Source file level software defect prediction framework
- Global styles
- Apa
- Bibtex
- Chicago Fullnote
- Help
Abstract
Hata kestirim teknikleri yazılım ürünlerindeki hatalı kod parçacıklarının tespit edilmesinde kullanılır. Yazılım geliştirme sürecinin test aşamasına geçilmeden önce hata kestirimi teknikleri uygulanması, yöneticilerin zaman ve iş gücü gibi kaynaklarınıkodun belirli bölümlerinin test edilmesi için ayırmasına yardımcı olarak kaynakların verimli ve etkili kullanılmasını sağlar. Hata kestirim araçları proje yöneticilerine, yazılım geliştirme sürecinin test kısmını ürün kalitesinden ödün vermeden planlamalarındayardımcı olur.Bu araştırmada yazılım hata kestirimini iki sını ? ı bir sını ? andırma problemi olarak ele aldık. Kestirim modelimizi oluşturmak için otomatik öğrenme teknikleri kullandık. Öğrenme temelli modellerin en uğraştırıcı bölümleri veri toplamaktır. Yazılım mühendisliğinde alan verileri ciddi bir problemdir. Şirketler ve araştırmacılar sıklıkla doğru seviyede veri toplama ile boğuşurlar: Örneğin modül / fonksiyon bazı ile dosya / sınıf bazı seviyeleri. Bu araştırmada doğru veri seviyesi probleminden yola çıktık.Sunduğumuz modeller yazılım ürününün kaynak koduyla ilgili hiyerarşi bilgisini kullanarak kaynak dosya (ya da sınıf) gibi daha üst parçacık seviyelerinde hata kestirimi yapmaktadır. Sunduğumuz modeli geçerli kılmak için NASA, SoftLab ve Eclipse veri setleriüzerinde deneyler gerçekleştirdik. Ayrıca sunduğumuz modelin net etkisini ortaya çıkarmak için kar-zarar analizi de gerçekleştirdik. Defect prediction techniques are used to address defective sections of source code in software products. Applying a defect prediction technique before proceeding to testing phase of software development helps the managers to allocate their resourcesmore e ? ciently and most core e ? ectively such as time and e ? ort to test certain sections of the code. Defect predictors are useful tools to help project managers to plan test stage during the software development life cycle without compromising on the productquality.In this research we have taken software defect prediction as a two way classi ? cation problem. We have used machine learning techniques to construct our prediction model. One of the challenges in learning based models is the collection of data. In software engineering domain data collection is a major problem. Companies and researchers often struggle to ? nd out the right level of granularity in data collection: i.e. module / function level versus ? le / class level. In this research we have been motivated by the problem of right level of granularity. Our proposed models use the hierarchical structure information about the source code of the software product, in order to perform defect prediction for high level granularity such as source ? les (alsocalled classes).We have run experiments on NASA, SoftLab and Eclipse datasets to validate ourproposed model. Additionally we have also performed cost-bene ? t analysis to evaluatethe net e ? ect of using our proposed model.
Collections