استفاده از تکنیک های یادگیری ماشین برای پیش بینی دقیق اشکالات نرم افزاری

پیش بینی باگ های نرم افزاری یکی از موضوعات کلیدی در مهندسی نرم افزار است که می تواند نقش مهمی در کاهش هزینه توسعه، افزایش کیفیت محصول و جلوگیری از خطاهای بحرانی ایفا کند. این پژوهش با هدف ارائه یک رویکرد ترکیبی و مدرن، از مدل های یادگیری ماشین کلاسیک (SVM، Random Forest، XGBoost) در کنار مدل های گراف محور (GNN و Hierarchical Attention Graphs) و مدل های زبانی پیشرفته (CodeBERT و LLMهای جدید) برای پیش بینی باگ در پروژه های بزرگ استفاده می کند. داده ها از مخازن GitHub و Apache شامل 12٬500 نمونه برچسب گذاری شده استخراج شده و شامل 23 ویژگی کدی، ساختاری و رفتاری توسعه دهنده هستند. نتایج نشان می دهد مدل های ترکیبی شامل CodeBERT+GNN و GNN با توجه سلسله مراتبی (HAG-SDP) عملکردی برتر نسبت به روش های کلاسیک ارائه می دهند. همچنین استفاده از مدل های LLM برای پاک سازی داده و تشخیص commitهای درهم ریخته موجب افزایش چشمگیر دقت نهایی شد. در نهایت، مدل XGBoost نیز در میان روش های کلاسیک بهترین عملکرد را ارائه داد. این پژوهش نشان می دهد که پیش بینی باگ با ترکیب یادگیری ماشینی، یادگیری عمیق گرافی و مدل های زبانی می تواند راهکاری قدرتمند و آینده دار در پروژه های نرم افزاری بزرگ باشد.

کلیدواژه ها:

یادگیری ماشین ، پیش بینی باگ ، مهندسی نرم افزار ، گراف نرونال شبکه ها ، داده کاوی.