Defect prediction using social network analysis on issue repositories
Sorun depolarında sosyal ağ analizi ile kusur tahmini
- Tez No: 270502
- 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: 2010
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 86
Özet
Araştırmacılar yazılım ürünlerinin kusura yatkınlığını tahmin etmek için zeki uzman sistemler yapmaktalar. Bu modeller ürün ve süreçle ilgili özellikleri girdi olarak kullanır ve onların zekaları kullandıkları makine öğrenme algoritmalarından gelir. Geçen yıllarda araştırmacılar algoritmaların performanslarını iyileştirmek için emek harcamaya değmeyeceği bir tavana ulaştığını ve bu tavan etkisini bertaraf etmek için girdinin bilgi içeriğinin başka türde ölçütleri içerecek şekilde zenginleştirilmesi gerektiğini vurgulamaktalar. Bir ölçüt seti insanla ilgili ölçütlerdir. İnsanlar yazılım geliştirme sürecinin en önemli bileşenleridir. Onların birbiriyle nasıl etkileşime girdiğini ve bu etkileşimlerin son ürünün kalitesini kusur bakımından nasıl etklediğini anlamak kritiktir. Biz bu araştırmada kusur tahminlerinde sosyal ağ ölçütleri olarak da bilinen yeni bir ölçüt seti eklemeyi öneriyoruz. Bu işlem iki aşamadan oluşmaktadır. İlk önce yazılım geliştirme sürecindeki herhangi bir periyodda iletişim ağı yapısı ve düzeltilen kusur miktarı arasındaki ilişkiyi gözlemledik. Bu gözlemde kayda değer bir ilişki bulmada başarısız olduk. Bundan sonra sosyal ağ ölçütlerini kullanarak dosya seviyesinde kusur tahmini uyguladık. önerdiğimiz modelin sonuçları gösterdi ki kod geçmişi ölçütleri gibi diğer ölçüt grupları ile karşılaştırıldığında sorun depoları üzerinde sosyal ağ ölçütleri ya kusur bulma oranlarına gölge düşürmeden kayda değer şekilde yanlış alarm oranını azaltıyor ya da yanlış alarm oranını değiştirmeden düşük kusur bulma oranlarını kayda değer şekilde yükseltiyor. Bundan dolayı, biz pratisyenlere insanla ilgili bilgiler herhangi bir takımdaki geçmiş düzenlerin güçlü bir göstergesi olduğu için, sorun depolarında sosyal ağ ölçütlerini toplamayı öneriyoruz.
Özet (Çeviri)
Researchers have been building intelligent oracles to predict defect proneness of software products. These models use product and process related attributes as their input and their intelligence come from the machine learning algorithms they employ. In recent years researchers emphasize that the algorithms reached a ceiling that it is not worth the effort in working to increase their performance and information content of input data should be enriched to include different kinds of metrics to eliminate this ceiling effect. One set of metrics is people related metrics. People are the most primary elements of software development process. It is critical to understand how they interact with each other and how these interactions affect the quality of the end product in terms of defects. In this research we propose to include a new set of metrics, a.k.a. social network metrics on issue repositories in predicting defects. This process consisted of two different stages. First of all we observed relation between communication network structure and number of defects fixed in a time period during development of software. We were unable to find a significant relation in this observation. Then we conducted file level defect prediction using social network metrics. Results of our proposed model revealed that compared to other set of metrics such as churn metrics using social network metrics on issue repositories either considerably decreases high false alarm rates without compromising the detection rates or considerably increases low prediction rates without compromising low false alarm rates. Therefore we recommend practitioners to collect social network metrics on issue repositories since people related information is a strong indicator of past patterns in a given team.
Benzer Tezler
- Resolving security and low mobility issues in mobile AD-HOC networks
Başlık çevirisi yok
AMMAR ABDULRAHMAN M.SAEED
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiBilgi Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SEFER KURNAZ
- BMI prediction from face images
Yüz görüntülerinden vücut kitle indeksi tahmini
GÜLPINAR BÖLÜKBAŞ
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA ERSEL KAMAŞAK
- Endüstriyel mikro şebekelerde dinamik enerji yönetim modeli önerisi ve örnek uygulama
A dynamic energy management model proposal for energy management in industrial microgrids and a case study
ZEYNEP BEKTAŞ
Doktora
Türkçe
2021
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. GÜLGÜN KAYAKUTLU
- A graph database application to analyse social networks
Sosyal ağları analiz etmek için graf veritabanı çalışması
SONGÜL BAYER
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara Yıldırım Beyazıt ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. FATİH VEHBİ ÇELEBİ
- Community event prediction in evolving social networks
Dinamik sosyal ağlarda topluluk olay öngörüsü
NAGEHAN İLHAN
Doktora
İngilizce
2016
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ŞULE ÖĞÜDÜCÜ