Resumen

Este documento proporciona un estudio y análisis en profundidad de los métodos de predicción de defectos de software en un entorno de nube y utiliza un enfoque de aprendizaje profundo para justificar la predicción de software. Se añade un término de penalización de costos a la parte supervisada de la red de escalera profunda; es decir, se añade el costo de clasificación errónea de diferentes clases al modelo. Se propone un modelo de predicción de defectos de software basado en una red de escalera profunda sensible al costo, que mitiga de manera efectiva el impacto negativo del problema de desequilibrio de clases en la predicción de defectos. Para abordar el problema de la falta o insuficiencia de datos históricos del mismo proyecto, se propone un método de predicción de defectos de software basado en el aprendizaje de flujo geodésico entre proyectos. Basándose en la información de datos de otros proyectos, se utilizó un enfoque de aprendizaje de migración para incrustar los conjuntos de datos fuente y objetivo en una variedad

• Materias:Colonias de abejas artificiales Inteligencia artificial Patrón espacial Innovación de la comunicación Algoritmo de red neuronal
• Subjects:Artificial bee colonies Artificial intelligence Spatial pattern Communication innovation Neural network algorithm
• Palabras claves:Métodos de predicción de defectos de software; Enfoque de aprendizaje profundo; Red en escalera profunda sensible al costo; Problema de desequilibrio de clases; Predicción de defectos de software geodésica entre proyectos; Predicción de defectos en tiempo real
• Keywords:Software defect prediction methods; Deep learning approach; Cost-sensitive deep ladder network; Class imbalance problem; Geodesic cross-project software defect prediction; Real-time defect prediction