Chercheurs de l'Université de Taif, L'Université de Birzeit et l'Université RMIT ont développé une nouvelle approche pour la prédiction des défauts logiciels (SFP), qui aborde certaines des limites des techniques SFP d'apprentissage automatique existantes. Leur approche utilise la sélection de caractéristiques (FS) pour améliorer les performances d'un réseau de neurones récurrents en couches (L-RNN), qui est utilisé comme outil de classification pour SFP.

La prédiction des pannes logicielles (SFP) est le processus de prédiction des modules sujets aux pannes dans les logiciels nouvellement développés. Prédire les défauts des composants logiciels avant qu'ils ne soient livrés à l'utilisateur final est d'une importance capitale, car cela peut faire gagner du temps, les efforts et les inconvénients associés à l'identification et à la résolution de ces problèmes à un stade ultérieur.

Dans les années récentes, des techniques d'apprentissage automatique telles que les réseaux de neurones, régression logistique, Les machines à vecteurs de support et les classificateurs d'ensembles se sont avérés très efficaces pour lutter contre la SFP. Cependant, en raison de l'énorme pool de données qui peuvent être obtenues par l'extraction de référentiels historiques de logiciels, il est possible de rencontrer des caractéristiques qui ne sont pas liées aux défauts. Cela peut parfois tromper l'algorithme d'apprentissage, diminuant ainsi ses performances.

La sélection de caractéristiques (FS) est une technique qui peut aider à éliminer ces caractéristiques indépendantes sans nuire aux performances de l'algorithme d'apprentissage automatique. En apprentissage automatique, la sélection de caractéristiques implique la sélection d'un sous-ensemble de caractéristiques pertinentes (c'est-à-dire des prédicteurs) à utiliser dans un modèle particulier. FS peut réduire la dimensionnalité des données; suppression des données non pertinentes et redondantes.

Dans leur papier, Publié dans Systèmes experts avec applications , l'équipe de recherche de l'Université de Taif, L'Université de Birzeit et l'Université RMIT ont proposé une nouvelle approche FS pour améliorer les performances d'un réseau de neurones récurrents en couches (L-RNN) pour SFP. Les chercheurs ont utilisé de manière itérative trois algorithmes wrapper FS différents :l'algorithme génétique binaire (BGA), optimisation d'essaim de particules binaires (BPSO), et l'optimisation binaire des colonies de fourmis (BACO).

"Nous avons proposé un algorithme de sélection de caractéristiques itéré avec un réseau de neurones récurrent en couches pour résoudre le problème de prédiction des défauts logiciels, " les chercheurs ont écrit dans leur article. " L'algorithme proposé est capable de sélectionner les métriques logicielles les plus importantes à l'aide de différents algorithmes de sélection de caractéristiques. Le processus de classification est effectué par un réseau de neurones récurrents en couches."

Les chercheurs ont évalué leur approche sur 19 projets logiciels du monde réel du référentiel PROMISE et ont comparé leurs résultats avec ceux obtenus en utilisant d'autres approches de pointe, dont Naïve Bayes (NB), réseaux de neurones artificiels (ANN), régression logistique (LR), les k plus proches voisins (k-NN) et les arbres de décision C4.5. Leur approche a surpassé toutes les autres méthodes existantes, atteindre un taux de classification moyen de 0,8358 sur tous les ensembles de données.

"Les résultats obtenus soutiennent notre affirmation sur l'importance de la sélection des fonctionnalités dans la construction d'un classificateur de haute qualité plutôt que d'utiliser un ensemble fixe de fonctionnalités ou toutes les fonctionnalités, " les chercheurs ont expliqué dans leur article. " Pour les travaux futurs, nous prévoyons d'étudier les performances de différents classificateurs tels que la programmation génétique pour construire un modèle informatique capable de prédire les défauts sur la base de métriques sélectionnées."

© 2019 Réseau Science X