Genetic algorithm-based multi-objective optimization model for software bugs prediction

Авторы

  • Bakre Oluseye Musinat Olabisi Onabanjo University, Ago-Iwoye, Ogun State, Nigeria
  • FEMI Temitope JOHNSON Federal University of Agriculture, Abeokuta http://orcid.org/0000-0002-5467-855X
  • Olusegun Folorunso Federal University of Agriculture, Abeokuta, Ogun State, Nigeria
  • Ihekwoaba Ezinne Federal College of Education (Technical), Akoka, Lagos State, Nigeria

DOI:

https://doi.org/10.29114/ajtuv.vol6.iss1.245

Ключевые слова:

Genetic Algorithm

Аннотация

The accuracy and reliability of software are critical factors for consideration in the operation of any electronic or computing device.  Although, there exist several conventional methods of software bugs prediction which depend solely on static code metrics without syntactic structures or semantic information of programs which are more appropriate for developing accurate predictive models.  In this paper, software bugs are predicted using a Genetic Algorithm (GA)-based multi-objective optimization model implemented in MATLAB on the National Aeronautics and Space Administration (NASA) dataset comprising thirty-eight distinct factors reduced to six (6) major factors via the use of the Principal Component Analysis (PCA) algorithm with SPSS, after which a linear regression equation was derived. The developed GA- based multi-objective optimization model was well-tried and tested. The accuracy and sensitivity level were also analyzed for successful bug detection. The results for optimal values ranging from   95% to 97% were recorded at an average accuracy of 96.4% derived through MATLAB-implemented measures of critical similarities. The research findings reveal that the model hereto proposed will provide an effective solution to the problem of predicting buggy software in general circulation.

Скачивания

Данные скачивания пока недоступны.

Библиографические ссылки

<p style="text-align: justify;">Akmel, F., Birihanu, E. Siraj, B. (2017). A literature review study of software defect prediction using machine learning techniques.&nbsp;<em>Int. J. Emerg. Res. Manag. Technology</em>,&nbsp;<em>6</em>(6), 300-306. <br /><a href="https://doi.org/10.23956/ijermt.v6i6.286" target="_blank">Crossref</a></p>
<p style="text-align: justify;">Bavisi, S., Mehta, J., &amp; Lopes, L. (2014). A comparative study of different data mining algorithms.&nbsp;<em>International Journal of Current Engineering and Technology</em>,&nbsp;<em>4</em>(5), 3248-3252.</p>
<p style="text-align: justify;">Catal C., Diri, B. (2009). A systematic review of software fault prediction studies. <em>Expert Systems with Applications, 36</em> (4), 7346&ndash;7354. <br/><a href="https://doi.org/10.1016/j.eswa.2008.10.027" target="_blank">Crossref</a></p>
<p style="text-align: justify;">Cha, S. H., &amp; Tappert, C. C. (2009). A genetic algorithm for constructing compact binary decision trees.&nbsp;<em>Journal of pattern recognition research</em>,&nbsp;<em>4</em>(1), 1-13.&nbsp;<br/> <a href="https://doi.org/10.13176/11.44"target="_blank">Crossref</a></p>
<p style="text-align: justify;">Challagulla, V. U. B., Bastani, F. B., Yen, I. L., &amp; Paul, R. A. (2008). Empirical assessment of machine learning based software defect prediction techniques.&nbsp;<em>International Journal on Artificial Intelligence Tools</em>,&nbsp;<em>17</em>(02), 389-400.<br/> <a href="https://doi.org/10.1142/S0218213008003947" target="_blank">Crossref</a></p>
<p style="text-align: justify;">Chen, T., &amp; Guestrin, C. (2016). Xgboost: A scalable tree boosting system. <em>Proceedings of the 22nd ACM SIGKDD,&nbsp; International conference on knowledge discovery and data mining</em>, (22), 785-794. <br/><a href="https://doi.org/10.1145/2939672.2939785"target="_blank">Crossref</a></p>
<p style="text-align: justify;">Costa, E. O., de Souza, G. A., Pozo, A. T. R., &amp; Vergilio S. R. (2007). Exploring Genetic Programming and Boosting Techniques to Model Software Reliability. <em>IEEE Transactions on Reliability, (</em>56): 422-434. <br/><a href="https://doi.org/10.1109/TR.2007.903269"target="_blank">Crossref</a></p>
<p style="text-align: justify;">Doval, D., Mancoridis, S. &amp; Mitchell, B. S. (1999). Automatic clustering of software systems using a genetic algorithm. <em>Proc. Conference of Software Technology and Engineering Practice</em>, England, 73-81. <br/><a href="https://doi.org/10.1109/STEP.1999.798481"target="_blank">Crossref</a></p>
<p style="text-align: justify;">Gupta, Dharmendra, L. &amp; Kavita S. (2017). Software bug prediction using object-oriented metrics. <em>Sādhanā (1), </em>1-15.</p>
<p style="text-align: justify;">Haznedar, B. &amp; Kalinli, A. (2016). Training ANFIS Using Genetic Algorithm for Dynamic Systems Identification. <em>Int j Intell Sys appl eng</em>, <em>4</em>(1), 44-47.<br/> <a href="https://doi.org/10.18201/ijisae.266053"target="_blank">Crossref</a></p>
<p style="text-align: justify;">Jaspree, K. (2011).&nbsp; A k-means Based Approach for Prediction of Level of Severity of Faults in Software System. In&nbsp;<em>Proceedings of International conference on Intelligent Computational Systems</em>.</p>
<p style="text-align: justify;">Jureczko, M., &amp; Spinellis, D. (2010). Using object-oriented design metrics to predict software defects.&nbsp;<em>Models and Methods of System Dependability. Oficyna Wydawnicza Politechniki Wrocławskiej</em>, 69-81.</p>
<p style="text-align: justify;">Kim, S., Zhang, H., Wu, R. and Gong, L. (2011).&nbsp; Dealing with noise in defect prediction. <em>Proceeding of the 33rd International Conference on Software Engineering, ICSE</em> (11), 481&ndash;490.<br/> <a href="https://doi.org/10.1145/1985793.1985859"target="_blank">Crossref</a></p>
<p style="text-align: justify;">Malhotra, R. &amp; Singh, Y. (2011). On the applicability of machine learning techniques for object-oriented software fault prediction. <em>Software Engineering: An International Journal 1</em>(1), 24-37.</p>
<p style="text-align: justify;">Naidu, M. S., &amp; Geethanjali, N. (2013). Classification of defects in software using decision tree algorithm.&nbsp;<em>International Journal of Engineering Science and Technology</em>,&nbsp;<em>5</em>(6), 1332-1342.</p>
<p style="text-align: justify;">Okutan, A., &amp; Yıldız, O. T. (2014). Software defect prediction using Bayesian networks. <em>Empirical Software Engineering 19</em>(1),154-181. <br/><a href="https://doi.org/10.1007/s10664-012-9218-8"target="_blank">Crossref</a></p>
<p style="text-align: justify;">Peng, Y., Kou, G., Wang, G., Wu, W., &amp; Shi, Y. (2011). Ensemble of software defect predictors: an AHP-based evaluation method.&nbsp;<em>International Journal of Information Technology &amp; Decision Making</em>,&nbsp;<em>10</em>(01), 187-206. <br/> <a href="https://doi.org/10.1142/S0219622011004282"target="_blank">Crossref</a></p>
<p style="text-align: justify;">Rahman, F., Posnett, D. &amp; Devanbu, P. (2012). Recalling the imprecision of cross-project defect prediction. <em>In Proceedings of the ACM SIGSOFT 20th International Symposium on the Foundations of Software Engineering, (12)</em> 1&ndash;61:11 New York, NY, USA. ACM. <br/><a href="https://doi.org/10.1145/2393596.2393669"target="_blank">Crossref</a></p>
<p style="text-align: justify;">Sharma, D. &amp; Chandra, P. (2018) Software Fault Prediction Using Machine Learning Techniques<em>.</em> In <em>Smart Computing and Informatics </em>(pp.541-549). Springer, Singapore. <br/><a href="https://doi.org/10.1007/978-981-10-5547-8_56"target="_blank">Crossref</a></p>
<p style="text-align: justify;">Shepperd, M., Bowes, D. &amp; Hall, T. (2014). Researcher bias: The use of machine learning in software defect prediction.&nbsp;<em>IEEE Transactions on Software Engineering</em>,&nbsp;<em>40</em>(6), 603-616. &nbsp;<br/><a href="https://doi.org/10.1109/TSE.2014.2322358"target="_blank">Crossref</a></p>
<p style="text-align: justify;">Shivaji, S., Whitehead, E. J., Akella, R. &amp; Kim, S. (2012). Reducing features to improve code change-based bug prediction.&nbsp;<em>IEEE Transactions on Software Engineering</em>,&nbsp;<em>39</em>(4), 552-569.<br/> <a href="https://doi.org/10.1109/TSE.2012.43"target="_blank">Crossref</a></p>
<p style="text-align: justify;">Singh, P. &amp; Chug, A. (2017). Software defect prediction analysis using machine learning algorithms. In <em>7th International Conference on Cloud Computing, Data Science &amp; Engineering Confluence</em>, 212-232. IEEE. <br/><a href="https://doi.org/10.1109/CONFLUENCE.2017.7943255"target="_blank">Crossref</a></p>
<p style="text-align: justify;">Suman, B. (2004). Study of simulated annealing-based algorithms for multi-objective optimization of a constrained problem<em>. Comput. Chem. Eng. 28</em>(9) 1849&ndash;1871. <br/><a href="https://doi.org/10.1016/j.compchemeng.2004.02.037"target="_blank">Crossref</a></p>
<p style="text-align: justify;">Yamaguchi, F., Lottmann, M. &amp; Rieck, K. (2012). Generalized vulnerability extrapolation using abstract syntax trees. In <em>Proceedings of the 28th Annual Computer Security Applications Conference</em>, ACM, (pp.359&ndash;368), Orlando, FL, USA. <br/><a href="https://doi.org/10.1145/2420950.2421003"target="_blank">Crossref</a></p>
<p style="text-align: justify;">Zavala, G. R., Nebro, A. J., Luna, F., &amp; Coello Coello, C. A. (2014). A survey of multi-objective metaheuristics applied to structural optimization.&nbsp;<em>Structural and Multidisciplinary Optimization</em>,&nbsp;<em>49</em>(4), 537-558.<br/> <a href="https://doi.org/10.1007/s00158-013-0996-4"target="_blank">Crossref</a></p>
<p style="text-align: justify;">Zhou, Y., Yang, Y., Lu, H., Chen, L., Li, Y., Zhao, Y., ... &amp; Xu, B. (2018). How far we have progressed in the journey? an examination of cross-project defect prediction.&nbsp;<em>ACM Transactions on Software Engineering and Methodology (TOSEM)</em>,&nbsp;<em>27</em>(1), 1-51. <br/><a href="https://doi.org/10.1145/3183339"target="_blank">Crossref</a></p>

Загрузки

Опубликован

2022-08-11

Как цитировать

Musinat, B. O., JOHNSON, F. T., Folorunso, O., & Ezinne, I. (2022). Genetic algorithm-based multi-objective optimization model for software bugs prediction. ЕЖЕГОДНЫЙ ЖУРНАЛ ТЕХНИЧЕСКОГО УНИВЕРСИТЕТА ВАРНЫ, БОЛГАРИЯ, 6(1), 34–48. https://doi.org/10.29114/ajtuv.vol6.iss1.245

Выпуск

Том 6 № 1 (2022): Annual Journal of Technical University of Varna

Раздел

ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ, СВЯЗЬ И КОМПЬЮТЕРНОЙ ТЕХНИКИ

Лицензия

СОГЛАШЕНИЕ О ПУБЛИКАЦИИ
     Ежегодный журнал Технического университета Варны (ЕЖТУВ) гарантирует опубликование оригинальных материалов и, в то же время, предоставление своим авторам значительной свободы. Для этого мы придерживаемся гибкой политики в отношении авторских прав, означающей, что передача издателю авторских прав отсутствует, и авторы сохраняют эксклюзивные авторские права на свою работу.
При подаче рукописи ответственный автор должен принять условия, изложенные в данном Соглашении о публикации и состоящие в следующем: 

         ПРЕДОСТАВЛЕНИЕ ПРАВ ОТВЕТСТВЕННЫМ АВТОРОМ
         Ответственный автор предоставляет AJTUV в течение полного срока действия авторского права и любых продлений или подновлений этого срока следующее:
      • безотзывное неисключительное право публиковать, воспроизводить, переиздавать, передавать, распространять и иным образом использовать Работу в электронных и печатных изданиях и в производных произведениях по всему миру, на всех языках и во всех известных в настоящее время или появившихся впоследствии СМИ.
      • безотзывное неисключительное право создавать и хранить электронные архивные копии Работы, в том числе право депонирования Работы в цифровых хранилищах открытого доступа.
      • безотзывное неисключительное право лицензировать других лиц на воспроизведение, перевод, переиздание, передачу и распространение Работы при условии, что Авторы должным образом указаны (в настоящее время это осуществляется путем публикации Работы в соответствии с лицензией Creative Commons Attribution 4.0 Unported License).
          Авторское право на Работу принадлежит Авторам. Авторы сохраняют за собой права на патенты, товарные знаки и другие права на интеллектуальную собственность.
         ОБЯЗАННОСТИ ОТВЕТСТВЕННОГО АВТОРА  
        При распространении или повторной публикации Работы Ответственный Автор соглашается указывать AJTUV, в котором опубликована Работа, как источник первой публикации. Ответственный Автор гарантирует, что соавторы также будут согласны, чтобы Работа опубликовалась в AJTUV, который будет рассматриваться как первичный источник публикации в случае ее распространения или переиздания.
          ГАРАНТИИ СО СТОРОНЫ ОТВЕТСТВЕННОГО АВТОРА
        Ответственный автор гарантирует, что его Работа не нарушает закон или права какой-либо третьей стороны и, в частности, что Работа не содержит дискредитирующие материалы и не нарушает какие-либо литературные или имущественные права, права интеллектуальной собственности или любые другие права, касающиеся неприкосновенности частной жизни. Ответственный автор гарантирует, что Работа является оригинальной, официально не публиковалась ни в одном другом рецензируемом журнале, книге или редактируемом сборнике, и не рассматривается для какой-либо подобной публикации. Ответственный автор также гарантирует, что он или она имеет полное право заключить это соглашение. Если Работа была подготовлена совместно с другими соавторами, Ответственный Автор гарантирует, что все соавторы согласны с представлением и публикацией Работы.
Ответственный автор обязуется не вовлекать ЕЖТУВ в какие-любо нарушения вышеупомянутых заявлений и гарантий.
                ПРАВА И ОБЯЗАННОСТИ ЕЖТУВ
ЕЖТУВ соглашается опубликовать Работу от имени ее авторов. ЕЖТУВ получает от имени авторов полномочия по обеспечению предусмотренных данным соглашением прав в отношении третьих сторон (например, в случаях плагиата или нарушения авторских прав).
          Заявление о конфиденциальности ЕЖТУВ
         Имена и адреса электронной почты, существующие на веб-сайте ЕЖТУВ, будут использоваться только и исключительно в заявленных целях данного ежегодного журнала и не будут доступны в иных целях или для любой другой стороны.
          Вся предоставленная личная информация останется исключительно у издателя и не будет передаваться каким-либо внешним лицам, если на это не будет предоставлено предварительное разрешение.
          Ваша личная информация никоим образом не будет продаваться, распространяться или публиковаться.

Похожие статьи

1 2 3 > >> 

Вы также можете начать расширеннвй поиск похожих статей для этой статьи.