Dergiler / Mühendislik Bilimleri ve Tasarım Dergisi / 2020 / Cilt: 8 - Sayı: 5
YİNELENEN YAZILIM HATA KAYITLARININ MAKİNE ÖĞRENMESİ VE DERİN ÖĞRENME YÖNTEMLERİ İLE TESPİT EDİLMESİ
- Sayfa
- 45–51
- DOI
- —
Özet
Bir yazılım, geliştirme, bakım veya kullanım aşamasındayken beklenilen şekildeçalışmaması durumunda ortaya çıkan hatalar teknik ekip veya son kullanıcılartarafından raporlanmaktadır. Raporlanan hata kayıtları, hatayı raporlayan kişilertarafından farklı şekillerde sisteme girilse bile aynı hatayı işaret edebilir.Dolayısıyla, raporlanacak olan bir hata kaydının sistemde daha önceden bulunmaihtimali oldukça yüksektir. Hatayı düzeltecek olan geliştiricinin ilgili hata kaydınınsisteme daha önce girilmiş olup olmadığını tespit etmesi oldukça yüksek çabagerektirmektedir. Sisteme girilecek bir hatanın daha önce sistemde var olupolmadığını tespit etmek için otomatik bir tespit mekanizması gerekmektedir. Buçalışmada, 3 farklı açık kaynak proje için hata kayıtları kullanılarak, yinelenen hatakayıtlarını makine öğrenmesi ve derin öğrenme yöntemleri ile tespit eden farklımodeller geliştirilmiştir. Çalışmada, kullanılan veri setleri için makine öğrenmesialgoritmalarının ve derin öğrenme yöntemlerinin başarımları karşılaştırmalı olarakincelenmiştir ve birleşik bir yöntem önerilmiştir. Önerilen birleşik yöntem tekilyöntemlere göre başarıyı en az %7.2 oranında artırmıştır.
Abstract
Bugs that occur when a software does not work as expected while it is in development, maintenance or use, are reported by the technical team or end users. Reported bug records can point to the same error even if they are entered into the system in different ways by the people reporting the bug. Therefore, it is highly likely that a bug record to be reported already exists in the system. The developer who will fix the error requires a lot of effort to determine whether the relevant error record has been entered into the system before. An automatic detection mechanism is required to detect whether a bug to be entered into the system has already existed in the system. In this study, different models have been developed that detect duplicate bug records with machine learning and deep learning methods by using bug records for 3 different open source projects. In the study, the performances of machine learning algorithms and deep learning methods for the data sets used were examined comparatively and an ensemble method is proposed. Proposed ensemble method increased the accuracy by at least 7.2% compared to the singular mehods.