<div>
	Оптимизированный метод глубокого обучения для прогнозирования дефектов программного обеспечения с использованием алгоритма оптимизации кита</div>

Алию Айхонг Анес , Имам Яу Бадамаси, Али Усман, Ахмад Абузайру, Абдулрахман Лаваль Мустафа

doi:10.17586/2226-1494-2024-24-2-222-229

2024 , ТОМ 24, НОМЕР 2 ( март-апрель )

ISSN 2226-1494 (print), ISSN 2500-0373 (online)

Меню

Публикации

Главный редактор

НИКИФОРОВ
Владимир Олегович
д.т.н., профессор

Партнеры

doi: 10.17586/2226-1494-2024-24-2-222-229

УДК 004.85

Оптимизированный метод глубокого обучения для прогнозирования дефектов программного обеспечения с использованием алгоритма оптимизации кита

Алию Айхонг А., Имам Яу Б., Али У., Ахмад А., Абдулрахман Лаваль М.

Читать статью полностью

Язык статьи - английский

Ссылка для цитирования:

Алию Айхонг А., Имам Яу Б., Али У., Ахмад А., Абдулрахман Лаваль М. Оптимизированный метод глубокого обучения для прогнозирования дефектов программного обеспечения с использованием алгоритма оптимизации кита // Научно-технический вестник информационных технологий, механики и оптики. 2024. Т. 24, № 2. С. 222–229 (на англ. яз.). doi: 10.17586/2226-1494-2024-24-2-222-229

Аннотация

Целью исследования является прогнозирование ошибки программного обеспечения с использованием долговременной кратковременной памяти (Long Short-Term Memory, LSTM). Предлагаемая система представляет собой LSTM, обучаемую с использованием алгоритма оптимизации китов (Whale Optimization Algorithm). Система обеспечивает экономию времени обучения. Одновременно повышается эффективность модели глубокого обучения (DL) и скорость обнаружения. Для разработки расширенной модели LSTM применен программный пакет MATLAB 2022a. Использованы 19 баз данных дефектов программного обеспечения с открытым исходным кодом. Ошибочные наборы данных получены из коллекции tera-PROMISE. Для оценки эффективности модели по сравнению с другими традиционными подходами объем исследования ограничен пятью наборами эталонных данных с наиболее высоким рейтингом (DO1, DO2, DO3, DO4 и DO5). Результаты экспериментов показали, что качество данных обучения и тестирования оказывает существенное влияние на точность прогнозирования ошибок. При анализе на наборах данных от DO1 до DO5 видно, что точность прогнозирования существенно зависит от результатов обучения и тестирования. Три алгоритма DL, протестированные на наборе данных DO2, показали самую высокую точность (0,942) в сравнении с двумя классическими алгоритмами с использованием сверточной нейронной сети Li’s и Nevendra’s (0,922).

Ключевые слова: глубокое обучение, SDP, прогнозирование дефектов программного обеспечения, WOA, алгоритмы оптимизации китов, LSTM, долговременная память, машинное обучение, алгоритм оптимизации

Благодарности. Исследование финансируется Университетом Абубакара Тафавы Балева (ATBU) в Баучи, Нигерия.

Список литературы

Wunsch A., Liesch T., Broda S. Groundwater level forecasting with artificial neural networks: a comparison of long short-term memory (LSTM), convolutional neural networks (CNNs), and non-linear autoregressive networks with exogenous input (NARX) // Hydrology and Earth System Sciences. 2021. V. 25. N 3. P. 1671–1687. https://doi.org/10.5194/hess-25-1671-2021
Conneau A., Schwenk H., Barrault L., Lecun Y. Very deep convolutional networks for text classification // Proc. of the 15th Conference of the European Chapter of the Association for Computational Linguistics: Vol. 1, Long Papers, 2017. P. 1107–1116. https://doi.org/10.18653/v1/e17-1104
Aljarah I., Faris H., Mirjalili S. Optimizing connection weights in neural networks using the whale optimization algorithm // Soft Computing. 2018. V. 22. N 1. P. 1–15. https://doi.org/10.1007/s00500-016-2442-1
Lipton Z.C., Berkowitz J., Elkan Ch. A critical review of recurrent neural networks for sequence learning // arXiv. 2015. arXiv:1506.00019. https://doi.org/10.48550/arXiv.1506.00019
Xu Z., Li S., Xu J., Liu J., Luo X., Zhang Y., Zhang T., Keung J., Tang Y. LDFR: Learning deep feature representation for software defect prediction // Journal of Systems and Software. 2019. V. 158. P. 110402. https://doi.org/10.1016/j.jss.2019.110402
Li Z., Jing X.Y., Zhu X. Progress on approaches to software defect prediction // IET Software. 2018. V. 12. N 3. P. 161–175. https://doi.org/10.1049/iet-sen.2017.0148
Dos Santos G.E., Figueiredo E. Failure of one, fall of many: An exploratory study of software features for defect prediction // Proc. of the IEEE 20th International Working Conference on Source Code Analysis and Manipulation (SCAM). 2020. P. 98–109. https://doi.org/10.1109/SCAM51674.2020.00016
Zain Z.M., Sakri S., Ismail N.H.A., Parizi R.M. Software defect prediction harnessing on multi 1-dimensional convolutional neural network structure // Computers, Materials and Continua. 2022. V. 71. N 1 . P. 1521. https://doi.org/10.32604/cmc.2022.022085
Chen L., Fang B., Shang Z., Tang Y. Tackling class overlap and imbalance problems in software defect prediction // Software Quality Journal. 2018. V. 26. N 1. P. 97–125. https://doi.org/10.1007/s11219-016-9342-6
Nevendra M., Singh P. Software defect prediction using deep learning // Acta Polytechnica Hungarica. 2021. V. 18. N 10. P. 173–189. https://doi.org/10.12700/aph.18.10.2021.10.9
Ahmad A., Musa K.I., Zambuk F.U., Lawal M.A. Optimizing connection weights in a Long Short-Term Memory (LSTM) using Whale Optimization Algorithm (WOA): A review // Journal of Science, Technology and Education. 2022. V. 10. N 3. P. 362–373.
Hochreiter S., Schmidhuber J. Long short-term memory // Neural computation. 1997. V. 9. N 8. P. 1735–1780. https://doi.org/10.1162/neco.1997.9.8.1735

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License