<span lang="AR-SA">پیش بینی بیدرنگ نقص نرم افزار با یادگیری چندوجهی مبتنی بر مبدل ها

در دنیای توسعه نرم افزار، که سامانه های پیچیده در چرخه های «یکپارچه سازی مداوم/ استقرار مداوم»[۱] تکامل می یابند، پیش بینی بیدرنگ نقص ها به چالشی اساسی بدل شده است. این توانمندی افزون بر کاهش هزینه های نگهداری، ریسک های عملیاتی را کاهش داده و کیفیت نرم افزار را بهبود می دهد. رویکردهای سنتی پیش بینی نقص عموما بر روش های آماری ساده یا شبکه های عصبی پیشرفته و تخصصی مانند CNN و LSTM متکی هستند و با محدودیت هایی چون تاخیر پردازشی، ناتوانی در پردازش داده های بیدرنگ و تمرکز بیشتر بر داده های تک وجهی به جای ساختارهای چندوجهی مواجه هستند. در محیط های پویای CI/CD، این رویکردها کارایی کافی نداشته و غالبا به صورت برون خط عمل می کنند و در نتیجه تشخیص زودهنگام نقص ها با محدودیت مواجه می شود. این پژوهش روشی مبتنی بر یادگیری چندوجهی با معماری مبدل ارائه می دهد که پیش بینی بیدرنگ نقص های نرم افزاری را بهبود می بخشد. روش پیشنهادی با بهره گیری از داده های ناهمگن شامل کد منبع، تاریخچه تغییرات، پیام های کامیت، معیار های کد و رخدادهای اجرایی و با استفاده از رمزگذارهای تخصصی و همجوشی تطبیقی مبتنی بر توجه، الگوهای پیچیده را استخراج می کند. نتایج آزمایش های تجربی روی مخازن کد واقعی نشان دهنده کاهش تاخیر زمانی به ۲۳ میلی ثانیه می باشد که با نیازمندی سیستم بیدرنگ (کاهش تاخیر و کاهش مصرف انرژی) سازگار می باشد. همچنین میزان فراخوانی ۷۵/۰ که بیانگر افزایش سه درصدی معیار فراخوانی نسبت به مدل های تک وجهی و پنج درصدی آن نسبت به مدل های شبکه های عصبی پیشرفته می باشد، نشان دهنده بهبود مناسبی در عملکرد مدل پیش بینی نقص نرم افزار می باشد. [۱] Continuous Integration/Continuous Deployment (CI/CD)

کلیدواژه ها:

نقص نرم افزار ، یادگیری چندوجهی ، مبدل ، یکپارچه سازی مداوم/ استقرار مداوم