Ricercatori dell'Università di Taif, Birzeit University e RMIT University hanno sviluppato un nuovo approccio per la previsione dei guasti del software (SFP), che affronta alcuni dei limiti delle tecniche SFP di machine learning esistenti. Il loro approccio utilizza la selezione delle caratteristiche (FS) per migliorare le prestazioni di una rete neurale ricorrente a strati (L-RNN), che viene utilizzato come strumento di classificazione per SFP.

La previsione degli errori del software (SFP) è il processo di previsione dei moduli che sono soggetti a errori nel software di nuova concezione. La previsione dei guasti nei componenti software prima che vengano consegnati all'utente finale è di fondamentale importanza, in quanto può risparmiare tempo, sforzo e inconveniente associati all'identificazione e alla risoluzione di questi problemi in una fase successiva.

Negli ultimi anni, tecniche di apprendimento automatico come reti neurali, regressione logistica, le macchine vettoriali di supporto e i classificatori di insieme si sono dimostrati molto efficaci nell'affrontare SFP. Però, a causa dell'enorme pool di dati che è possibile ottenere dai repository storici del software di mining, è possibile riscontrare caratteristiche non correlate ai guasti. Questo a volte può fuorviare l'algoritmo di apprendimento, di conseguenza diminuendo le sue prestazioni.

La selezione delle funzionalità (FS) è una tecnica che può aiutare a eliminare queste funzionalità non correlate senza compromettere le prestazioni dell'algoritmo di apprendimento automatico. Nell'apprendimento automatico, la selezione delle caratteristiche comporta la selezione di un sottoinsieme di caratteristiche rilevanti (cioè predittori) da utilizzare in un particolare modello. FS può ridurre la dimensionalità dei dati; rimozione di dati irrilevanti e ridondanti.

Nella loro carta, pubblicato in Sistemi esperti con applicazioni , il gruppo di ricerca dell'Università di Taif, Birzeit University e RMIT University hanno proposto un nuovo approccio FS per migliorare le prestazioni di una rete neurale ricorrente a strati (L-RNN) per SFP. I ricercatori hanno impiegato tre diversi algoritmi FS wrapper in modo iterativo:algoritmo genetico binario (BGA), ottimizzazione dello sciame di particelle binarie (BPSO), e ottimizzazione binaria della colonia di formiche (BACO).

"Abbiamo proposto un algoritmo di selezione delle funzionalità iterato con una rete neurale ricorrente a strati per risolvere il problema di previsione dei guasti del software, " I ricercatori hanno scritto nel loro articolo. "L'algoritmo proposto è in grado di selezionare le più importanti metriche del software utilizzando diversi algoritmi di selezione delle funzionalità. Il processo di classificazione viene eseguito da una rete neurale ricorrente stratificata".

I ricercatori hanno valutato il loro approccio su 19 progetti software reali dal repository PROMISE e hanno confrontato i loro risultati con quelli ottenuti utilizzando altri approcci all'avanguardia, tra cui Naïve Bayes (NB), reti neurali artificiali (ANN), regressione logistica (LR), i k-nerest neighbors (k-NN) e gli alberi decisionali C4.5. Il loro approccio ha superato tutti gli altri metodi esistenti, raggiungendo un tasso di classificazione medio di 0,8358 su tutti i set di dati.

"I risultati ottenuti supportano la nostra affermazione dell'importanza della selezione delle funzionalità nella creazione di un classificatore di alta qualità piuttosto che utilizzare un insieme fisso di funzionalità o tutte le funzionalità, " hanno spiegato i ricercatori nel loro articolo. "Per il lavoro futuro, abbiamo in programma di studiare le prestazioni di diversi classificatori come la programmazione genetica per costruire un modello informatico in grado di prevedere i guasti sulla base di metriche selezionate".

© 2019 Scienza X Rete