Yazılım kusur kestirimi probleminde yapay bağışıklık sistemlerinin uygulanması

Abstract

Yazılımların artan karmaşıklığı ile birlikte kullanıcı beklentilerinin de artması, bu beklentilerin ve yazılım kalitesinin Yazılım Kalite Mühendisliği adı verilen mühendislik disiplini ile ele alınmasını gerekli hale getirmiştir. Yazılım kusur kestirimi, Yazılım Kalite Mühendisliği disiplini içerisinde yer alan alt kalite güvence aktivitelerinden birisidir. Bu tez çalışmasında, Yazılım Kusur Kestirimi problemi Yapay Bağışıklık Sistem (YBS) paradigması tabanlı algoritmalarla çözülmeye çalışılmış ve bu kapsamda var olan algoritmalar analiz edilerek yeni modeller önerilmiştir. 5 adet NASA veri kümesinde YBS tabanlı farklı sınıflayıcıların performansları incelenmiş ve literatürde raporlanmış en iyi makine öğrenmesi algoritmaları ile kıyaslamalar gerçekleştirilmiştir. Bu çalışmalar sayesinde, literatürde ilk kez YBS tabanlı sınıflandırma algoritmalarının performansları kusur kestirimi için incelenmiştir. AIRS algoritmasının yüksek performans sunması sayesinde, sonraki çalışmada özellik azaltma teknikleri dikkate alınarak, "korelasyon tabanlı özellik seçimi" nin uygulandığı AIRS tabanlı bir model önerilmiştir. Bu model, özellikle çok büyük veri kümelerinde yüksek performans sunmuş ve birçok öğrenme algoritmasından daha iyi sonuçlar elde edilmiştir. Sınıf seviyesindeki metriklerle, benzer bir model oluşturulabilirse tasarım aşamasında kusur eğilimli modüller belirlenerek sınıfların yeniden düzenlenmesi sağlanabilecektir. Bu fikirden hareketle, sınıf seviyesindeki Chidamber-Kemerer (CK) metrikleri kullanılarak kusur kestirim modelleri üzerinde deneysel analizler gerçekleştirilmiştir. Kalıtım ağacının boyutuna ilişkin sınıf metriğinin kusur kestiriminde en düşük etkiye sahip olduğu ve nesneler arasındaki bağlılığa ilişkin metriğin en yüksek öneme sahip olduğu deneysel verilerle gösterilmiştir. CK metrikleri ve kod satır sayısının birlikte kullanıldığı durumda, AIRS tabanlı kestirim modelinin en yüksek performansı sunduğu raporlanmıştır.Yarı eğiticili öğrenme konusu, makine öğrenmesinin son yıllardaki aktif araştırma konularından birisidir. Bu kapsamda, Yapay Bağışıklık Sistem paradigması tabanlı yarı-eğiticili bir öğrenme algoritması önerilmiş ve problemde uygulanmıştır. Önerilen algoritmanın sınırlı sayıda kusur verisi kullanıldığı durumda, AIRS algoritmasının performansını arttırdığı tespit edilmiştir. Ancak önerilen yaklaşımın bazı algoritmalar için performansı düşürdüğü de diğer tespit edilen noktalardandır. Ayrıca, yazılımın yeniden kullanılabilirliğini sağlamak üzere 2000'lerde popülerlik kazanmış olan "Yazılım Ürün Hatları" yaklaşımında, yazılım kusur kestiriminin gerçekleştirilebilmesi için çerçeve bir model önerilmiştir. Bu tez çalışması sırasında YBS tabanlı kusur kestirim modellerine ek olarak, "kestirim merkezli yazılım yaşam çevrimi" ve "kestirim merkezli yazılım süreçleri" isimli yeni bir geliştirme yaklaşımı ve yeni bir süreç yaklaşımı önerilmiştir. Aynı çalışmada, yazılım kusur kestiriminin sistem test senaryolarını önceliklendirme noktasında nasıl kullanılabileceği ve sağlayacağı yararlar vurgulanmıştır.