Geri Dön

Yazılım geliştirme süreçlerinde büyük dil modelleri ile hata şiddetinin tahmin edilmesi

Predicting error severity in software development processes using large language models

PDF İndir

  1. Tez No: 1016943
  2. Yazar: REŞİT DEMİR
  3. Danışmanlar: DOÇ. DR. HAKAN GÜNDÜZ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Kocaeli Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Yazılım projelerinin karmaşıklığı arttıkça, hataların manuel olarak sınıflandırılması zaman alıcı bir hal alıyor ve hata yapma riskini önemli ölçüde arttırmaktadır. Hata şiddetinin doğru tahmini, bakım maliyetlerinin düşürülmesi ve kaynakların verimli kullanımı açısından kritik önem taşımaktadır. Bu çalışmada, yazılım hata şiddetini otomatik olarak belirlemek amacıyla büyük dil modelleri ve statik kod metriklerini birleştiren hibrit bir yöntem geliştirilmiştir. Bu araştırmada, gerçek dünya yazılım projelerinden elde edilen verilerden oluşturulan eğitim veri seti ve bağımsız test veri seti kullanılmıştır. Metinsel verilerin işlenmesinde TF-IDF ve CodeBERT tabanlı vektör temsillerinden, yapısal analizde ise karmaşıklık ve bakım yapılabilirlik gibi statik kod metriklerinden yararlanılmıştır. Veri setindeki sınıf dengesizliğini gidermek amacıyla“Critical”sınıfı“High”sınıfı ile birleştirilerek üçlü bir sınıflandırma yapısı oluşturulmuştur. Lojistik Regresyon, Destek Vektör Makineleri ve Gradient Boosting algoritmalarını içeren çok katmanlı bir topluluk (ensemble) mimarisi kurulmuştur. Deneysel analizler sonucunda, metin ve kod özelliklerinin birlikte kullanıldığı hibrit yaklaşımın, yalnızca sayısal metriklere dayalı temel çizgi modele kıyasla Macro-F1 değerini 0,482'den 0,557'ye yükselttiği ve en iyi yapılandırmada (Ensemble_Tuned) Macro-F1'in 0,693 seviyesine ulaştığı gözlemlenmiştir. Özellikle yüksek öncelikli hataların tespitinde önerilen yöntemin etkinliği ortaya konulmuştur. Sonuç olarak bu tez, hata şiddeti tahmini probleminde büyük dil modeli temsilleri ile statik kod metriklerini birleştiren pratik bir hibrit çerçeve sunmaktadır. Çalışmanın katkıları, gerçek dünya veri setleri üzerinde çok kaynaklı özellik öznitelik birleştirme (füzyon) yöntemi ile hata şiddetinin tahmin edilmesi, sınıf dengesizliğini gidermeye yönelik etiket birleştirme stratejisinin uygulanması, farklı algoritmaları bütünleştiren ensemble mimarisiyle yüksek öncelikli hataların tespit performansının artırılması şeklinde özetlenebilir. Bu yaklaşımın, yazılım bakım süreçlerinde hata önceliklendirme yükünü azaltarak daha hızlı ve tutarlı karar mekanizmalarına zemin hazırlayacağı öngörülmektedir.

Özet (Çeviri)

As software projects grow in complexity, manually classifying defects becomes time- consuming and significantly increases the risk of human error. Accurate prediction of bug severity is critically important for reducing maintenance costs and using resources efficiently. In this thesis, a hybrid approach is developed to automatically determine software bug severity by combining large language models with static code metrics. The study uses a training dataset and an independent test dataset constructed from data collected from real-world software projects. For processing textual information, TF-IDF and CodeBERT-based vector representations are employed, while structural analysis leverages static code metrics such as complexity and maintainability. To mitigate class imbalance in the dataset, the“Critical”class is merged with the“High”class, resulting in a three-class classification scheme. A multi-layer ensemble architecture is built, integrating Logistic Regression, Support Vector Machines, and Gradient Boosting algorithms. Experimental results show that the proposed hybrid approach, which jointly utilizes text and code features, improves the Macro-F1 score from 0.482 to 0.557 compared to a baseline model relying solely on numerical metrics, and reaches a Macro- F1 of 0.693 under the best configuration (Ensemble_Tuned). The effectiveness of the proposed method is particularly demonstrated in identifying high-priority defects. Overall, this thesis presents a practical hybrid framework for bug severity prediction by integrating large language model representations with static code metrics. The contributions of the study can be summarized as: predicting bug severity on real-world datasets through multi-source feature attribute fusion, applying a label-merging strategy to address class imbalance, and improving detection performance for high-priority defects via an ensemble architecture that combines multiple algorithms. This approach is expected to reduce the burden of bug prioritization in software maintenance processes and support faster, more consistent decision-making mechanisms.

Benzer Tezler

  1. Tez No

    1015931

    Büyük dil modelleri ile yazılan kaynak kodların güvenlik analizi: Bankacılık sektörü uygulaması

    Security analysis of source codes written by large language models: An application to the banking industry

    RESUL SEZGİN ALBAYRAK

    Yüksek Lisans

    Türkçe

    Türkçe

    2026

    BankacılıkKocaeli Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. MELTEM KURT PEHLİVANOĞLU

  2. Tez No

    1011569

    Learning-based analysis of pull request–issue alignment with large language models

    Büyük dil modelleri ile pull request–ıssue hizalamasının öğrenme tabanlı analizi

    MUSTAFA YASİR ALTUNHAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2026

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. ERAY TÜZÜN

  3. Tez No

    851193

    Automated priority detection in software bugs: A comprehensive study on transformer-based encoders with contrastive learning, large language models and vector databases for enhanced efficiency

    Yazılım hatalarında otomatik öncelik tespiti: Arttırılmış verimlilik için karşılaştırmalı öğrenme, büyük dil modelleri ve vektör veritabanları ile transformatör tabanlı kodlayıcılar üzerine kapsamlı bir çalışma

    EYÜP HALİT YILMAZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. İSMAİL HAKKI TOROSLU

    DR. ÖĞR. ÜYESİ ÖMER KÖKSAL

  4. Tez No

    950068

    Efficient estimation of Shrinkage parameters in fuzzy Ridge and fuzzy Liu regression models using α-cut-based methods under multicollinearity

    Çoklu bağıntı durumunda bulanık Ridge ve bulanık Liu regresyon modellerinde α-kesim tabanlı yöntemler kullanılarak Shrinkage parametrelerinin etkin tahmini

    AMMAR HOMAIDA

    Doktora

    İngilizce

    İngilizce

    2025

    İstatistikGazi Üniversitesi

    İstatistik Ana Bilim Dalı

    PROF. DR. MERAL EBEGİL

  5. Tez No

    990640

    Securing AI-generated code: A prompt engineering approach to mitigate vulnerabilities in LLM outputs

    YZ ile üretilmiş kodların güvenliğinin sağlanması: BDM çıktılarındaki açıkları yönetmek için bir istem mühendisliği yaklaşımı

    WARDAH SALEEM

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAtılım Üniversitesi

    Yazılım Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ SELMA NAZLIOĞLU

Geri Dön