.png){kind=icon}
返回
Bug priority prediction using deep ensemble approach
.png){kind=icon}
PRE
AI
DOI：10.1016/j.asoc.2025.113098.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
软件缺陷是软件或应用程序编程中的错误。缺陷会导致从稳定性到可操作性等一系列问题，通常是在编程过程中人为错误的结果。它们可能是由于错误或失误，也可能是由于缺陷或瑕疵。软件缺陷应在软件开发生命周期的测试阶段被发现，但有些可能直到部署后才被检测到。在处理缺陷时，考虑其优先级至关重要，而优先级是通过手动确定的。然而，这是一项艰巨的任务，错误决策可能导致严重的软件故障。因此，本研究的主要目标是提出一种集成方法，用于预测缺陷报告中的优先级。我们利用了包含超过25,000份缺陷报告的Bugzilla数据集。在预处理数据后，本研究应用了多种特征提取技术，包括Glove、Word2Vec TF-IDF和Doc2Vec。然后，采用了一个主要使用七种卷积神经网络（CNN）算法架构的模型，包括AlexNet、LeNet、VGGNet、1DCNN、ResNet、ZF Net和DenseNet作为基础模型。随后，在集成方法中使用了准确率最高的五种架构，包括ResNet、DenseNet、LeNet、AlexNet和1DCNN，最终结果由多数值决定。集成方法最终达到了79.18%的准确率结果。其他架构的准确率包括AlexNet 77.1%、ZF Net 44.50%、VGG Net 39.30%、1DCNN 75.44%、ResNet 77.34%、DenseNet 77.32%和LeNet 48.58%。研究发现，所提出的集成模型优于每种算法。最后，当发现新缺陷时，可以将其添加到所提出的模型中，然后确定其优先级水平。
Keyword:
CNN architectures
Bug prioritization
Software bug
Deep learning
Ensemble approach
期刊
IF:
6.6
论文数:
1.4W
被引数:
4.8W
机构
引用论文
TextConvoNet: a convolutional neural network based architecture for text classificationTextConvoNet: 一种基于卷积神经网络的文本分类架构.png)
APPLIED INTELLIGENCE
OAAI
APPLIED INTELLIGENCEIF3.5
OAAI分享收藏A Study on Machine Learning Applied to Software Bug Priority Prediction机器学习在软件缺陷优先级预测中的应用研究2021 11th International Conference on Cloud Computing, Data Science & Engineering (Confluence)
2021 11th International Conference on Cloud Computing, Data Science & Engineering (Confluence)IF0
PREAI
分享收藏A Novel Deep-Learning-Based Bug Severity Classification Technique Using Convolutional Neural Networks and Random Forest with BoostingSensorsOAAI
SensorsIF0
OAAI分享收藏分享收藏
查看更多内容