Forskare vid Taif University, Birzeit University och RMIT University har utvecklat ett nytt tillvägagångssätt för programvarufelprognoser (SFP), som tar upp några av begränsningarna för befintliga maskininlärnings -SFP -tekniker. Deras tillvägagångssätt använder funktionsval (FS) för att förbättra prestandan hos ett skiktat återkommande neuralt nätverk (L-RNN), som används som klassificeringsverktyg för SFP.

Programvarufelprognoser (SFP) är processen för att förutsäga moduler som är benägna att ha fel i nyutvecklad programvara. Att förutsäga fel i programvarukomponenter innan de levereras till slutanvändaren är av största vikt, eftersom det kan spara tid, ansträngning och besvär i samband med att identifiera och ta itu med dessa frågor i ett senare skede.

Under de senaste åren har maskininlärningstekniker som neurala nätverk, logistisk tillbakagång, supportvektormaskiner och ensembleklassificerare har visat sig vara mycket effektiva för att hantera SFP. Dock, på grund av den enorma datapoolen som kan erhållas genom gruvprogramvarans historiska arkiv, det är möjligt att stöta på funktioner som inte är relaterade till felen. Detta kan ibland vilseleda inlärningsalgoritmen, vilket minskar dess prestanda.

Funktionsval (FS) är en teknik som kan hjälpa till att eliminera dessa icke -relaterade funktioner utan att försämra prestandan för maskininlärningsalgoritmen. I maskininlärning, funktionsval innebär att man väljer en delmängd av relevanta funktioner (dvs. prediktorer) som ska användas i en viss modell. FS kan minska datadimensionalen; ta bort irrelevanta och redundanta data.

I deras papper, publicerad i Expertsystem med applikationer , forskargruppen vid Taif University, Birzeit University och RMIT University föreslog ett nytt FS-tillvägagångssätt för att förbättra prestandan för ett skiktat återkommande neuralt nätverk (L-RNN) för SFP. Forskarna använde tre olika wrapper FS -algoritmer iterativt:binär genetisk algoritm (BGA), optimering av binära partiklar (BPSO), och binär myrkolonioptimering (BACO).

"Vi har föreslagit en itererad algoritm för val av funktioner med ett lager i återkommande neuralt nätverk för att lösa problem med förutsägelse av programvarufel, "forskarna skrev i sin uppsats." Den föreslagna algoritmen kan välja de viktigaste mjukvaruberäkningarna med hjälp av olika algoritmer för val av funktioner. Klassificeringsprocessen utförs av ett skiktat återkommande neuralt nätverk. "

Forskarna utvärderade deras tillvägagångssätt på 19 verkliga programvaruprojekt från PROMISE-förvaret och jämförde deras resultat med de som erhållits med andra toppmoderna metoder, inklusive Naive Bayes (NB), artificiella neurala nätverk (ANN), logistisk regression (LR), k-närmaste grannar (k-NN) och beslutsträd C4.5. Deras tillvägagångssätt överträffade alla andra befintliga metoder, uppnå en genomsnittlig klassificeringshastighet på 0,8358 över alla datamängder.

"De erhållna resultaten stöder vårt påstående om vikten av funktionsval för att bygga en klassificerare av hög kvalitet snarare än att använda en fast uppsättning funktioner eller alla funktioner, "förklarade forskarna i sin uppsats." För framtida arbete, Vi planerar att undersöka prestanda för olika klassificerare, till exempel genetisk programmering för att bygga en datormodell som kan förutsäga fel baserat på utvalda mätvärden. "

© 2019 Science X Network