Esnek hesaplama yaklaşımı ile yazılım hata kestrimi
Yükleniyor...
Dosyalar
Tarih
2009
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Trakya Üniversitesi Fen Bilimleri Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Bir yazılım sistemi geliştirildiğinde, hataların (fault) ekseriyeti modüllerin ufak bir kısmında bulunur. Birçok durumda, hataların %55'i kaynak kodunun yüzde 20'lik kısmında oluşur. Bu, hata-eğilimli yazılım modüllerinin projenin erken aşamasında bulunması yönünde ilgi oluşturmuştur. (Saida Benlarbi, Khaled El Emam, ve Nishith Geol, 1999). Yazılım karmaşıklık ölçütlerini kullanan teknikler, bileşenleri hata barındıran veya barındırmayan olarak sınıflandıran modeller geliştirirler. Bununla birlikte, algılanan hata sayısı arttıkça kalite de artmış olacaktır. Yazılım yaşam çevriminde hataların etkilerinin erken kestirimi, yazılım süreci kontrolünü geliştirme ve yüksek yazılım güvenilirliği elde etmede kullanılabilir. Yazılım modüllerinde hataların zamanında kestirimi, yüksek sayıda hata barındırıyor olması muhtemel modüllerin maliyet etkin (cost-effective) kalite arttırma çabalarını yönlendirmede kullanılabilir. Yazılım ölçütlerine dayanan kestirim modelleri, yazılım modüllerinde bir miktar hatayı kestirebilir. Hataların aciliyetinin kestirimi: Geliştirilmiş zamanlama (scheduling) ve proje kontrolü ile yazılım kalitesi mühendisliğini destekler. Yazılım testinin yönetimi ve bütün sürecin etkinliğini arttırma yönünde anahtar bir adım olabilir. Hataların etkin keşfine ve tanımlanmasına izin verir. Doğrulama ve kritik yazılım bileşenlerine odaklanan onaylama aktivitelerine izin verir. Yazılım süreci kontrolünün ve yüksek yazılım güvenilirliğinin geliştirmesinde kullanılabilir. Modüllerde maliyet etkin kalite arttırma çabalarını yönlendirmede kullanılabilir. Bu çalışmada, farklı kestirim modellerini incelemek için Perl programlama dilinde kodlanan NASA'nın kamusal alan (public domain) hata veri kümesini kullandık. WEKA projesinin farklı öğrenici kategorilerine ait olan farklı makine öğrenmesi algoritmaları, Mamdani Tabanlı Bulanık Çıkarım Sistemi (Fuzzy Inference System) ve Uyarlamalı Nöral-Bulanık (Neuro-Fuzzy) Tabanlı Sistemler ile yazılım bakımında hata kestiriminin önemi değerlendirildi. Sonuçlar Doğruluk (Accuracy), Ortalama Mutlak Hata (Mean Absolute Error, MAE), ve Kök Hata Kareler Ortalaması (Root Mean Squared Error, RMSE) olarak kaydedildi. Sonuçlar Uyarlamalı Nöral-Bulanık (Neuro- Fuzzy) Tabanlı modelin diğer modellere nispeten daha doğru kestirim sağladığı ve bu nedenle yazılımın bakım aciliyeti kestiriminde kullanılabileceğini gösterdi.
When a software system is developed, the majority of faults are found in a few of its modules. In most of the cases, 55 % of faults exist within 20 % of source code. It is, therefore, much of interest is to find out fault-prone software modules at early stage of a project [1]. Using software complexity measures, the techniques build models, which classify components as likely to contain faults or not. Quality will be improved as more faults will be detected. Predicting the impact of the faults early in the software life cycle can be used to improve software process control and achieve high software reliability. Timely predictions of faults in software modules can be used to direct costeffective quality enhancement efforts to modules that are likely to have a high number of faults. Prediction models based on software metrics, can estimate number of faults in software modules. Prediction of severity of faults: Supports software quality engineering through improved scheduling and project control. Can be a key step towards steering the software testing and improving the effectiveness of the whole process. Enables effective discovery and identification of defects. Enables the verification and validation activities focused on critical software components. Used to improve software process control and achieve high software reliability. Can be used to direct cost-effective quality enhancement efforts to modules. In this research, we have explored the different predictor models to NASA's public domain defect dataset coded in Perl programming language. Different machine learning algorithms belonging to the different learner categories of the WEKA Project including Mamdani Based Fuzzy Inference System and Adaptive Neuro-fuzzy based system have been evaluated for the software maintenance severity prediction. The results are recorded in terms of Accuracy, Mean Absolute Error (MAE) and Root Mean Squared Error (RMSE). The results show that Adaptive Neuro-fuzzy based model provides relatively better prediction accuracy as compared to other models and hence, can be used for the maintenance severity prediction of the software.
When a software system is developed, the majority of faults are found in a few of its modules. In most of the cases, 55 % of faults exist within 20 % of source code. It is, therefore, much of interest is to find out fault-prone software modules at early stage of a project [1]. Using software complexity measures, the techniques build models, which classify components as likely to contain faults or not. Quality will be improved as more faults will be detected. Predicting the impact of the faults early in the software life cycle can be used to improve software process control and achieve high software reliability. Timely predictions of faults in software modules can be used to direct costeffective quality enhancement efforts to modules that are likely to have a high number of faults. Prediction models based on software metrics, can estimate number of faults in software modules. Prediction of severity of faults: Supports software quality engineering through improved scheduling and project control. Can be a key step towards steering the software testing and improving the effectiveness of the whole process. Enables effective discovery and identification of defects. Enables the verification and validation activities focused on critical software components. Used to improve software process control and achieve high software reliability. Can be used to direct cost-effective quality enhancement efforts to modules. In this research, we have explored the different predictor models to NASA's public domain defect dataset coded in Perl programming language. Different machine learning algorithms belonging to the different learner categories of the WEKA Project including Mamdani Based Fuzzy Inference System and Adaptive Neuro-fuzzy based system have been evaluated for the software maintenance severity prediction. The results are recorded in terms of Accuracy, Mean Absolute Error (MAE) and Root Mean Squared Error (RMSE). The results show that Adaptive Neuro-fuzzy based model provides relatively better prediction accuracy as compared to other models and hence, can be used for the maintenance severity prediction of the software.
Açıklama
Yüksek Lisans Tezi
Anahtar Kelimeler
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control, Yazılım Metrikleri, Software Metrics, Yazılım Mühendisliği, Software Engineering
