ارائه روشی برای پیش بینی کدهای نابسامان سامانه های نرم افزاری با استفاده از شبکه عصبی

مهندسان نرم افزار همواره به دنبال کاهش هزینه های تولید و افزایش کیفیت نرم افزار هستند. روش های مختلفی برای افزایش کیفیت نرم افزار وجود دارد که بازسازی کد یکی از این روش ها است. بازسازی و بازآرایی کد روشی برای تمیز کردن کدهای نرم افزار و یکی از روال های بسیار مهم در حفظ کیفیت نرم افزار است. یکی از چالش های اصلی در توسعه و تولید کدهای تمیز در نرم افزار وجود کدهای نابسامان یا بوهای کد است.  بوی کد یک نشانه سطحی در کد است که احتمالا نشان دهنده ی یک مشکل عمیق تر در نرم افزار می باشد. وجود بوی کد ممکن است باعث کند شدن پردازش، افزایش خطر خرابی و همچنین خطاهای نرم افزار شود. از این رو، توسعه دهندگان نرم افزار درصدد هستند که با شناسایی کدهای نابسامان، ضمن بازآرایی کد نرم افزار، توسعه پذیری و نگهداشت پذیری آن را در آینده تسهیل کنند. با این حال، شناسایی دستی و غیرخودکار بوهای کد چالش برانگیز و خسته کننده است. بنابراین، روش هایی برای شناسایی این نوع کدها به صورت خودکار و     نیمه خودکار ارایه شده است. نکته حایز اهمیت در روش های غیرخودکار آن است که پیش بینی کدهای نابسامان، نیاز به دانش فردی افراد است که هم زمان بر است و هم امکان خطا را افزایش می دهد. ازاین رو، استفاده از روش های خودکار برای پیش بینی کدهای نابسامان، ارجحیت بیشتری دارد.  تاکنون تحقیقات زیادی در حوزه پیش بینی و شناسایی کدهای نابسامان به صورت خودکار انجام شده است. درصد زیادی از این تحقیقات بر روی پیش بینی چهار نوع بوی کد شامل؛ متد طولانی، خصیصه حسادت، کلاس خدا و کلاس داده تمرکز کرده اند. تمرکز ما نیز در این مقاله بر روی بهبود دقت استخراج این نوع از کدهای نابسامان است. یکی از روش های رایج برای پیش بینی این نوع کدها، استفاده از روش های مبتنی بر یادگیری ماشین است. شبکه های عصبی مصنوعی نوع خاصی از الگوریتم های یادگیری ماشین است که مطابق با روش عملکرد مغز انسان مدل شده اند. به این معنی که این شبکه ها قادر هستند از داده های ورودی یاد بگیرند و پاسخ را در قالب پیش بینی ها و طبقه بندی ها ارایه دهند. در این مقاله، برای پیش بینی کدهای نابسامان نرم افزار از شبکه عصبی چند لایه و همچنین از یک روش انتخاب ویژگی جدید به منظور افزایش دقت پیش بینی استفاده شده است.