МЕТОД ОЦІНЮВАННЯ РИЗИКУ ДЕФЕКТІВ ПРОГРАМНИХ КОМПОНЕНТІВ РОЗПОДІЛЕНИХ КОМП’ЮТЕРНИХ СИСТЕМ ДЛЯ ПРІОРИТИЗАЦІЇ АВТОМАТИЗОВАНИХ ВИПРОБУВАНЬ
DOI:
https://doi.org/10.30837/0135-1710.2026.189.109Ключові слова:
програмні компоненти, розподілені комп’ютерні системи, автоматизовані випробування, машинне навчання, прогнозування дефектів, інтегральний показник ризику, пріоритизація; тестування, Python, Google ColabАнотація
Предметом дослідження є методи, моделі й засоби оцінювання ризику дефектів програмних компонентів розподілених комп’ютерних систем для підтримки процесу пріоритизації автоматизованих випробувань. Мета – розроблення методу оцінювання ризику дефектів програмних компонентів розподілених комп’ютерних систем для пріоритизації автоматизованих випробувань на основі машинного навчання з огляду на структурні характеристики компонентів, інтенсивність змін і результати тестування. Відповідно до окресленої мети необхідно виконати такі завдання: проаналізувати сучасні підходи до прогнозування дефектів програмного забезпечення й пріоритизації автоматизованих випробувань у розподілених комп’ютерних системах; визначити інформативні характеристики програмних компонентів, що відтворюють їх структурні властивості, інтенсивність змін і зв’язки між програмними компонентами; розробити метод оцінювання ризику дефектів програмних компонентів на основі моделі машинного навчання з формуванням інтегрального показника ризику; запропонувати підхід до пріоритизації автоматизованих випробувань на основі отриманого інтегрального показника ризику; впровадити запропонований метод і експериментально оцінити його ефективність за показниками класифікації та ранжування. Методи: системний аналіз, машинне навчання, аналіз структурних метрик програмного коду, класифікація, відбір інформативних ознак, формування інтегрального показника ризику й ризик-орієнтованого ранжування. Експериментальну перевірку виконано з використанням методів обчислювального моделювання. Результати дослідження. Розроблено метод оцінювання ризику дефектів програмних компонентів розподілених комп’ютерних систем, що забезпечує інтеграцію характеристик структур, процесів і контекстів, а також обчислення інтегрального показника ризику й ранжування компонентів для пріоритизації автоматизованих випробувань. Експериментальна перевірка підтвердила працездатність запропонованого методу та його спроможність ефективно розділяти програмні компоненти з дефектами та без них, а також виділяти компоненти ризику для першочергового тестового контролю. Висновки. Досягнуті результати підтвердили доцільність упровадження методів машинного навчання та інтегрованого простору ознак для оцінювання ризику дефектів програмних компонентів розподілених комп’ютерних систем. Запропонований метод може бути використаний як основа для підвищення обґрунтованості рішень щодо пріоритизації автоматизованих випробувань, вчасного виявлення найбільших компонентів ризику й подальшого розвитку інтелектуальних засобів контролю якості програмного забезпечення.
Посилання
Dos Santos, R. A. (2024), "Just-In-Time Software Defect Prediction using a deep learning-based model", New Trends in Computer Sciences, 2(2), 91–100. DOI: https://doi.org/10.3846/ntcs.2024.22274
Jiang, Y., Shen, B., Gu, X., (2025), "Just-in-time software defect prediction via bi-modal change representation learning", Journal of Systems and Software. Volume 219. DOI: https://doi.org/10.1016/j.jss.2024.112253
Ali, M., Mazhar, T., Al-Rasheed, A., Shahzad, T., Yasin Ghadi, Y., Amir Khan, M., (2024), "Enhancing software defect prediction: a framework with improved feature selection and ensemble machine learning", PeerJ Computer Science 10:e1860. DOI: https://doi.org/10.7717/peerj-cs.1860
Albattah, W., Alzahrani, M., (2024), "Software Defect Prediction Based on Machine Learning and Deep Learning Techniques: An Empirical Approach", AI, 5, 1743–1758. DOI: https://doi.org/10.3390/ai5040086
Siswantoro, M., Yuhana, U.L., (2023), "Software Defect Prediction Based on Optimized Machine Learning Models: A Comparative Study". Teknika. 12, 2, 166–172. DOI: https://doi.org/10.34148/teknika.v12i2.634
Guo, Z., Sun, Y., Fu, B., Cheng, X., (2022), "Research on software defect prediction method based on machine learning oriented to large-scale complex information system", Proc. SPIE 12161, 4th International Conference on Informatics Engineering & Information Science (ICIEIS2021). DOI: https://doi.org/10.1117/12.2627233
Cabral, G.G., Minku, L.L., Oliveira, A.L., Pessoa, D.A., Tabassum, S., (2023), "An investigation of online and offline learning models for online Just-in-Time Software Defect Prediction", Journal of Systems and Software 28, 121. DOI: https://doi.org/10.1007/s10664-023-10335-6
Kaur, G., Pruthi, J., Gandhi, P., (2023), "Machine learning based Software Fault Prediction models," Karbala International Journal of Modern Science: Vol. 9. DOI: https://doi.org/10.33640/2405-609X.3297
Bayramova, T., (2023), "Software defect prediction using the machine learning methods", Problems of Information Technology, 14(2). DOI: http://doi.org/10.25045/jpit.v14.i2.03
Shittu, A.S., Abdulsalami, B. (2023), "Software defect prediction using machine learning approach : a contemporary review", TechRxiv, pp. 1–8. DOI: https://doi.org/10.36227/techrxiv.23648907.v1
Hasan Kabir, S.M., Tanim Rahman, Md., Aunik Hasan Mridul, (2025), "Software Defect Prediction Using Traditional Machine Learning and Ensemble Learning Algorithms", Smart Wearable Technology, 1, A9. DOI: https://doi.org/10.47852/bonviewSWT52025645
Mahbub, P., Shuvo, O., Rahman, M.M.б (2023) "Defectors: A Large, Diverse Python Dataset for Defect Prediction", 2023 IEEE/ACM 20th International Conference on Mining Software Repositories (MSR), Melbourne, Australia, pp. 393–397. DOI: https://doi.org/10.1109/MSR59073.2023.00085
Robredo, M., Esposito, M., Taibi, D., Peñaloza, R., Lenarduzzi, V., (2025), "SQuaD: The Software Quality Dataset – Dataset [Data set]". Zenodo. DOI: https://doi.org/10.5281/zenodo.17566691
Chen, Z., Wang, K., Yang, C., Cao, B., Fan, J., (2025), "Learning Top-k Classification with Label Ranking. In: Taniguchi, T., et al. Neural Information Processing. ICONIP 2025", Communications in Computer and Information Science, vol 2755. Springer, Singapore. DOI: https://doi.org/10.1007/978-981-95-4094-5_9
Hamid, M., Hajjej, F., Alluhaidan, A.S., (2025), "Fine tuned CatBoost machine learning approach for early detection of cardiovascular disease through predictive modeling", Scientific Reports 15, 31199. DOI: https://doi.org/10.1038/s41598-025-13790-x
F. Setievi, F., Natalia, J., Tjhang, T.R., Edbert, I. S., Suhartono, D., (2022), "A Comparative Study of Supervised Machine Learning Algorithms for Fake Review Detection," 2022 5th International Seminar on Research of Information Technology and Intelligent Systems (ISRITI), Yogyakarta, Indonesia, 2022, pp. 306–312. DOI: https://doi.org/10.1109/ISRITI56927.2022.10052860
UA
EN 


