Investigation for Software Fault Proneness Prediction at Method Level
| العنوان بلغة أخرى: |
التحقق من تنبؤ البرمجيات بالتعرض للخطأ على مستوى الوحدة البرمجية |
|---|---|
| المؤلف الرئيسي: | الذيابات، سماح عبدالعزيز (مؤلف) |
| مؤلفين آخرين: | أبوالهدى، بلال (مشرف) , عكور، محمد (مشرف) |
| التاريخ الميلادي: |
2018
|
| موقع: | إربد |
| الصفحات: | 1 - 68 |
| رقم MD: | 974301 |
| 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
16
| المستخلص: |
يركز التنبؤ بأخطاء البرمجيات على فحص واختبار الملفات والوحدات البرمجية لإظهار احتمال وجود أخطاء موجودة أم لا، ذلك يؤدي إلى بناء نموذج للتنبؤ يعتمد على مقاييس الجودة باستخدام السمات الداخلية والبيانات الخاطئة. بعد التنبؤ بالوحدة البرمجية الخاطئة، يمكن استخدام عملية التصحيح لفحص واختبار الوحدة البرمجية. وعندما يركز الجهد على الوحدات البرمجية التي تحتوي على أخطاء، ذلك يمكن أن يساعد في الاستفادة من موارد البرامج وإدارتها بشكل فعال، مما سيعزز مرحلة الصيانة لتكون سهلة. في هذه الأطروحة، يتم استخدام خمسة خوارزميات تعلم الآلة للتنبؤ بالوحدات البرمجية الخاطئة وهي Naïve Bays وRandom Forest, J48, Decision Table, SVM . هذه الخوارزميات تم تطبيقها على قواعد بيانات جافا (المقاييس الكبيرة والصغيرة) التي تم معالجتها مسبقا للحصول على نتائج أفضل. المقارنات التي تمت بين مجموعات البيانات غير المعالجة والمعالجة تبعا لخوارزميات التعلم الآلي تشير إلى أن هناك اختلاف في النتائج. بعد مقارنة النتيجة في منهجنا المطور مع (Hata, et al, 2012) اعتمادا على معدل الخطأ، من الواضح أن النتيجة في نهجنا المتطور كانت أفضل من نتائجهم باستخدام .Random Forest استنادا إلى المقارنة بين مجموعات البيانات التي سبق معالجتها وغير المعالجة لمجموعة البيانات كبيرة الحجم، كانت البيانات المعالجة أفضل قليلا من البيانات غير المعالجة. وبالاستناد إلى المقارنة بين البيانات المعالجة وغير المعالجة لمجموعات البيانات صغيرة الحجم، فمن الواضح أنه لا يوجد أي تأثير للمعالجة المسبقة لمجموعة البيانات للحصول على نتائج أفضل. بناء على نتائج مقاييس التقييم توضح أن أفضل خوارزمية للدقة ومعدل الخطأ هي Random Forest والترتيب التنازلي للخوارزميات هو J48, SVM, Random Forest, Decision Table والأخير هو Naïve Bay. |
|---|
عناصر مشابهة
-
Software Fault Prediction Using Deep Learning Algorithms
بواسطة: القاسم، أسامة محمد منشور: (2018) -
Software Fault Prediction Using Optimization Algorithms with Genetic Algorithm
بواسطة: الصغير، هبه عبدالكريم منشور: (2018) -
Improving Software Defects Prediction Using Feature Selection and Data Mining Techniques
بواسطة: اللطايفة، مروة عبدالله محمد منشور: (2018) -
An Empirical Evaluation Of Classification Algorithms For Fault Prediction In Open Source Projects
بواسطة: Kaur, Arvinder منشور: (2018) -
An Adaptive Bit-Level Text Compression Scheme Based on the HCDC Algorithm
بواسطة: Rababaa, Ahmad منشور: (2008)
