Software defect prediction using call graph based ranking (CGBR) framework
Çağrı grafiklerine dayalı sıralama çerçevesini kullanarak yazılım hata kestirimi
- Tez No: 232642
- Danışmanlar: YRD. DOÇ. AYŞE BAŞAR BENER
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2008
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 73
Özet
Yazılım geliştirme endüstrisinde yüksek hata oranları geliştirme maliyetlerini ve hizmetleri yükseltmektedir, bu da müşteri memnuniyetsizliği ile sonuçlanmaktadır. Test süreci yazılım geliştirme safhalarından en kritik ve maliyetli olanıdır. Şirketler test için maliyetli araştırmalar yapmaktadır fakat hala yeterli bir seviyedeki test kapsamına ulaşamamışlardır. Bu sebepten dolayı yazılım mühendisleri ön test aşamasında hataları yakalamak için zeki modeller arayışındadır. Bu çalışmada biz önceki versiyon hataları, statik kod özellikleri ve çağrı grafiklerini kullanarak öğrenme temeline dayanan hata yakalama modeli kurmaya odakladık.Bu tezde motivasyonumuz, kodun mimari yapısını daha iyi anlayabilmek için statik kod özelliklerinin bilgisini arttırmaktır. Hata yakalama modeli için önerdiğimiz çatı, çağrı grafiklerine dayalı sıralama metodolojisidir. Bu araştırmada modül ilişkisinin ve yapısının kodun hata eğilimli olmasında önemli bir rol oynayıp oynamadığını araştırdık. Önerdiğimiz çatı modelinde modül ilişkilerini dikkate aldık ve çağrı grafiklerini kodu modülden modüle izlemek için kullandık. PageRank algoritmasını çağrı grafiklerine dayalı sıralama algoritmasını oluşturmak için kullandık. Çağrı grafiklerine dayalı sıralama algoritmasından ürettiğimiz değerleri statik kod özellikleriyle çarptık.Sonuçta oluşan yeni çerçeve statik kod özelliklerine dayanan tüm hata yakalama modellerinde kullanılabilir. Bu çerçeve ile yazılım geliştiriciler daha az test maliyetleriyle hata yakalayarak yazılımlarının kalitesini arttırabilirler.
Özet (Çeviri)
In software development industry high defect rates increase the cost of development and maintenance, which ends in customer dissatisfaction. Testing is among the most critical and costly phases in software development. The companies make costly investments in testing; still they cannot reach an adequate level of test coverage. Due to this software engineers are in search for intelligent models, which would predict defects at pre-testing point. In this research we focus on building a learning-based defect prediction model based on pre-release defects, static code attributes and call graphs.In our research the motivation is to increase the information content of static code attributes through a better understanding of the architectural structure of the code. Our proposed framework for defect prediction model is a call graph based ranking methodology. We search through whether module interaction and structure play an important role in defect proneness of a given code. In our proposed framework module interaction is taken into consideration and call graphs are used to trace the code module by module. PageRank algorithm is utilized in constructing our call graph-based ranking algorithm. We adjust the values produced from call graph-based ranking algorithms with static code attributes.The resulting framework can be applied to any defect prediction model based on static code attributes. This framework will help software developers increase the quality of their products by catching defects with lower test costs.
Benzer Tezler
- Improving the performance of software defect predictors with internal and external information sources
Dahili ve harici bilgi kaynakları ile yazılım hata tahmini performansının iyileştirilmesi
BURAK TURHAN
Doktora
İngilizce
2008
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiBilgisayar Mühendisliği Bölümü
YRD. DOÇ. DR. AYŞE BAŞAR BENER
- Software defect prediction using bayesian networks and kernel methods
Bayesian ağları ve çekirdek yöntemleri ile yazılım hata tahmini
AHMET OKUTAN
Doktora
İngilizce
2012
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolIşık ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. OLCAY TANER YILDIZ
- Software defect prediction performance monitoring of deep and machine learning models on NASA promise datasets
NASA promise veri setlerinde derin ve makine öğrenme modellerinin yazılım hata tahmini performansının izlenmesi
ABDULLAH AKRAM SHAKIR AL BAYATI
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. SEFER KURNAZ
- A new software defect prediction approach using intelligent system
Akıllı sistem kullanarak yeni bir yazılım hata tahmini yaklaşımı
RANA KADHIM MAHDI ALSHUKRA
Yüksek Lisans
İngilizce
2022
Elektrik ve Elektronik MühendisliğiAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. MESUT ÇEVİK
- Software defect prediction with a personalization focus and challenges during deployment
Kişiselleştirme odaklı yazılım hata tahmini ve entegrasyon zorlukları
BEYZA EKEN
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AYŞE TOSUN KÜHN