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: 148

Özet

Literaturde kullanlan cok cesitli yazlm olcutleri mevcuttur. Cok sayda olcutle hata tahmini yapmak yerine, en onemli olcut kumesini belirleyip bu kumedeki olcutleri hata tahmininde kullanmak daha pratik ve kolay olacaktr. Bu tezde yazlm olcutleri ile hataya yatkınlık arasndaki etkilesimi ortaya cikarmak icin Bayesian modelleme yontemi kullanlmistir. Promise veri deposundaki yazilim olcutlerine ek olarak, yazilimgelistiricisi sayisi (NOD) ve kaynak kodu kalitesi (LOCQ) adli 2 yeni olcut tanmlanmistir. Bu olcutleri cikarmak icin Promise veri deposundaki veri kumelerinin acik kaynak kodlarikullanilmistir. Yapilan modelleme sonucunda, hem sinanan sistemin hatali olma ihtimali,hem de en etkili olcut kumesi bulunmaktadr. 9 Promise veri kumesi uzerindeki deneyler, RFC, LOC ve LOCQ olcutlerinin en etkili olcutler oldugunu, CBO, WMC ve LCOM olcutlerinin ise daha az etkili oldugunu ortaya koymustur. Ayrca, NOC ve DIT olcutlerinin sınırlı bir etkiye sahip oldugu ve guvenilir olmadıgı gozlemlenmistir. Ote yandan, Poi, Tomcat ve Xalan veri kumeleri 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 kumesi 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

    844968

    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

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş Üniversitesi

    Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SEFER KURNAZ

  5. Tez No

    232474

    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

    İngilizce

    2008

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi Üniversitesi

    Bilgisayar Mühendisliği Bölümü

    YRD. DOÇ. DR. AYŞE BAŞAR BENER

Geri Dön