본문 바로가기 주메뉴 바로가기
22대 대한민국 국회 국회정보길라잡이 국회의원검색
회원가입 로그인
HOME

정보검색

소장정보 검색

국회도서관 홈으로 정보검색 소장정보 검색

결과 내 검색

동의어 포함

고급검색

인명/단체명

저자정보 상세정보
인명/단체명을 입력하세요.

키워드

  • 대표어

  • 외국어

-

목차보기

목차

프로젝트의 결함 밀도와 교차 프로젝트 결함 예측 모형의 예측력과의 관계 / 김태연 ; 이선열 ; 채흥석 1

요약 1

Abstract 1

1. 서론 2

2. 관련 연구 2

3. 실험 설계 3

3.1. 실험 대상 시스템 3

3.2. 기 구축된 결함 예측 모형 3

3.3. 결함 예측력 평가 기준 4

4. 실험 결과 5

4.1. 평균적 모형의 성능 5

4.2. 모형의 범용성 평가 5

4.3. 결함 밀도가 범용성에 미치는 영향 6

4.4. He 연구의 DT 모형과 비교 7

5. 타당도 검증 7

6. 결론 및 향후연구 8

참고문헌 9

[저자소개] 10

초록보기

소프트웨어 결함 예측은 소프트웨어 시스템 중 결함이 존재할 만한 모듈을 사전에 예측하는 연구이다. 최근의 오픈 소스 프로젝트 및 공개적으로 이용 가능한 결함 정보 저장소의 증가로 인해 결함 예측 모형의 구축 및 구축된 모형의 범용성을 확인하기 위한 연구가 연구자들의 관심을 끌고 있다. 그러나 예측 모형을 새롭게 구축하는 것은 모형 구축 기술에 대한 깊이 있는 지식을 가지고 있어야 할 뿐만 아니라, 모형 구축을 위해 많은 시간이 필요한 작업이다. 모형 구축의 이러한 단점은 현실의 프로젝트에 교차 프로젝트 결함 예측 연구의 적용을 어렵게 한다. 본 논문에서는 결함 모형을 새롭게 구축하는 대신, 기 구축된 결함 예측 모형의 범용성을 확인하기 위한 연구를 수행하였다. 이를 위해 네 가지 기 구축된 결함 예측 모형을 이용하여 34가지 공개 프로젝트의 결함을 예측하는 실험을 수행하였다. 실험 결과에 따르면 기 구축된 예측 모형은 실험 대상 프로젝트의 결함 밀도에 따라서 범용성이 달라지는 것을 확인할 수 있었다. 즉, 결함 밀도가 높은 프로젝트는 상대적으로 높은 결함 예측력을 보였으며, 결함 밀도가 낮은 프로젝트는 상대적으로 낮은 결함 예측력을 보였다.

Defect prediction studies aim to predict defect-prone classes. The studies have recently focused on validating generality of prediction models because of increasing public defect information about open source projects. But constructing new prediction models is not an easy task because model developers should have specific knowledge and construction models are a time-intensive task. Such disadvantages make cross-project defect prediction study difficult for applying in the reality. In this paper, instead of constructing new prediction models, we study on validating generality of conventional prediction models. We conduct defect prediction experiments on 34 data sets using four conventional models. The results indicate that the generality of conventional models depends on defect density of a target system. That is, the models relatively predict well on high defect density projects and vice versa.

권호기사

권호기사 목록 테이블로 기사명, 저자명, 페이지, 원문, 기사목차 순으로 되어있습니다.
기사명 저자명 페이지 원문 목차
n-gram 파티클을 이용한 베이지안 필터링 기법 장하영, 장병탁 pp.241-247

보기
동적 바이너리 계측을 이용한 최적화된 프로그램의 정확한 베이직 블록 커버리지 측정 정은지, 오진석, 문수묵, 오광근, 오영근 pp.248-252

보기
프로젝트의 결함 밀도와 교차 프로젝트 결함 예측 모형의 예측력과의 관계 김태연, 이선열, 채흥석 pp.253-262

보기
상호작용 기반의 안드로이드 앱 테스트 기법 이정욱, 채흥석 pp.263-276

보기
베이지안 추론망을 이용한 검색엔진 세부 모듈의 상세 분석 방법 송사광, 이승우, 정한민 pp.277-282

보기
SAFE : 확장 가능한 JavaScript 분석 프레임워크 이홍기, 진준호, 원순철, 조준희, 류석영, 고윤석 pp.283-289

보기

참고문헌 (28건) : 자료제공( 네이버학술정보 )

참고문헌 목록에 대한 테이블로 번호, 참고문헌, 국회도서관 소장유무로 구성되어 있습니다.
번호 참고문헌 국회도서관 소장유무
1 Weyuker, E.J., T.J. Ostrand.,R.M. Bell, "Do too many cooks spoil the broth? Using the number of developers to enhance defect prediction models". Empirical Softw. Engg., vol.13, no.5, pp.539-559, 2008. 미소장
2 Nagappan, N.,T. Ball, "Use of relative code churn measures to predict system defect density", in Software Engineering, ICSE 2005. Proceedings. 27th International Conference on. 2005. 미소장
3 Nagappan, N., T. Ball.,A. Zeller, "Mining metrics to predict component failures", in Proceedings of the 28th international conference on Software engineering, ACM: Shanghai, China. pp.452-461, 2006. 미소장
4 Wahyudin, D., R. Ramler.,S. Biffl, "A framework for defect prediction in specific software project contexts", in Proceedings of the Third IFIP TC 2 Central and East European conference on Software engineering techniques, Springer-Verlag: Brno, Czech Republic. pp.261-274, 2011. 미소장
5 Jureczko, M.,L. Madeyski, "Towards identifying software project clusters with regard to defect prediction", in Proceedings of the 6th International Conference on Predictive Models in Software Engineering, ACM: Timioara, Romania. pp.1-10, 2010. 미소장
6 Predicting fault-prone software modules in telephone switches 네이버 미소장
7 Zimmermann, T, "Cross-project defect prediction: a large scale experiment on data vs. domain vs. process", in Proceedings of the the 7th joint meeting of the European software engineering conference and the ACM SIGSOFT symposium on The foundations of software engineering, ACM: Amsterdam, The Netherlands. pp.91-100, 2009. 미소장
8 Turhan, B, "On the relative value of cross- company and within-company data for defect prediction". Empirical Softw. Engg., vol.14, no.5, pp.540- 578, 2009. 미소장
9 He, Z, "An investigation on the feasibility of cross-project defect prediction". Automated Software Engg., vol.19, no.2, pp.167-199, 2012. 미소장
10 Menzies, T.,M. Shepperd, "Special issue on repeatable results in software engineering prediction". Empirical Softw. Engg., vol.17, no.1-2, pp.1-17, 2012. 미소장
11 IEEE Transactions on Antennas and Propagation information for authors 네이버 미소장
12 D'Ambros, M., M. Lanza.,R. Robbes, "An extensive comparison of bug prediction approaches", in Mining Software Repositories (MSR), 2010 7th IEEE Working Conference on. 2010. 미소장
13 IEEE Computer Society CSDP 네이버 미소장
14 Shatnawi, R.,W. Li, "The effectiveness of software metrics in identifying error-prone classes in post-release software evolution process". Journal of Systems and Software, vol.81, no.11, pp.1868- 1882, 2008. 미소장
15 Empirical validation of object-oriented metrics on open source software for fault prediction 네이버 미소장
16 Assessing the applicability of fault-proneness models across object-oriented software projects 네이버 미소장
17 Boetticher, G., T. Menzies.,T. Ostrand, "PROMISE Repository of empirical software engineering data. 2007 [Online]. Available from: http://promisedata.org/repository. 미소장
18 Ma, Y, "Transfer learning for cross-company software defect prediction". Inf. Softw. Technol., vol.54, no.3, pp.248-256, 2012. 미소장
19 Empirical Validation of Three Software Metrics Suites to Predict Fault-Proneness of Object-Oriented Classes Developed Using Highly Iterative or Agile Software Development Processes 네이버 미소장
20 Empirical Analysis of Object-Oriented Design Metrics for Predicting High and Low Severity Faults 네이버 미소장
21 С преподавателем на уроке (АНГЛИЙСКИЙ ЯЗЫК (ENGLISH)) 네이버 미소장
22 Software fault prediction: A literature review and current trends 네이버 미소장
23 Comments on "Data Mining Static Code Attributes to Learn Defect Predictors" 네이버 미소장
24 Data Mining Static Code Attributes to Learn Defect Predictors 네이버 미소장
25 Data Mining Static Code Attributes to Learn Defect Predictors 네이버 미소장
26 IEEE Computer Society Election 네이버 미소장
27 Measuring the prediction error. A comparison of cross-validation, bootstrap and covariance penalty methods 네이버 미소장
28 Validation and updating of predictive logistic regression models: a study on sample size and shrinkage 네이버 미소장

추천서가 (다양한 추천 자료를 만나보세요)

권호기사보기

권호기사 목록 테이블로 기사명, 저자명, 페이지, 원문, 기사목차 순으로 되어있습니다.
기사명 저자명 페이지 원문 기사목차

권호

기사명 원문보기 기사목차
닫기