ارائه یک مدل ترکیبی هوشمند برای تشخیص و اولویت بندی باگ های نرم افزاری با بهره گیری از LLMs و داده های تاریخی پروژه

افزایش پیچیدگی و حجم سیستم های نرم افزاری موجب شده است که مدیریت باگ ها و خطاها به یکی از چالش های اساسی در توسعه نرم افزار تبدیل شود. این پژوهش با هدف ارائه یک مدل ترکیبی هوشمند برای تشخیص و اولویت بندی باگ های نرم افزاری انجام شد. مدل پیشنهادی با بهره گیری همزمان از داده های تاریخی پروژه ها و توانایی های مدل های زبانی بزرگ (LLM) طراحی گردید تا فرآیند شناسایی باگ ها دقیق تر، سریع تر و هوشمندانه تر شود. در این مطالعه، داده های تاریخی شامل گزارش های خطا، تغییرات کد و مستندات توسعه مورد تحلیل آماری و پیش پردازش قرار گرفت و سپس LLMها با تحلیل متون گزارش ها و توضیحات کد، روابط پیچیده و الگوهای پنهان میان باگ ها را استخراج کردند. نتایج نشان داد که مدل ترکیبی قادر است باگ ها را با دقت بالا شناسایی و بر اساس شدت، احتمال وقوع و تاثیر بر عملکرد سیستم اولویت بندی کند. این اولویت بندی هوشمند موجب بهینه سازی تخصیص منابع، کاهش زمان و هزینه توسعه و بهبود کیفیت و امنیت نرم افزار می شود. همچنین، قابلیت یادگیری مستمر مدل امکان بهبود پیش بینی ها در پروژه های آتی و ارائه بازخورد هوشمند به تیم توسعه را فراهم می کند. پژوهش حاضر نشان می دهد که ترکیب داده های تاریخی با توانایی های LLM، چارچوبی عملی و قابل اتکا برای مدیریت هوشمند باگ ها ارائه می دهد و می تواند به افزایش پایداری، کیفیت و قابلیت اطمینان نرم افزارها در محیط های پیچیده کمک شایانی نماید. کلمات کلیدی:

کلیدواژه ها:

باگ های نرم افزاری ، یادگیری ماشینی ، مدل های زبانی بزرگ (LLM) ، اولویت بندی خطا ، داده های تاریخی.