| Project/Area Number |
17KT0122
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (C)
|
| Allocation Type | Multi-year Fund |
|---|
| Section | 特設分野 |
|---|
| Research Field |
Intensification of Artifact Systems
|
|---|
| Research Institution | Yokohama National University |
|---|
Principal Investigator |
HAMAGAMI TOMOKI 横浜国立大学, 大学院工学研究院, 教授 (30334204)
|
|---|
| Project Period (FY) |
2017-07-18 – 2021-03-31
|
| Project Status |
Completed (Fiscal Year 2020)
|
| Budget Amount *help |
¥4,420,000 (Direct Cost: ¥3,400,000、Indirect Cost: ¥1,020,000)
Fiscal Year 2019: ¥780,000 (Direct Cost: ¥600,000、Indirect Cost: ¥180,000)
Fiscal Year 2018: ¥1,690,000 (Direct Cost: ¥1,300,000、Indirect Cost: ¥390,000)
Fiscal Year 2017: ¥1,950,000 (Direct Cost: ¥1,500,000、Indirect Cost: ¥450,000)
|
|---|
| Keywords | ソフトウェア品質管理 / 複雑ネットワーク / 機械学習 / ニューラルネットワーク / 知能システム / ソフトウェア / ネットワーク指標 / メトリクス / 予測 / ソフトウェアメトリクス / ソフトウェア工学 / 品質評価 |
|---|
| Outline of Final Research Achievements |
In order to maintain the quality of software systems with long lifecycles, we have developed complex network metrics to evaluate the relationship between quality and structural changes caused by derivative development and continuous integration. Then, we contribute to autonomous software development by using machine learning prediction methods. First, we analyzed the software structure using the metrics and measured the index values of the complex network in the software before and after the modification. Next, we performed bug prediction by machine learning using these metrics and confirmed its effectiveness. In addition, we realized an extended BBNN technique for a fast design using an evolutionary method with metrics as the adaptive degree in FPGA implementation with block neural networks.
|
| Academic Significance and Societal Importance of the Research Achievements |
近年のソフトウェア開発においては，新規開発に比べ既存のソフトウェアを改変する派生開発の比重が増している。特に組み込みソフトウェアのように，ライフサイクルが比較的長く，機能追加のための改変が頻繁に行われる開発形態では，改変時の品質管理が重要な課題となる。かかるソフトウェアの発展において、将来的な品質を予測し問題が起きる前に対処することは重要な課題である。本研究では、複雑ネットワーク指標を用いたメトリクスによって改変後の品質に与える影響が予測できることを示すとともに、FPGAと機械学習を用いた実験により発展的ソフトウェアの品質評価と継続的インテグレーションの方法を明らかにした。
|
