الخاص بتعيين مستوى الأولوية المناسب لتقارير الأخطاء والذي يستند إلى الشبكة العصبية، بأنه يتنبأ بأولوية تقارير الأخطاء بدقة مرتفعة، حيث أظهرت النتائج نسبة التنبؤ بمستوى الأولية استنادا إلى LSTM تصل إلى: 0.903، أما نسبة التنبؤ بمستوى الأولية استنادا إلى SVM تصل إلى: 0.865، وأيضا نسبة التنبؤ بمستوى الأولية استنادا إلى KNN تصل إلى: 0.741. مما يعني أن خوارزمية LSTM كانت الأكثر دقة في التنبؤ بمستوى الأولوية المناسب لتقارير الأخطاء من بين الثلاث خوارزميات المستخدمة. |
|---|
عناصر مشابهة
-
Empirical Evaluation of Homogeneous and Heterogeneous Ensembles of Evolutionary Neural Networks
بواسطة: سعاده، محمد خالد محمد منشور: (2017) -
Detection of Botnet Using Intelligent Water Drop (IWD) Algorithm with Hopfield Neural Network
بواسطة: الحناقطة، علي منشور: (2021) -
Improving Software Defects Prediction Using Feature Selection and Data Mining Techniques
بواسطة: اللطايفة، مروة عبدالله محمد منشور: (2018) -
Visualizing Software Bug Reports
بواسطة: السفرية، صباح سمير أحمد منشور: (2020) -
Graph Neural Networks Based Approach for Airport Gate Assignment Problem
بواسطة: Ben Aissa, Nour El Houda Sayah منشور: (2021)
