一个新的深度神经网络结构用于软件故障预测和预测.
Mehrasa Modanlou Jouybari1, Alireza Tajary1, Mansoor Fateh1
1Faculty of Computer Engineering, Shahrood University of Technology, Shahrood, Iran.
PeerJ. Computer science
|December 9, 2024
概括
本研究介绍了一种新的深度神经网络 (DNN),用于使用BugHunter数据集进行软件故障预测. 拟议的DNN模型显著提高了预测错误方法的准确性,改善了软件开发中的资源配置.
科学领域:
- 软件工程 软件工程 软件工程
- 机器学习 机器学习
- 人工智能的人工智能
背景情况:
- 软件故障预测对于在开发生命周期的早期识别潜在缺陷至关重要.
- 现有的机器学习和深度学习模型面临着诸如精度低,数据不平衡和过度拟合等挑战.
- 大数据集对于深度学习的卓越性能至关重要,但像NASA MDP这样的常见数据集是有限的.
研究的目的:
- 为了解决当前故障预测模型的局限性.
- 探索深度学习在更大的BugHunter数据集上的应用.
- 为改进故障预测提出一种新的深度神经网络 (DNN) 结构.
主要方法:
- 开发了一种使用卷积层的新型深度神经网络 (DNN) 架构.
- 该模型旨在处理错误预测数据集中固有的类不平衡和过拟合问题.
- 进行了广泛的经验评估,将DNN与传统的机器学习,集合学习和最先进的深度学习模型进行了比较.
主要成果:
- 拟议的DNN结构在15个BugHunter项目中在预测易发生故障的方法方面取得了显著的改进.
- 平均F1分数增长了20.01%,这表明预测性能优越.
- 该模型有效地解决了阶级不平衡和过度适应的挑战.
结论:
- 深度神经网络 (DNN) 为软件故障预测提供了一种实用和有效的方法.
- 开发的DNN模型显示了提高软件可靠性和优化开发资源的巨大潜力.
- 进一步的研究可以利用这些发现来开发更强大的故障预测系统.
