En ny tilgang til forudsigelse af softwarefejl ved hjælp af funktionsvalg

Forskere ved Taif University, Birzeit University og RMIT University har udviklet en ny tilgang til forudsigelse af softwarefejl (SFP), som adresserer nogle af begrænsningerne ved eksisterende machine learning SFP-teknikker. Deres tilgang anvender funktionsvalg (FS) til at forbedre ydeevnen af ​​et lagdelt tilbagevendende neuralt netværk (L-RNN), som bruges som et klassifikationsværktøj til SFP.

Software fejl forudsigelse (SFP) er processen med at forudsige moduler, der er tilbøjelige til fejl i nyudviklet software. At forudsige fejl i softwarekomponenter, før de leveres til slutbrugeren, er af afgørende betydning, da det kan spare tid, indsats og besvær forbundet med at identificere og løse disse problemer på et senere tidspunkt.

I de seneste år, maskinlæringsteknikker såsom neurale netværk, Logistisk regression, støtte vektormaskiner og ensembleklassifikatorer har vist sig at være meget effektive til at tackle SFP. Imidlertid, på grund af den enorme pulje af data, der kan opnås ved minedrift af historiske software -arkiver, det er muligt at støde på funktioner, der ikke er relateret til fejlene. Dette kan nogle gange vildlede indlæringsalgoritmen, som følge heraf forringet dens ydeevne.

Funktionsvalg (FS) er en teknik, der kan hjælpe med at eliminere disse ikke-relaterede funktioner uden at forringe ydeevnen af ​​maskinlæringsalgoritmen. I maskinlæring, funktionsvalg indebærer at vælge en delmængde af relevante funktioner (dvs. forudsigere), der skal bruges i en bestemt model. FS kan reducere dimensionaliteten af ​​data; fjernelse af irrelevante og overflødige data.

I deres papir, udgivet i Ekspertsystemer med applikationer , forskerholdet ved Taif University, Birzeit University og RMIT University foreslog en ny FS-tilgang til at forbedre ydeevnen af ​​et lagdelt tilbagevendende neuralt netværk (L-RNN) til SFP. Forskerne brugte tre forskellige wrapper FS-algoritmer iterativt:binær genetisk algoritme (BGA), binær partikelsværmoptimering (BPSO), og binær myrekolonioptimering (BACO).

"Vi har foreslået en itereret funktionsvalgalgoritme med et lagdelt tilbagevendende neuralt netværk til løsning af softwarefejls forudsigelsesproblem, "forskerne skrev i deres papir." Den foreslåede algoritme er i stand til at vælge de vigtigste softwaremetrikker ved hjælp af forskellige funktionsvalgalgoritmer. Klassificeringsprocessen udføres af et lagdelt tilbagevendende neuralt netværk."

Forskerne evaluerede deres tilgang på 19 softwareprojekter i den virkelige verden fra PROMISE-depotet og sammenlignede deres resultater med dem opnået ved hjælp af andre avancerede tilgange, herunder Naive Bayes (NB), kunstige neurale netværk (ANN'er), logistisk regression (LR), de k-nærmeste naboer (k-NN) og C4.5 beslutningstræer. Deres tilgang overgik alle andre eksisterende metoder, opnåelse af en gennemsnitlig klassifikationsrate på 0,8358 over alle datasæt.

"De opnåede resultater understøtter vores påstand om vigtigheden af ​​funktionsvalg i opbygningen af ​​en klassificering af høj kvalitet i stedet for at bruge et fast sæt funktioner eller alle funktioner, "forklarede forskerne i deres papir." Til fremtidigt arbejde, vi planlægger at undersøge ydeevnen af ​​forskellige klassifikatorer såsom genetisk programmering for at bygge en computermodel, der er i stand til at forudsige fejl baseret på udvalgte metrikker."

© 2019 Science X Network