The KIPS Transactions:PartD (정보처리학회논문지D)

Korea Information Processing Society (한국정보처리학회)
권호 표지
DOI QR코드

DOI QR Code

A Software Quality Prediction Model Without Training Data Set

훈련데이터 집합을 사용하지 않는 소프트웨어 품질예측 모델

  • 홍의석 (성신여자대학교 컴퓨터정보학부)
  • Published : 2003.08.01
Download PDF
⟨ Previous Next ⟩

Abstract

Criticality prediction models that determine whether a design entity is fault-prone or non fault-prone are used for identifying trouble spots of software system in analysis or design phases. Many criticality prediction models for identifying fault-prone modules using complexity metrics have been suggested. But most of them need training data set. Unfortunately very few organizations have their own training data. To solve this problem, this paper builds a new prediction model, KSM, based on Kohonen SOM neural networks. KSM is implemented and compared with a well-known prediction model, BackPropagation neural network Model (BPM), considering internal characteristics, utilization cost and accuracy of prediction. As a result, this paper shows that KSM has comparative performance with BPM.

설계 개체의 결함경향성을 판별하는 위험도 예측 모델은 분석이나 설계 같은 소프트웨어 개발 초기 단계에서 시스템의 문제 부분들을 찾아 내는데 사용된다. 복잡도 메트릭에 기반한 많은 위험도 예측 모델들이 제안되었지만 그들 대부분은 모델 훈련을 위한 훈련데이터 집합을 필요로 하는 모델들이었다. 하지만 대부분의 개발집단은 훈련데이터 집합을 보유하고 있지 않기 때문에 이들 모델들은 대부분의 개발집단에서 사용될 수 없다는 커다란 문제점이 있었다. 이러한 문제점을 해결하기 위해 본 논문에서는 Kohonen SOM 신경망을 이용하여 훈련데이터 집합을 사용하지 않는 새로운 예측 모델 KSM을 제안한다. 여러 내부 특성들과 모델 사용의 용이성 그리고 모의실험을 통한 예측 정확도 비교를 통해 KSM을 잘 알려진 예측 모델인 역전파 신경망 모델(BPM)과 비교하였으며 그 결과 KSM의 성능이 BPM에 근접하다는 것을 보였다.

Keywords

References

  1. J. Tian, A. Nguyen, C. Allen and R.Appan, 'Experience with identifying and characterizing problem-prone modules in telecommunication software systems,' J. Systems Software, Vol.57, pp.207-215, 2001 https://doi.org/10.1016/S0164-1212(01)00011-5
  2. 홍의석, 권용길, '퍼지 분류를 이용한 초기 위험도 예측 모델,' 정보처리학회논문지, Vol.57, pp.1401-1408, 2000
  3. N. Ohlsson and H. Alberg, 'Prediction Fault-Prone Software Modules in Telephone Switches,' IEEE Trans. Software Eng., Vol.22, No.12, pp.886-894, Dec., 1998 https://doi.org/10.1109/32.553637
  4. 홍의석, 홍성백, 김갑수, 우치수, 'SDL 설계 복잡도 메트릭집합,' 정보과학회논문지(B), 제24권 제10호, pp.1053-1062, 1997
  5. 홍의석, 정명희, 'SDL 메트릭 집합의 분석적 검증,' 정보처리학회논문지, 제24권 제10호, pp.1112-1121, 2000
  6. T. M. Khosgoftaar and E. B. Allen, 'Early Quality Predictin : A Case Study in Telecommunications,' IEEE Software, Vol.13, No.1, pp.65-71, Jan., 1996 https://doi.org/10.1109/52.476287
  7. T. M. Khoshgoftaar and D. L. Lanning, 'A Neural Network Approach for Early Detection of Program Modules Having High Risk in the Maintenance Phase,' J. Systems Software, Vol.29, pp.85-91, 1995 https://doi.org/10.1016/0164-1212(94)00130-F
  8. L. C. Briand, J. Daly, V. Porter, J. Wust, 'Predicting fault-prone classes with design measures in object-oriented systems,' Proc. Int'l Symp. Software Reliability Engineering, pp.334-343, 1998 https://doi.org/10.1109/ISSRE.1998.730898
  9. L. C. Briand, V. R. Basili, C. J. Hetmanski, 'Developing interpretable models with optimized set reduction for identifying high-risk software components,' IEEE Trans.Software Eng., Vol,19, No.11, pp.1028-1044, 1993 https://doi.org/10.1109/32.256851
  10. K. E. Emam, S. Benlarbi, N. Goel and S. N. Rai, 'Comparing case-based reasoning for predicing high risk software components,' J. Systems Software, Vol.55, pp.301-320, 2001 https://doi.org/10.1016/S0164-1212(00)00079-0
  11. Y.Liu, T.M.Khoshgoftaar, 'Genetic programming model for software quality classification,' Proc. IEEE Int'l Symp, High Assurance Systems Engineering, pp.127-136, 2001 https://doi.org/10.1109/HASE.2001.966814
  12. N. Fenton, 'Software Measurement : A Necessay Scientific Basis,' IEEE Trans. Software Eng., Vol.20, No.3, pp.199-206, March, 1994 https://doi.org/10.1109/32.268921
  13. W.M.Zage, D.M.Zage, 'Evaluating Design Metrics on Large-Scale Software,' IEEE Software, pp.75-80, July, 1993 https://doi.org/10.1109/52.219620
  14. W. W. Agresti and W. M. Evanco, 'Projecting Software Defects From Analyzing Ada Designs,' IEEE Trans Software Eng., Vol.18, No.11, Nov., 1992 https://doi.org/10.1109/32.177368
  15. R. W. Selby and V. R. Basili, 'Analyzing error-prone system structure,' IEEE Trans. Software Eng., Vol.17, No.2, pp.141-152, Feb., 1991 https://doi.org/10.1109/32.67595

Cited by

  1. Ambiguity Analysis of Defectiveness in NASA MDP Data Sets vol.12, pp.2, 2013, https://doi.org/10.9716/KITS.2013.12.2.361
  2. Unsupervised Learning Model for Fault Prediction Using Representative Clustering Algorithms vol.3, pp.2, 2014, https://doi.org/10.3745/KTSDE.2014.3.2.57