Resumen

Con el fin de mejorar la confiabilidad del software, se aplica la predicción de defectos de software al proceso de mantenimiento de software para identificar posibles errores. Los métodos tradicionales de predicción de defectos de software se centran principalmente en el diseño de métricas estáticas de código, que se introducen en clasificadores de aprendizaje automático para predecir las probabilidades de defectos del código. Sin embargo, las características de estas métricas artificiales no contienen las estructuras sintácticas y la información semántica de los programas. Esta información es más significativa que las métricas manuales y puede proporcionar un modelo predictivo más preciso. En este artículo, proponemos un marco llamado predicción de defectos a través de una red neuronal recurrente basada en atención (DP-ARNN). Más específicamente, DP-ARNN primero analiza los árboles de sintaxis abstracta (AST) de los programas y los extrae como vectores. Luego codifica los vectores que se utilizan como entradas de DP-ARNN mediante mapeo de diccionario y embedding de

• Materias:Sensores Seguridad informática Rendimiento del hardware Matriz
• Subjects:sensors Computer security Hardware performance Matrix
• Palabras claves:Mejorar; Confiabilidad del software; Predicción de defectos; Estructuras sintácticas; Información semántica; Red neuronal recurrente
• Keywords:Improve; Software reliability; Defect prediction; Syntactic structures; Semantic information; Recurrent neural network