Prognozowanie defektów w oprogramowaniu z wykorzystaniem modeli predykcyjnych opartych na danych historycznych

• Autorzy: Czyczyn-Egird Daniel
• Języki publikacji: PL

Abstrakty

PL

W dzisiejszych czasach istnieje wiele metod i dobrych praktyk w inżynierii oprogramowania, które mają na celu zapewnienie wysokiej jakości tworzonego oprogramowania. Jednakże pomimo starań twórców oprogramowania, często w projektach występują defekty, których usuwanie wiąże się często z dużym nakładem finansowym oraz nakładem czasu. Artykuł prezentuje przykładowe podejście do predykcji defektów w projektach informatycznych opierając się na modelach predykcyjnych zbudowanych w oparciu o informacje historyczne oraz metryki produktu, zebrane z różnych repozytoriów danych.

EN

Nowadays, there are many methods and good practices in software engineering that are aimed at providing high quality of created software. However, despite the efforts of software developers, there are often defects in projects, the removal of which is often associated with a large financial and time expenditure. The article presents an example approach to defect prediction in IT projects based on predictive models based on historical information and product metrics, collected from various data repositories.

Słowa kluczowe

PL

eksploracja danych w oprogramowaniu; modele predykcji defektów; metryki oprogramowania

EN

data mining; defect prediction models; software metrics

• Wydawca: Wydawnictwo Uczelniane Politechniki Koszalińskiej
• Czasopismo: Zeszyty Naukowe Wydziału Elektroniki i Informatyki Politechniki Koszalińskiej
• Rocznik: 2019
• Tom: Nr 15
• Strony: 23--34
• Opis fizyczny: Bibliogr. 18 poz., rys., wykr., tab.

Twórcy

autor

Czyczyn-Egird Daniel

• Wydział Elektroniki i Informatyki, Politechnika Koszalińska

Bibliografia

• 1. Petersen K., Wohlin C.: Software process improvement through the Lean Measurement (LEAM) method, Journal of Systems and Software, vol. 83, no. 7, pp. 1275-1287, 2010.
• 2. Wojszczyk R.: Quality Assessment of Implementation of Strategy DesignPattern. Advances in Intelligent Systems and Computing, Springer , Vol. 620, pp. 37 - 44, 2018.
• 3. Ramler R., Himmelbauer J.: Building Defect Prediction Models in Practice, Handbook of Research on Emerging Advancements in Software Engineering, pp. 540-565, 2014.
• 4. Jureczko M., Magott J.: QualitySpy: a framework for monitoring software development processes, Journal of Theoretical and Applied Computer Science, vol. 6, no. 1, pp. 35-45, 2012.
• 5. Jureczko M. and Contributors: "Quality Spy.", http://java.net/projects/qualityspy.
• 6. The Apache Software Foundation, "Apache License, Version 2.0." http://www.apache.org/licenses/LICENSE-2.0.html.
• 7. JIRA, Atlassian, https://www.atlassian.com/software/jira.
• 8. SVN, "Enterprise-classcentralized version control ", https://subversion.apache.org/
• 9. D'Ambros M., Lanza M., Distributed and Collaborative Software Evolution Analysis with Churrasco, Sci. Comput. Program., vol. 75, pp. 276-287, Apr. 2010.
• 10. Madeyski L., Majchrzak M.: Software Measurement and Defect Prediction with Depress Extensible Framework, Foundations of Computing and Decision Sciences, vol. 39, no. 4, 2014.
• 11. Berthold M. R., Cebron N., Dill F., Gabriel T. R., Meinl T., Ohl P., Sieb C., Thiel K., and Wiswedel B.: KNIME: The Konstanz Information Miner, Studies in Classication, Data Analysis, and Knowledge Organization (GfKL 2007), Springer, 2007.
• 12. Czyczyn-Egird D., Wojszczyk R.: The effectiveness of data mining techniques in the detection of DDoS attacks. Distributed Computing and Artificial Intelligence, 14th International Conference, Springer, Vol. 620, pp. 53-60, 2018.
• 13. Kazim A., A Study of Software Development Life Cycle Process Models, International Journal of Advanced Research in Computer Science, Volume 8, No. 1, 2017.
• 14. Version Control Systems Popularity in 2016, https://rhodecode.com/insights/version-control-systems-2016 (access on 08.2019).
• 15. Slowik A., Kwasnicka H., Nature Inspired Methods and Their Industry Applications – Swarm Intelligence Algorithms, IEEE Transactions on Industrial Informatics, Volume 14, Issue 3, pp. 1004-1015, March 2018.
• 16. Apache NetBeans, https://netbeans.apache.org/
• 17. GitHub Inc., http://www.github.com.
• 18. GraphQL API v4, https://developer.github.com/v4/

Uwagi

PL

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2020).