آمار
| تعداد نشریات | 31 |
| تعداد شماره‌ها | 972 |
| تعداد مقالات | 7,000 |
| تعداد مشاهده مقاله | 3,851,570 |
| تعداد دریافت فایل اصل مقاله | 2,551,930 |
انتخاب ویژگی با استفاده از ترکیب الگوریتم‌های ژنتیک-وال-کلونی مورچگان، برای پیش‌بینی خطاهای نرم‌افزار مبتنی بر یادگیری ماشین | ||
| پدافند الکترونیکی و سایبری | ||
| مقاله 4، دوره 10، شماره 1 - شماره پیاپی 37، خرداد 1401 | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
علی کریمی  1؛ محمدرضا ایرجی مقدم2؛ اسماعیل بسطامی3
| ||
| 1استادیار،دانشگاه جامع امام حسین (ع)، تهران، ایران | ||
| 2کارشناسی ارشد، دانشگاه جامع امام حسین (ع)، تهران، ایران | ||
| 3پژوهشگر، دانشگاه جامع امام حسین(ع)، تهران، ایران | ||
| تاریخ دریافت: 12 اردیبهشت 1400، تاریخ بازنگری: 21 تیر 1400، تاریخ پذیرش: 05 شهریور 1400 | ||
| چکیده | ||
| روش‌های پیش‌بینی خطای نرم‌افزار برای پیش‌بینی ماژول‌های مستعد خطا در مراحل اولیه‌ی توسعه‌ی نرم‌افزار استفاده می‌شوند. امروزه فنون یادگیری ماشین پرکاربردترین فنون مورد استفاده در زمینه‌ی پیش‌بینی خطاهای نرم‌افزار محسوب می‌شوند. ابعاد بالای داده یکی از مشکلاتی است که عملکرد الگوریتم‌های یادگیری ماشین را تحت تاثیر قرار می‌دهد. ابعاد بالای داده به معنای وجود ویژگی‌های غیر مفید یا افزونه است که احتمالاً الگوریتم یادگیری را گمراه کرده و در نتیجه دقت آن را کاهش می‌دهد. دقت پایین پیش‌بینی خطای نرم‌افزار باعث شناسایی دیرهنگام بعضی ماژول‌های خطادار می‌شود و در نتیجه تلاش و هزینه‌ی برطرف کردن خطاها را به صورت غیرعادی بالا می‌برد. بنابراین حل مشکل ابعاد بالای داده برای افزایش دقت پیش‌بینی خطای نرم‌افزار ضروری است. برای کاهش ابعاد داده، محققین از الگوریتم‌های انتخاب ویژگی استفاده می‌کنند. الگوریتم‌های انتخاب ویژگی به دو دسته‌ی الگوریتم‌های مبتنی بر فیلتر و الگوریتم‌های مبتنی بر پوشش تقسیم می‌شوند. الگوریتم‌های مبتنی بر پوشش منجر به مدل‌های پیش‌بینی با دقت بالاتری می‌شوند. در این الگوریتم‌ها می‌توان از روش‌های مختلفی برای جستجوی راه‌حل‌ها استفاده نمود که بهترین نوع آن جستجوی فراابتکاری است. هر کدام از الگوریتم‌های فراابتکاری نقاط قوت و ضعفی دارند که محققین برای برطرف کردن این نقاط ضعف از ترکیب این الگوریتم‌ها استفاده می‌کنند. در این تحقیق برای بهبود نقاط ضعف هر کدام از الگوریتم‌های فراابتکاری، از ترکیب سه الگوریتم ژنتیک، کلونی مورچگان و بهینه‌سازی وال برای انتخاب ویژگی مبتنی بر پوشش استفاده می‌شود. بدیهی است به‌کارگیری روش‌های پیش‌بینی زودهنگام خطاهای نرم‌افزار قبل از آزمون واقعی آن، یکی از فنون موثر پدافند غیرعامل در کاهش هزینه‌های توسعه سامانه‌های نرم‌افزاری محسوب می‌شود. برای ارزیابی روش پیشنهادی، 19 پروژه‌ی نرم‌افزاری مورد بررسی و آزمایش قرار گرفته و نتایج با دیگر روش‌ها مقایسه شده است. نتایج ارزیابی نشان می‌دهد که روش پیشنهادی از عملکرد بهتری نسبت به سایر روش‌ها برخوردار است. | ||
| کلیدواژه‌ها | ||
| پیش‌بینی خطای نرم‌افزار؛ انتخاب ویژگی؛ الگوریتم فراابتکاری؛ الگوریتم ژنتیک؛ الگوریتم بهینه‌سازی وال؛ الگوریتم کلونی مورچگان | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 28 |
||
