Resumen

Con la creciente escala y complejidad del software, los fallos de software son inevitables. Hasta la fecha, aunque se han propuesto muchos tipos de métodos de localización de fallos de software y han tenido sus respectivos logros, también tienen limitaciones. En particular, para las técnicas de localización de fallos basadas en el aprendizaje automático, los modelos disponibles en la literatura son todos algoritmos de arquitectura superficial. Con deficiencias como la capacidad restringida para expresar funciones complejas bajo una cantidad limitada de datos de muestra y la capacidad restringida de generalización para problemas intrincados, los fallos no pueden ser analizados con precisión a través de estos métodos. Para ello, proponemos un método de localización de fallos basado en redes neuronales profundas (DNN). Este enfoque es capaz de lograr la aproximación de funciones complejas y obtener una representación distribuida de los datos de entrada mediante el aprendizaje de una estructura de red profunda no lineal. También muestra una gran capacidad de aprendizaje de la representación a partir de un conjunto de datos de entrenamiento de pequeño tamaño. Nuestro modelo basado en DNN se entrena utilizando los datos de cobertura y los resultados de los casos de prueba como entrada y, además, localizamos los fallos probando el modelo entrenado utilizando el conjunto de pruebas virtuales. En este artículo se realizan experimentos con la suite de Siemens y el programa Space. Los resultados demuestran que nuestra técnica de localización de fallos basada en DNN supera a otros métodos de localización de fallos como BPNN, Tarantula, etc.

• Materias:Análisis Matemático Matemáticas Algebra Ingeniería Lógica matemática
• Subjects:Mathematical Analysis mathematics Algebra Engineering Mathematical logic
• Palabras claves:Fallo de software; métodos de localización de fallos; aprendizaje automático; algoritmos de arquitectura superficial; red neuronal profunda; técnica de localización de fallos.
• Keywords:Software failure; fault localization methods; machine learning; shallow architecture algorithms; deep neural network; fault localization technique