Published June 5, 2023
| Version v1
Publication
Open
Software fault prediction using deep learning techniques
Description
Software fault prediction (SFP) techniques identify faults at the early stages of the software development life cycle (SDLC). We find machine learning techniques commonly used for SFP compared to deep learning methods, which can produce more accurate results. Deep learning offers exceptional results in various domains, such as computer vision, natural language processing, and speech recognition. In this study, we use three deep learning methods, namely, long short-term memory (LSTM), bidirectional LSTM (BILSTM), and radial basis function network (RBFN) to predict software faults and compare our results with existing models to show how our results are more accurate. Our study uses Chidamber and Kemerer (CK) metrics-based datasets to conduct experiments and test our proposed algorithm. We conclude that LSTM and BILSTM perform better, whereas RBFN is faster in producing the required results. We use k-fold cross-validation to do the model evaluation. Our proposed models provide software developers with a more accurate and efficient SFP mechanism.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
تحدد تقنيات التنبؤ بأخطاء البرامج (SFP) الأخطاء في المراحل المبكرة من دورة حياة تطوير البرامج (SDLC). نجد تقنيات التعلم الآلي شائعة الاستخدام في SFP مقارنة بأساليب التعلم العميق، والتي يمكن أن تنتج نتائج أكثر دقة. يقدم التعلم العميق نتائج استثنائية في مجالات مختلفة، مثل رؤية الكمبيوتر ومعالجة اللغة الطبيعية والتعرف على الكلام. في هذه الدراسة، نستخدم ثلاث طرق للتعلم العميق، وهي الذاكرة طويلة المدى (LSTM)، و LSTM ثنائي الاتجاه (BILSTM)، وشبكة وظائف الأساس الشعاعي (RBFN) للتنبؤ بأخطاء البرامج ومقارنة نتائجنا مع النماذج الحالية لإظهار كيف أن نتائجنا أكثر دقة. تستخدم دراستنا مجموعات البيانات القائمة على مقاييس Chidamber و Kemerer (CK) لإجراء التجارب واختبار الخوارزمية المقترحة. نستنتج أن LSTM و BILSTM يعملان بشكل أفضل، في حين أن RBFN أسرع في تحقيق النتائج المطلوبة. نستخدم التحقق المتبادل من k - fold لإجراء تقييم النموذج. توفر نماذجنا المقترحة لمطوري البرامج آلية SFP أكثر دقة وكفاءة.Translated Description (French)
Les techniques de prédiction des pannes logicielles (SFP) identifient les pannes aux premiers stades du cycle de vie du développement logiciel (SDLC). Nous trouvons des techniques d'apprentissage automatique couramment utilisées pour le SFP par rapport aux méthodes d'apprentissage en profondeur, qui peuvent produire des résultats plus précis. L'apprentissage profond offre des résultats exceptionnels dans divers domaines, tels que la vision par ordinateur, le traitement du langage naturel et la reconnaissance vocale. Dans cette étude, nous utilisons trois méthodes d'apprentissage profond, à savoir la mémoire à long terme (LSTM), la mémoire bidirectionnelle LSTM (BILSTM) et le réseau de fonctions de base radiales (RBFN) pour prédire les défauts logiciels et comparer nos résultats avec les modèles existants pour montrer comment nos résultats sont plus précis. Notre étude utilise des ensembles de données basés sur des métriques de Chidamber et Kemerer (CK) pour mener des expériences et tester notre algorithme proposé. Nous concluons que LSTM et BILSTM sont plus performants, alors que RBFN est plus rapide dans la production des résultats requis. Nous utilisons la validation croisée k-fold pour faire l'évaluation du modèle. Nos modèles proposés fournissent aux développeurs de logiciels un mécanisme SFP plus précis et plus efficace.Translated Description (Spanish)
Las técnicas de predicción de fallas de software (SFP) identifican fallas en las primeras etapas del ciclo de vida de desarrollo de software (SDLC). Encontramos técnicas de aprendizaje automático comúnmente utilizadas para SFP en comparación con los métodos de aprendizaje profundo, que pueden producir resultados más precisos. El aprendizaje profundo ofrece resultados excepcionales en varios dominios, como la visión artificial, el procesamiento del lenguaje natural y el reconocimiento de voz. En este estudio, utilizamos tres métodos de aprendizaje profundo, a saber, memoria a largo plazo (LSTM), LSTM bidireccional (BILSTM) y red de función de base radial (RBFN) para predecir fallas de software y comparar nuestros resultados con los modelos existentes para mostrar cómo nuestros resultados son más precisos. Nuestro estudio utiliza conjuntos de datos basados en métricas de Chidamber y Kemerer (CK) para realizar experimentos y probar nuestro algoritmo propuesto. Concluimos que LSTM y BILSTM se desempeñan mejor, mientras que RBFN es más rápido en producir los resultados requeridos. Utilizamos la validación cruzada k-fold para realizar la evaluación del modelo. Nuestros modelos propuestos proporcionan a los desarrolladores de software un mecanismo de SFP más preciso y eficiente.Files
latest.pdf.pdf
Files
(6.0 MB)
| Name | Size | Download all |
|---|---|---|
|
md5:ecf2b88e04e12af047e608be8c4be069
|
6.0 MB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- التنبؤ بأخطاء البرامج باستخدام تقنيات التعلم العميق
- Translated title (French)
- Prédiction des pannes logicielles à l'aide de techniques d'apprentissage en profondeur
- Translated title (Spanish)
- Predicción de fallos de software utilizando técnicas de aprendizaje profundo
Identifiers
- Other
- https://openalex.org/W4379389373
- DOI
- 10.1007/s11219-023-09642-4
References
- https://openalex.org/W1210281339
- https://openalex.org/W1990011043
- https://openalex.org/W2013074712
- https://openalex.org/W2022080134
- https://openalex.org/W2024199384
- https://openalex.org/W2045320819
- https://openalex.org/W2053881327
- https://openalex.org/W2062816266
- https://openalex.org/W2076063813
- https://openalex.org/W2080521990
- https://openalex.org/W2112032657
- https://openalex.org/W2140114787
- https://openalex.org/W2160988203
- https://openalex.org/W2166634830
- https://openalex.org/W2189822360
- https://openalex.org/W2302881059
- https://openalex.org/W2343714786
- https://openalex.org/W2474743723
- https://openalex.org/W2507665469
- https://openalex.org/W2586292313
- https://openalex.org/W2616108305
- https://openalex.org/W2743316948
- https://openalex.org/W2769830826
- https://openalex.org/W2778591805
- https://openalex.org/W2781049225
- https://openalex.org/W2781338936
- https://openalex.org/W2783657687
- https://openalex.org/W2787337551
- https://openalex.org/W2796200341
- https://openalex.org/W2799784710
- https://openalex.org/W2898124301
- https://openalex.org/W2898435572
- https://openalex.org/W2900644513
- https://openalex.org/W2905816416
- https://openalex.org/W2913405424
- https://openalex.org/W2919115771
- https://openalex.org/W2921591686
- https://openalex.org/W2937381238
- https://openalex.org/W2944425345
- https://openalex.org/W2944851425
- https://openalex.org/W2950329369
- https://openalex.org/W2955224058
- https://openalex.org/W2955991060
- https://openalex.org/W2962883549
- https://openalex.org/W2981073616
- https://openalex.org/W2985145524
- https://openalex.org/W2993090039
- https://openalex.org/W3005736834
- https://openalex.org/W3007075806
- https://openalex.org/W3010859569
- https://openalex.org/W3014740133
- https://openalex.org/W3084008846
- https://openalex.org/W3110943671
- https://openalex.org/W3133782093
- https://openalex.org/W3166162564
- https://openalex.org/W3214328915
- https://openalex.org/W4207068100
- https://openalex.org/W4213103335
- https://openalex.org/W4221059698
- https://openalex.org/W4240254237
- https://openalex.org/W4243120570
- https://openalex.org/W4294811335
- https://openalex.org/W4303684738
- https://openalex.org/W783341876