کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4954983 1444133 2017 41 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
An empirical analysis of the effectiveness of software metrics and fault prediction model for identifying faulty classes
ترجمه فارسی عنوان
یک تحلیل تجربی از اثربخشی معیارهای نرم افزاری و مدل پیش بینی خطا برای شناسایی کلاس های معیوب
کلمات کلیدی
تکنیک های انتخاب ویژگی، شبکه های عصبی مصنوعی، روش گروهی، معیارهای کد منبع، چارچوب تجزیه و تحلیل هزینه،
ترجمه چکیده
مدل پیش بینی های خطای نرم افزار برای پیش بینی ماژول های معیوب در مراحل اولیه توسعه نرمافزار توسعه استفاده می شود. پیش بینی تقارب با استفاده از معیارهای کد منبع، منطقه ای است که توجه چندین محقق را جلب کرده است. عملکرد یک مدل برای ارزیابی تقارن خطا بستگی به معیارهای کد منبع است که به عنوان ورودی برای مدل در نظر گرفته می شود. در این کار، ما یک چارچوب برای اعتبار سنجی کد منبع را تعیین کرده ایم و یک مجموعه مناسب از معیارهای کد منبع را با هدف کاهش ویژگی های نامناسب و بهبود عملکرد مدل پیش بینی خطا پیشنهاد می کنیم. در ابتدا، ما یک تجزیه و تحلیل تست و تجزیه و تحلیل رگرسیون لجستیک بدون تغییر برای هر مبدأ کد متریک برای ارزیابی پتانسیل آنها برای پیش بینی تنش گسل استفاده کردیم. سپس، ما یک تجزیه و تحلیل همبستگی و انتخاب چندگانه رگرسیون خطی گام به گام برای پیدا کردن مجموعه ای از معیارهای کد منبع برای پیش بینی خطا انجام دادیم. مجموعه داده های حاصل از کد منبع به عنوان ورودی برای توسعه یک مدل پیش بینی خطا با استفاده از یک شبکه عصبی با پنج الگوریتم های مختلف آموزش و سه روش مختلف گروه در نظر گرفته می شود. اثربخشی مدل پیش بینی های گسل توسعه یافته با استفاده از یک چارچوب ارزیابی هزینه پیشنهادی ارزیابی می شود. ما در پنجاه و شش پروژه متن باز متن باز انجام دادیم. نتایج تجربی نشان می دهد که این مدل با در نظر گرفتن مجموعه انتخاب شده از معیارهای کد منبع با استفاده از چهارچوب اعتبار سنجی معیار کد منبع پیشنهاد شده به عنوان ورودی نتایج بهتر را در مقایسه با سایر معیارها به دست می آورد. نتایج تجربی همچنین نشان می دهد که مدل پیش بینی خطا برای پروژه های با کلاس های معیوب کمتر از مقدار آستانه بسته به کارایی شناسایی خطا (پایین 48.89٪، میانگین - 39.26٪ و بالا 27.86٪) مناسب است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر شبکه های کامپیوتری و ارتباطات
پیش نمایش مقاله
یک تحلیل تجربی از اثربخشی معیارهای نرم افزاری و مدل پیش بینی خطا برای شناسایی کلاس های معیوب
چکیده انگلیسی
Software fault prediction models are used to predict faulty modules at the very early stage of software development life cycle. Predicting fault proneness using source code metrics is an area that has attracted several researchers' attention. The performance of a model to assess fault proneness depends on the source code metrics which are considered as the input for the model. In this work, we have proposed a framework to validate the source code metrics and identify a suitable set of source code metrics with the aim to reduce irrelevant features and improve the performance of the fault prediction model. Initially, we applied a t-test analysis and univariate logistic regression analysis to each source code metric to evaluate their potential for predicting fault proneness. Next, we performed a correlation analysis and multivariate linear regression stepwise forward selection to find the right set of source code metrics for fault prediction. The obtained set of source code metrics are considered as the input to develop a fault prediction model using a neural network with five different training algorithms and three different ensemble methods. The effectiveness of the developed fault prediction models are evaluated using a proposed cost evaluation framework. We performed experiments on fifty six Open Source Java projects. The experimental results reveal that the model developed by considering the selected set of source code metrics using the suggested source code metrics validation framework as the input achieves better results compared to all other metrics. The experimental results also demonstrate that the fault prediction model is best suitable for projects with faulty classes less than the threshold value depending on fault identification efficiency (low - 48.89%, median- 39.26%, and high - 27.86%).
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Computer Standards & Interfaces - Volume 53, August 2017, Pages 1-32
نویسندگان
, , ,