مروری بر روش های پیش بینی نقص های نرم افزاری مبتنی بر یادگیری ماشین

سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 732

فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

NCAEE02_097

تاریخ نمایه سازی: 11 مرداد 1396

چکیده مقاله:

پیش بینی نقص نرم افزار یکی از مهمترین موارد پژوهشی در حوزه مهندسی نرم افزار می باشد. وجود نقص در سیستمنرم افزاری یک تهدید جدی برای کیفیت نرم افزار به شمار میرود و موجب عدم انطباق محصول با نیاز مشتری می شود. ازطرفی یکی از فاکتورهایی که منجر به تعداد بالای خطاهای نرم افزاری و در نتیجه تولید نرم افزاری با کیفیت پایین میشود،محدودیت منابع تضمین کیفیت می باشد. بنابراین با توجه به محدودیت منابع بهتر است ابتدا ماژول هایی که مستعد نقصهستند شناسایی شده، سپس منابع را برای رفع نقص صرف این ماژول ها کنیم. مدلهای تشخیص نقص در ماژول هاینرم افزاری تاکنون توسط محققان زیادی مورد مطالعه قرار گرفته است و این در حالی است که بسیاری از روشهای پیش بینیماژول های نقصدار هنوز در مرحله اولیه می باشند و نیازمند تحقیق بیشتر برای رسیدن به مدل های قوی هستند. دراین مقالهبه بررسی ادبیات مهندسی نرمافزار در مورد پیش بینی نقص های نرم افزاری خواهیم پرداخت. توضیحات این مقاله منعکسکننده اطلاعات اکثر مقالات چاپ شده در زمینه تحلیل و بررسی مدلهای پیش بینی نقص نرم افزاری می باشد.

نویسندگان

پروانه اباذری شهرضایی

دانشجوی کارشناسی ارشد مهندسی کامپیوتر دانشگاه آزاد واحد یزد، دانشکده کامپیوتر، گروه نرمافزار، یزد - ایران

سیما عمادی

استادیار دانشگاه آزاد واحد یزد، دانشکده مهندسی کامپیوتر، گروه نرم افزار، یزد – ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • :N. Seliya, T. M. Khoshgoftaar, and J. Van Hulse. Predicting ...
  • : K. Karp agavadivu, T. Maragatham, and S. Karthik. A ...
  • : R. Malhotra and A. Jain. Fault prediction using statistical ...
  • : C. Catal. Software fuult prediction: A literature review and ...
  • : D. Radjenovic, M. Hericko, R. Torkar, and A. Zivkovic ...
  • : R. Malhotra. An emp irical frame work for defect ...
  • : A. Okutan and O. _ Yildiz. Software defect prediction ...
  • : H. Jiawei and M. Kamber. Data mining: concepts and ...
  • : G. Abaei and A. Selamat. A Survey or software ...
  • : A. Porter, R. W. Selby, and others .Empirically guided ...
  • 1: K. O. Elish and M. O. Elish. Predicting defect-prone ...
  • nd National Conference on Applied ...
  • : G. J. Pai and J. B. Dugan. Empirical analysis ...
  • : E. Arisholm, L. C. Briand, and M. Fuglerud. Data ...
  • : B. Ghotra, S. McIntosh, and A. E. Hassan. Revisiting ...
  • : Y. Chen, X. Shen, P. Du, and B. Ge.Research ...
  • : H. Can, X. Jianchun, Z. Ruide, L. Juelong, Y. ...
  • : Wahono Romi Satria and N. Suryana. Combining particle s7arrr ...
  • : _ Choeikiwong and P. Vateekul. Software defect prediction in ...
  • : S. Varade and M. Ingle. Hyper-Quad- Tree based K-Means ...
  • : R. Malhotra. A systemuatic review of machine learring techniques ...
  • : S. Wang and X. Yao. Using class irbalance learring ...
  • : P. He, B. Li, X. Liu, J. Chen, and ...
  • : J. Zheng. Cost-sensitive boosting neural networks for software defect ...
  • Romi Satria 26 Choeikiwong 27 Varide ...
  • نمایش کامل مراجع