Memoire Online - Prédiction de défauts logiciel utilisant des techniques d'apprentissage automatique

Université Mohamed Chérif Messaadia - Souk Ahras

Mohamed Chérif Messaadia University - Souk Ahras

ÉíÏÚÇÓã íÑÔáÇ ÏãÍã ÉÜÚãÇÌ

ÓÇÑå ÞæÓ

PREDICTION DE DEFAUTS LOGICIELS UTILISANT DES TECHNIQUES D'APPRENTISSAGE AUTOMATIQUE

A ma maitrise du mémoire Mademoisele Zemmal Nawel j'ai eu le privilè_ge d'être parmi vos étudiants et d'apprécier vos _qualités et
vos valeurs. Votre sérieux, votre compétence et votre sens du devoir. Veuilez trouver ici l'expression de ma respectueuse
considération et ma profonde admiration pour toutes vos _qualités. Ce travail est pour moi l'occasion de vous témoi_gner ma profonde
_gratitude.

A mes maitres et ju_ges du mémoire. Vous m'avez fait l'honneur d'accepter avec une très _grande amabilité de sié_ger parmi mon jury de mémoire. Veuilez accepter ce travail maitre, en _ga_ge de mon _grand respect et ma profonde reconnaissance. Veuilez trouver ici l'expression de mon _grand respect et mon vif remerciement. J'ai adresse ma sincères remerciements à tous les professeurs, intervenants et toutes les personnes _qui par leurs paroles, leurs écrits, leurs conseils et leurs criti_ques ont _guidé nos réflexions et ont accepté à ma rencontrer et répondre à mes _questions durant nos recherches.

Je dédie ce modeste travail : A mon cher père : Nourredine. Qui j'aime plus _que tous au monde et à lui je dois toute
ma vie et toutes mes réussites. Qui sans lui je ne serais pas arrivé jus_qu'ici. J'espéré toujours rester fidèle aux valeurs
morales _que tu m'as apprises.

A ma chère mère : Malika. Aucune dédicace ne saurait exprimer mon immense amour, mon estime, ma profonde
affection et ma reconnaissance pour tous les sacrifices consentis pour mon bonheur et ma réussite. Merci.

Je voudrais remercier ma soeur bien aimée Mariem pour ses mots d'encoura_gement _qu'ele m'a accordée. Je vous
souhaite la plus belle vie. A mes chers frères : Lazhar, Mustapha, Abdenour Tous mes voeux de bonheur, de santé et de
réussit inchallah. A toute ma famille A ma chère amie Sara _qui avec ele j'ai parta_ge les moments difficiles de ce
travail et _qui est la puissance morale pendant la réalisation de mon projet. A tous mes ami(e)s et mes collè_gues

Résumé

Les systèmes logiciels sont devenus plus grands et plus complexes que jamais. De telles caractéristiques rendent très difficile la prévention des défauts logiciels. La découverte des défauts logiciels à un stade précoce joue un rôle important dans l'amélioration de la qualité du logiciel ; réduit le temps et les efforts qui devraient être consacrés au développement de logiciels. Diverses approches ont été proposées pour identifier et corriger de tels défauts à un coût minimal. Cependant, les performances de ces approches nécessitent une amélioration significative. Par conséquent, dans ce travail, nous proposons une nouvelle approche SFP-NN qui tire parti des techniques d'apprentissage en profondeur pour prédire les défauts dans les systèmes logiciels. Tout d'abord, nous commençons par une phase de prétraitement de l'ensemble de données accessible au public. Deuxièmement, nous effectuons une modélisation des données pour préparer les données d'entrée pour le modèle d'apprentissage en profondeur. Troisièmement, nous transmettons les données modélisées à un modèle basé sur un réseau de neurones convolutifs pour prédire la probabilité des défauts. Pour valider notre approche, les expériences sont menées sur quatorze (14) ensembles de données de la NASA et SOFTLAB. Les résultats expérimentaux ont montré que, dans la majorité des bases de données, SFP-NN était le plus performant par rapport aux autres techniques d'apprentissage automatique.

Mots-clés : Prédiction des Défauts Logiciels, Apprentissage Automatique, Apprentissage Profond, Réseau de Neurones Convolutifs, Classification.

ÈæíÚ

Ë æ

ÏÍ Úäã ÉíÇÛáá ÈÚÕáÇ äã ÕÆÇÕÎáÇ åÐå

áÚÌÊ

Ë íÍ

ìÖã ÊÞæ í äã ÇðÏíÞÚÊ ÑËßæ ÑÈß ÊÇíÌãÑÈáÇ ÉãÙä ÊÍÈÕ

ÏåÌáÇæ ÊÞæáÇ äã ááÞí ° ÌãÇäÑÈáÇ ÉÏæÌ äíÓÍÊ í Çðãåã ÇðÑæÏ ÉÑßÈã ÉáÍÑã í ÌãÇÑÈáÇ ÈæíÚ ÇÔÊßÇ ÈÚáí .ÌãÇÑÈáÇ í

ßáÐ Úãæ .ÉáßÊ áÞÈ ÈæíÚáÇ åÐå áËã ÍíÍÕÊæ ÏíÏÍÊá ÉáÊÎã ÞÑØ ÍÇÑÊÞÇ ãÊ .ÊÇíÌãÑÈáÇ ÑíæØÊ ìáÚ ÇãåÞÇäÅ íÛÈäí äíÐááÇ

äã ÏíÊÓíÜá ÇðÏíÏÌ ÇðÌåä ÍÑÊÞä áãÚáÇ ÇÐå í ßáÐá .ÉÑíÈß ÊÇäíÓÍÊ ÈáØÊí ÈíáÇÓáÇ åÐå ÁÇÏ äÅ

áãÚÈ ãæÞä ÇðíäÇË .ÑæåãÌáá ÉÍÇÊãáÇ ÊÇäÇíÈáÇ ÉÚæãÌãá ÉÌáÇÚãáÇ áÈÞ Çã ÉáÍÑãÈ ÏÈä ðáÇæ .ÌãÇÑÈáÇ ÉãÙä í ÁÇØÎáÇÈ ÄÈäÊáá ÉßÈÔáÇ ìáÚ ãÆÇÞ ÌÐæãä ìáÅ ÉÌÐãäãáÇ ÊÇäÇíÈáÇ ÉíÐÛÊÈ ãæÞä ÇðËáÇË .ÞíãÚáÇ ãáÚÊáÇ ÌÐæãäá áÇÎÏáÅÇ ÊÇäÇíÈ ÏÇÏÚáÅ ÊÇäÇíÈáÇ ÉÌÐãä ÉÚæãÌã ) 14( ÑÔÚ ÉÚÈÑ ìáÚ ÈÑÇÌÊáÇ ÁÇÑÌÇ ãÊí , ÇäÌåä ÉÍÕ äã ÞÞÍÊáá .ÈæíÚ ËæÏÍ ÉíáÇãÊÍÇÈ ÄÈäÊáá ÉííáÇÊáÇ ÉíÈÕÚáÇ ÉäÑÇÞã áÖÇSFP-NN ÁÇÏ äÇß ÊÇäÇíÈáÇ ÏÚÇæÞ ÉíÈáÇÛ í åä ÉíÈíÑÌÊáÇ ÌÆÇÊäáÇ ÊÑåÙ ËíÍ SOFTLAB æ NASA

íäÕÊáÇ ÉííáÇÊáÇ ÉíÈÕÚáÇ ÉßÈÔáÇ ÞíãÚáÇ ãáÚÊáÇ íááÂÇ ãáÚÊáÇ ÊÇíÌãÑÈáÇ áÇØÚÈ ÄÈäÊáÇ : ÉíÍÇÊãáÇ ÊÇãáßáÇ