تخمین میزان خطا خیزی ماژول ها با استفاده از یادگیری ماشین

برای آگاهی از میزان کیفیت نرم افزار لازم است عامل های موثر در کیفیت را اندازه بگیریم. میزان قابلیت اطمینان و تعداد خطا در نرم افزار از  مهم ترین عامل های کمی هستند که کیفیت آنها را می سنجند. اگر بتوان این عامل ها را در حین چرخه توسعه نرم افزار اندازه گیری کرد، می توان فعالیت های موثر و بهتری را در راستای بهبود کیفیت نرم افزار انجام داد. مشکل اینجا است که این دسته از عامل ها در مراحل آخر توسعه نرم افزار در دسترس خواهند بود. برای حل این مشکل، این عامل ها توسط معیارهایی اندازه گیری می شوند که در چرخه توسعه نرم افزار به صورت زودهنگام در دسترس هستند. معیارهای اندازه گیری شده ورودی های مدل پیش بینی خطا هستند و خروجی این مدل، ماژول هایی از نرم افزار هستند که احتمال بروز خطا در آنها وجود دارد. پیش بینی ماژول ها مستعد خطا، رویکردی اثبات شده در جهت تخصیص به موقع منابع پروژه، در مرحله آزمون نرم افزار است. هنگامی که یک ماژول به عنوان یک ماژول مستعد خطا پیش بینی می شود، تلاش بیشتری برای آزمون و تصحیح آن باید صرف شود. علاوه برآن ماژول، تمامی ماژول ها وابسته به آن نیز نیاز به رسیدگی ویژه ای دارند. زمانی که یک ماژول تغییر می کند تمامی ماژول ها وابسته به آن نیز ممکن است تحت تاثیر قرار بگیرند. مشکل در این است که معیارهای شناخته شده ای که در حوزه ی پیش بینی خطا مورداستفاده قرار می گیرند، این وضعیت را در نظر نمی گیرند. برای حل این مشکل، در این مقاله معیارهای جدیدی بر اساس تغییرات در موارد وابستگی ارائه شده است. نتایج تجربی به دست آمده نشان داد هرچه میزان تغییرات در ماژول ها مورد وابستگی بیشتر باشد، احتمال خطا در ماژول وابسته بیشتر می شود. با ارزیابی های صورت گرفته مشاهده شد معیار پیشنهادی قدرت پیش بینی نسبتا بالایی دارد و به کاربردن آن برای ساخت مدل های پیش بینی خطا نیز افزایش قدرت پیش بینی را برای آنها در پی داشت.