Home | Publier un mémoire | Une page au hasard

Prédiction de défauts logiciel utilisant des techniques d'apprentissage automatique


par Amina Oulaceb
Université Mohammed Cherif Messadia - Master informatique en génie logiciel 2021
Dans la categorie: Informatique et Télécommunications > Intelligence artificielle
   
Télécharger le fichier original

sommaire suivant

N°2021/2020

íãáÚáÇ ËÍÈáÇæ íáÇÚáÇ ãíáÚÊáÇ ÉÑÇÒæ

Université Mohamed Chérif Messaadia - Souk Ahras

Mohamed Chérif Messaadia University - Souk Ahras

 

ÉíÏÚÇÓã íÑÔáÇ ÏãÍã ÉÜÚãÇÌ

ÓÇÑå ÞæÓ

Faculté des Sciences et de la Technologie

Année : 2021

Département de Mathématiques et Informatique

MEMOIRE

Présenté en vue de l'obtention du Diplôme de Master

PREDICTION DE DEFAUTS LOGICIELS UTILISANT DES TECHNIQUES D'APPRENTISSAGE AUTOMATIQUE

Filière

Informatique

Spécialité

Génie Logiciel

par

Oulaceb Amina

DIRECTEUR DE MEMOIRE : Dr. Nawel ZEMMAL MCB U. SOUK-AHRAS

Devant le jury

PRESIDENT : Mr. Mokdad AROUS MCB U. SOUK-AHRAS

EXAMINATEUR : Mr. Ahcen MENASRIA MAA U. SOUK-AHRAS

II

Remercîment

Je remercier tout d'abord Alah

A ma maitrise du mémoire Mademoisele Zemmal Nawel j'ai eu le privilège 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 témoigner ma profonde
gratitude.

A mes maitres et juges du mémoire. Vous m'avez fait l'honneur d'accepter avec une très grande amabilité de siéger parmi mon jury de mémoire. Veuilez accepter ce travail maitre, en gage 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 critiques ont guidé nos réflexions et ont accepté à ma rencontrer et répondre à mes questions durant nos recherches.

III

Dédicace

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 jusqu'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'encouragement 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 partage 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 collègues

Résumé IV

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.

ÕÎáã V

ÕÎáã

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

ÞíãÚáÇ ãáÚÊáÇ ÊÇíäÞÊ

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

.ìÑÎáÇ íááÂÇ ãáÚÊáÇ ÊÇíäÞÊÈ

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

Abstract VI

sommaire suivant