Geri Dön

Software defect prediction using bayesian networks and kernel methods

Bayesian ağları ve çekirdek yöntemleri ile yazılım hata tahmini

PDF İndir

  1. Tez No: 320749
  2. Yazar: AHMET OKUTAN
  3. Danışmanlar: DOÇ. DR. OLCAY TANER YILDIZ
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2012
  8. Dil: İngilizce
  9. Üniversite: Işık Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Literat urde kullanlan cok cesitli yazlm olc utleri mevcuttur. Cok sayda olc utle hata tahmini yapmak yerine, en onemli olc ut k umesini belirleyip bu k umedeki olc utleri hata tahmininde kullanmak daha pratik ve kolay olacaktr. Bu tezde yazlm olc utleri ile hataya yatkınlık arasndaki etkilesimi ortaya cikarmak icin Bayesian modelleme y ontemi kullanlmistir. Promise veri deposundaki yazilim olc utlerine ek olarak, yazilimgelistiricisi sayisi (NOD) ve kaynak kodu kalitesi (LOCQ) adli 2 yeni olc ut tanmlanmistir. Bu olc utleri cikarmak icin Promise veri deposundaki veri k umelerinin acik kaynak kodlarikullanilmistir. Yapilan modelleme sonucunda, hem sinanan sistemin hatali olma ihtimali,hem de en etkili olc ut k umesi bulunmaktadr. 9 Promise veri k umesi uzerindeki deneyler, RFC, LOC ve LOCQ olc utlerinin en etkili olc utler oldugunu, CBO, WMC ve LCOM olc utlerinin ise daha az etkili oldugunu ortaya koymustur. Ayrca, NOC ve DIT olc utlerinin sınırlı bir etkiye sahip oldugu ve g uvenilir olmadıgı g ozlemlenmistir. Ote yandan, Poi, Tomcat ve Xalan veri k umeleri uzerinde yaplan deneyler sonucunda, yazılım gelistirici sayısı (NOD) ile hata seviyesi arasnda dogru orantı oldugu sonucuna varılmıstır. Bununla birlikte, tespitlerimizi dogrulamak icin daha fazla veri k umesi uzerinde deney yapmaya ihtiyac vardr.

Özet (Çeviri)

There are lots of different software metrics discovered and used for defect prediction in the literature. Instead of dealing with so many metrics, it would be practical and easy if we could determine the set of metrics that are most important and focuson them more to predict defectiveness. We use Bayesian modeling to determine the influential relationships among software metrics and defect proneness. In addition to the metrics used in Promise data repository, we define two more metrics, i.e. NOD for the number of developers and LOCQ for the source code quality. We extract these metrics by inspecting the source code repositories of the selected Promise data repositorydata sets. At the end of our modeling, we learn both the marginal defect proneness probability of the whole software system and the set of most eective metrics. Our experiments on nine open source Promise data repository data sets show that response for class (RFC), lines of code (LOC), and lack of coding quality (LOCQ) are the most eective metrics whereas coupling between objects (CBO), weighted method per class(WMC), and lack of cohesion of methods (LCOM) are less effective metrics on defect proneness. Furthermore, number of children (NOC) and depth of inheritance tree (DIT) have very limited effect and are untrustworthy. On the other hand, based on the experiments on Poi, Tomcat, and Xalan data sets, we observe that there is a positive correlation between the number of developers (NOD) and the level of defectiveness. However, further investigation involving a greater number of projects, is needed to confirm our findings.

Benzer Tezler

  1. Tez No

    791242

    Yazılım güvenlik açıklarının makine öğrenmesi yöntemleri ile tespiti

    Detection of software security vulnerables by deep neural networks methods

    GÖZDE MİHRAN KAYA

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ İRFAN KÖSESOY

  2. Tez No

    312065

    Modelling software reliability using hybrid Bayesian networks

    Yazılım güvenilirliğinin hibrid Bayes ağları kullanılarak modellenmesi

    AYŞE TOSUN MISIRLI

    Doktora

    İngilizce

    İngilizce

    2012

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi Üniversitesi

    PROF. DR. AYŞE BENER

    PROF. DR. OĞUZ TOSUN

  3. Tez No

    232642

    Software defect prediction using call graph based ranking (CGBR) framework

    Çağrı grafiklerine dayalı sıralama çerçevesini kullanarak yazılım hata kestirimi

    GÖZDE KOÇAK

    Yüksek Lisans

    İngilizce

    İngilizce

    2008

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. AYŞE BAŞAR BENER

  4. Tez No

    796391

    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

    İngilizce

    2022

    Elektrik ve Elektronik MühendisliğiAltınbaş Üniversitesi

    Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. MESUT ÇEVİK

  5. Tez No

    427920

    Tekrar eden veri analizini kullanarak yazılım geliştirme için iyileştirilmiş hata tahmini

    A new improved defect prediction framework for software development using repeated data analysis

    MUHAMMED MARUF ÖZTÜRK

    Doktora

    Türkçe

    Türkçe

    2016

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. AHMET ZENGİN

Geri Dön