Source Code-Based Defect Prediction Using Deep Learning and Transfer Learning
| العنوان بلغة أخرى: |
التنبؤ بالخلل القائم على أساس شيفرة المصدر باستخدام التعلم العميق ونقل التعلم |
|---|---|
| المؤلف الرئيسي: | الصمادي، نوزت محمود (مؤلف) |
| مؤلفين آخرين: | سعيفان، أحمد (مشرف) |
| التاريخ الميلادي: |
2018
|
| موقع: | اربد |
| الصفحات: | 1 - 81 |
| رقم MD: | 954418 |
| نوع المحتوى: | رسائل جامعية |
| اللغة: | الإنجليزية |
| الدرجة العلمية: | رسالة ماجستير |
| الجامعة: | جامعة اليرموك |
| الكلية: | كلية تكنولوجيا المعلومات وعلوم الحاسوب |
| الدولة: | الاردن |
| قواعد المعلومات: | Dissertations |
| مواضيع: | |
| رابط المحتوى: |
عدد مرات التحميل
99
| المستخلص: |
إن ضمان جودة البرمجيات أمر مهم لأي برنامج لتحقيق النجاح. يمكن أن يؤدي اكتشاف الأخطاء وإصلاح الكيانات المعيبة مبكرا في مرحلة الاختبار إلى توفير الكثير من الموارد وتحسين جودة البرامج. يجب على المطورين تحديد أولويات إجراءات الاختبار والحفاظ على موارد المشروع. ومع ذلك، عندما يكون هناك عدد قليل من الأمثلة على مشروع جديد يكون من الصعب بناء نموذج جيد للتنبؤ. تتوفر معلومات مختلفة حول مشاريع البرمجيات ويمكن الاستفادة منها من خلال المستودعات المفتوحة. يمكن للمطورين الاستفادة من معلومات العيب المسماة لبناء نموذج التنبؤ بالعيب. يمكن أن تساعد وفرة معلومات البرامج السابقة في مجال مشابه في نقل المعرفة المكتسبة من تدريب هذه المعلومات إلى مجال أخر في نموذج التنبؤ بالعيب بين المشاريع. التعلم العميق هو تعلم آله واعد. شبكه الاعتقاد العميق DBN هي نوع من أنواع التعلم العميق الذي يمكنه اكتشاف العلاقات الكامنة بين الخصائص المدخلة من خلال تدريبها عبر طبقات متعددة مخفية. ومع ذلك، من الصعب بناء نموذج تنبؤ جيد من مجموعة بيانات ذات أمثلة قليلة. في هذه الأطروحة، قمنا باستخدام مجموعة بيانات احتياطية مساعدة لعمل تهيئة لنموذج شبكة الاعتقاد العميق DBN ونقل المعرفة التي تم الحصول عليها لتدريب النموذج باستخدام مشروع المصدر في مجموعة المشروعات المشتركة. تم استخدام الخصائص المعبرة المتولدة من نموذج شبكة الاعتقاد العميق DBN لبناء نموذج تنبؤ تقليدي من فئة المصدر المسماة ثم اختباره على بيانات البرنامج الهدف أظهر تقييمنا على 13 مشروع بلغة جافا من مستودع البيانات PROMISE إن النموذج المقترح يحقق تحسنا لمقياس F بمقدار (3.6%، 4.9% و 5.1%) للإعدادات الثلاثة لنموذج شبكة الاعتقاد العميق DBN مقابل أفضل نموذج من تقنيات نقل تحليلات المكونات (TCA/TCA+). علاوة على ذلك، يحقق نموذج نقل تعلم شبكة الاعتقاد العميق (T-DBN) ونموذج شبكة الاعتقاد العميق فقط (DBN-Only) تحسنا لمقياس F بنسبة (11.1%، 6.2%) مقابل أفضل نموذج لتقنيات نقل تحليلات المكونات (TCA/TCA) على مجموعة بيانات التحقق Relink. |
|---|
عناصر مشابهة
-
Software Fault Prediction Using Deep Learning Algorithms
بواسطة: القاسم، أسامة محمد منشور: (2018) -
Deep Learning Approach for Predicting the Severity Level of Bug Reports
بواسطة: الزيود، هالة محمد مسلم منشور: (2021) -
Software Defect Prediction Using Machine Learning Techniques
بواسطة: كتانة، أحمد عزام خالد منشور: (2023) -
Software Defect Prediction Using Extreme Learning Machine and Random Forest
بواسطة: طويقات، إسلام أكرم منشور: (2019) -
Traceability Enhancements on Source Code Analysis Tools to Improve Software Defects Prediction
بواسطة: Al Zoubi, Qosai Mwafeq منشور: (2013)
