پیش بینی خطاهای نرم افزاری با یادگیری عمیق و بیگ دیتا

پیش بینی خطاهای نرم افزاری یکی از چالش های مهم مهندسی نرم افزار است که می تواند هزینه های نگهداری را کاهش دهد و کیفیت محصولات را بهبود بخشد. در این مقاله با ترکیب رویکردهای یادگیری عمیق و ابزارهای پردازش بیگ دیتا یک چارچوب عملی برای استخراج ویژگی های مقیاس پذیر از مخازن کد و داده های فرآیندی پیشنهاد می شود، هدف ارزیابی توان مدل های عمیق (GNN، Transformer، RNN/LSTM) در مقایسه با روش های کلاسیک درخت تصمیم، Random Forest و SVM و ارائه راهکارهایی برای مدیریت عدم تعادل ویژگی های زمانی و مقیاس داده ها است. نتایج مورد انتظار نشان می دهد که مدل های یادگیری عمیق ساختاریافته به خصوص GNN و Transformer با نمایه سازی کد در پیش بینی دقیق تر خطاها عملکرد بهتری نسبت به ویژگی های سنتی دارند به شرطی که از معماری های مناسب، استراتژی های نمونه برداری و ابزارهای بیگ دیتا برای پردازش استفاده شود.

کلیدواژه ها:

پیش بینی خطاهای نرم افزاری ، یادگیری عمیق ، کیفیت نرم افزار ، شبکه باور عمیق