مدل سازی و پیشبینی باگهای نرم افزاری با استفاده از یادگیری ماشین

کیفیت نرم افزار یکی از مهمترین دغدغه های صنعت فناوری اطلاعات است و وجود باگها (نقایص) می تواند هزینه های گزافی را در فازهای نگهداری و عملیاتی به پروژه ها تحمیل کند. پیش بینی باگهای نرم افزاری (Software Bug Prediction - SBP) به عنوان یک رویکرد، پیشگیرانه با هدف شناسایی ماژولهای مستعد خطا پیش از مرحله تست به تخصیص بهینه منابع تضمین کیفیت کمک شایانی می کند. این مقاله به بررسی جامع و تحلیلی کاربرد تکنیکهای یادگیری ماشین در مدلسازی و پیشبینی باگهای نرم افزاری می پردازد. در این راستا ابتدا به بیان مسئله و اهمیت اقتصادی و فنی آن پرداخته می شود. سپس، پیشینه پژوهش در سه دوره اصلی طبقه بندی و تحلیل می گردد مدلهای آماری کلاسیک، الگوریتمهای یادگیری ماشین سنتی و رویکردهای نوین مبتنی بر یادگیری عمیق روش تحقیق شامل مراحل گردآوری داده از مخازن کد و سیستمهای ردیابی، باگ استخراج ویژگیهای ایستا پویا و مبتنی بر فرآیند و پیش پردازش داده ها تشریح می شود. در بخش تحلیل عملکرد الگوریتمهای مختلف مانند درخت تصمیم، جنگل تصادفی، ماشینهای بردار پشتیبان و شبکه های عصبی مقایسه شده و چالشهای کلیدی نظیر عدم توازن داده ها، رانش مفهوم پیش بینی بین پروژه ای و نیاز به تفسیر پذیری مدلها مورد بحث قرار می گیرد. در نهایت نتیجه گیری ضمن ارائه تصویری کلی از وضعیت فعلی این حوزه، مسیرهای تحقیقاتی آینده را ترسیم می کند که بر یادگیری عمیق از کد منبع خام و توسعه مدلهای قابل تفسیر (XAI) متمرکز است.

کلیدواژه ها:

پیشبینی باگ ، نرم افزار ، یادگیری ماشین ، معیارهای نرم افزار ، یادگیری عمیق ، مهندسی نرم افزار ، تضمین کیفیت