WOW !! MUCH LOVE ! SO WORLD PEACE !
Fond bitcoin pour l'amélioration du site: 1memzGeKS7CB3ECNkzSn2qHwxU6NZoJ8o
  Dogecoin (tips/pourboires): DCLoo9Dd4qECqpMLurdgGnaoqbftj16Nvp


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
  

précédent sommaire suivant

Bitcoin is a swarm of cyber hornets serving the goddess of wisdom, feeding on the fire of truth, exponentially growing ever smarter, faster, and stronger behind a wall of encrypted energy

Conclusion générale

La prédiction des défauts logiciels (SFP) est l'une des modèles de qualité qui aident à conduire sainement le cycle de vie du développement logiciel. Il est donc important et bénéfique de ne pas simplement détecter l'occurrence du défaut en tant que pré-activité mais aussi de les prédire afin d'empêcher le défaut avant qu'il ne devienne réel.

Dans ce cadre que s'inscrit notre travail, nous avons utilisé une technique d'apprentissage automatique dont le but est de prédire les défauts logiciels lors de la phase initiale. Pour réaliser notre travail on a utilisé une technique avancée d'apprentissage automatique qui est l'apprentissage profond. Récemment, cette technique a été adopté pour améliorer des tâches de recherche en génie logiciel. L'approche proposée dans ce mémoire, utilise l'algorithme de réseau de neurones convolutifs (CNN) afin de prédire les défauts logiciels et ce dans le but de conduire le cycle de vie du développement logiciel sainement. Ce choix est justifié par la simplicité et l'efficacité de la méthode.

Nous avons proposé un modèle CNN amélioré pour la prédiction des défauts logiciels afin de valider l'hypothèse selon laquelle les modèles CNN peut surpasser les modèles d'apprentissage automatique traditionnels. Nous avons choisi deux ensembles de données : 09 projets ont été choisis de la base de données NASA MDP et 05 projets de SOFTLAB. Plusieurs métriques ont été extraient de ces bases données afin de construire les données d'apprentissage/test du CNN. Après une phase de prétraitement des données, une phase d'apprentissage est lancée pour créer le modèle CNN approprié. Plusieurs mesures de

Conclusion Générale 76

performances telles que : précision, F1-score, recall ont contribué à l'évaluation expérimentale de notre SFP-NN. Notre approche a obtenu des résultats satisfaisants, comparables ou meilleurs que les modèles de pointe existants. Nous avons obtenus un accuracy égal à 0.99 pour MC1, 0.98 pour AR5, et 0.99 pour P et le reste d'ensembles de données utilisé dans notre approche ont également obtenu de bons résultats comme PC1= 0.93, KC1 = 0.97, AR4= 0.97 etc... .

Afin de valider notre SFP-NN, nous l'avons comparé avec d'autres techniques d'apprentissage traditionnelles : Foret aléatoire, machine à vecteur de support et la régression logistique qui sont évalués à l'aide de précision, de la recall, du F1- score, du rappel et de l'exactitude. Nous avons obtenu avec SVM sur PC1 un accuracy de 0.73, F1- score = 0.84, recall= 0.83 et précision = 0.84. Avec foret aléatoire sur PC1 un accuracy de 0.71, F1- score = 0.57, recall = 0.93 et une précision de 0.80. Avec la régression logistique sur PC1 nous avons obtenus un accuracy de 0.71, F1- score était 0.57, recall était 0.60 et précision était 0.57.

Le résultat obtenu lors de la phase de test confirme l`efficacité de notre approche. Notre travail n`est que dans sa version initiale, on peut dire que ce travail reste ouvert pour d'autres extensions. Comme extension du travail proposé :

- Nous pouvons bénéficier des avantages des autres techniques de deep learning et les comparer avec notre SFP-NN

- Appliquer des techniques de sélection d'attributs afin de garder seulement les attributs les plus pertinents et pour avoir un jeu de données équilibré et normalisé,

- D'autres techniques de prétraitement peuvent être envisageable afin de rendre l'ensemble de données d'apprentissage le plus optimal que possible,

77

Bibliographies 77

précédent sommaire suivant






Bitcoin is a swarm of cyber hornets serving the goddess of wisdom, feeding on the fire of truth, exponentially growing ever smarter, faster, and stronger behind a wall of encrypted energy








"Le don sans la technique n'est qu'une maladie"