ارائه روشی برای بهبود دقت پیش بینی کدهای نابسامان، مبتنی بر فنون یادگیری ماشین و معیارهای نرم افزار

کدهای نابسامان از نشانه های طراحی و پیاده سازی ضعیف برنامه های نرم افزاری است که منجر به بروز ناهنجاری هایی در توسعه و نگهداری سامانه های نرم افزاری می شود. وجود کدهای نابسامان که تحت عنوان بویکد نامیده می شوند ، قطعا به معنی عدم کارکرد درست نرم افزار نیست ، اما این موضوع ممکن است باعث کندی پردازش، افزایش خطر خرابی و خطاهای نرم افزار شود. تاکنون تحقیقات زیادی در حوزه شناسایی و برطرفکردن کدهای نابسامان سامانه های نرم افزاری توسط پژوهشگران مختلف انجام گرفته است. از بهترین این روش ها، روش های مبتنی بر یادگیری ماشین می باشد ، که شامل گام های پیش پردازش ، انتخاب ویژگی، تنظیمپارامتر و طبقه بندی (پیش بینی) کدهای نابسامان می باشد. در این مقاله ، با استفاده از مجموعه داده فونتانا در پی بهبود دقت شناسایی چهار کلاس از کدهای نابسامان شامل Data Class ، Feature Envy ، Long Method و God Class هستیم. برای داشتن یک مدل پیش بینی کننده بوی کد مبتنی بر یادگیری ماشین و با عملکرد مطلوب، نیاز به انتخاب ویژگی هایی داریم که بتواند تاثیر مستقیمی بر بهبود عملکرد مدل پیش بینی داشته باشند. ازاین رو ، در این مقاله از الگوریتم بهینه سازی وال و همچنین معیارهای نرم افزار به منظور انتخاب ویژگی های بهینه و تاثیرگذار بر عملکرد مدل طبقه بند (مدل پیش بینی) استفاده شده است. همچنین، بعد از تعیین ویژگی های منتخب جهت افزایش کارایی الگوریتم های طبقه بندی ، از الگوریتم جستجوی شبکه ای جهت تنظیم پارامترهای طبقه بندها استفاده شده است. الگوریتم های نزدیک ترین همسایه ، درخت تصمیم، ماشین بردار پشتیبان و جنگل تصادفی از الگوریتم های طبقه بند مورداستفاده در این مقاله هستند. نتایج این الگوریتم ها براساس بیشترین تکرار ترکیب می شود. معیارهای ارزیابی مورداستفاده در این مقاله شامل معیارهای دقت، صحت، فراخوان ومعیار F-measure است. نتایج حاصل از آزمایش های مختلف، نشان دهنده عملکرد قابل قبول روش پیشنهادی در شناسایی کدهای نابسامان می باشد.

کلیدواژه ها:

کد نابسامان (بویکد) ، الگوریتم بهینه سازی وال ، طبقه بندی ، انتخاب ویژگی ، یادگیری ماشین ، تنظیم پارامتر