آمار
| تعداد نشریات | 45 |
| تعداد شماره‌ها | 1,389 |
| تعداد مقالات | 17,009 |
| تعداد مشاهده مقاله | 54,764,972 |
| تعداد دریافت فایل اصل مقاله | 17,313,971 |
کشف خودکار باگ‌های برنامه با استفاده از تبدیلات مدل و یادگیری عمیق | ||
| مجله مهندسی برق دانشگاه تبریز | ||
| مقالات آماده انتشار، اصلاح شده برای چاپ، انتشار آنلاین از تاریخ 11 مرداد 1403 | ||
| نوع مقاله: علمی-پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/tjee.2024.57018.4645 | ||
| نویسندگان | ||
| لیلا یوسفوند1؛ سیف اله سلیمانی* 2؛ سجاد اسفندیاری3 | ||
| 1مدرس دانشگاه لرستان | ||
| 2دانشگاه اراک | ||
| 3گروه کامپیوتر، دانشگاه ملایر، ملایر | ||
| چکیده | ||
| امروزه توسعه دهندگان برنامه های کاربردی به صورت گسترده از تکنیک های کشف باگ های نرم افزاری استفاده می‌کنند. یکی از مشهور ترین تکنیک های مورد استفاده، تحلیل ایستا است که روشی مبتنی بر الگو است و الگوها بصورت دستی توسط افراد خبره نوشته و تنظیم می شوند. متأسفانه با وجود حجم انبوهی از الگوهایی که مربوط به باگ های مختلف هستند، هنوز باگ های زیادی وجود دارد که از تمام فیلترهای موجود عبور می کنند. در این مقاله رویکرد جدیدی در زمینه کشف خودکار باگ ها در کدهای جاوااسکریپت ارائه می شود. در این رویکرد عملیات کشف باگ که در واقع تشخیص کد دارای باگ از کد بدون باگ است با استفاده از آموزش یک مدل یادگیری ماشین انجام می شود. ما در این مقاله با گراف های استخراج شده از کدهای درست و نادرست این مدل را آموزش داده و از این مدل برای طبقه بندی کدهای ورودی استفاده می کنیم. نتایج پیاده سازی نشان می دهد که این روش در مقایسه با روش های قبلی، باگ های گسترده تری را پوشش می دهد و دقت بالاتری دارد. | ||
| کلیدواژه‌ها | ||
| کشف باگ؛ یادگیری عمیق؛ طبقه بندی گراف ها؛ شبکه های کانولوشن؛ درخت خلاصه نحوی(AST) | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 364 |
||