ソフトウェア品質向上に向けた欠陥予測モデルのオンライン最適化の検討
| Project/Area Number |
21K11840
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (C)
|
| Allocation Type | Multi-year Fund |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 60050:Software-related
|
|---|
| Research Institution | Kindai University |
|---|
Principal Investigator |
角田 雅照 近畿大学, 情報学部, 准教授 (60457140)
|
|---|
| Project Period (FY) |
2021-04-01 – 2024-03-31
|
| Project Status |
Completed (Fiscal Year 2023)
|
| Budget Amount *help |
¥4,030,000 (Direct Cost: ¥3,100,000、Indirect Cost: ¥930,000)
Fiscal Year 2023: ¥1,300,000 (Direct Cost: ¥1,000,000、Indirect Cost: ¥300,000)
Fiscal Year 2022: ¥1,300,000 (Direct Cost: ¥1,000,000、Indirect Cost: ¥300,000)
Fiscal Year 2021: ¥1,430,000 (Direct Cost: ¥1,100,000、Indirect Cost: ¥330,000)
|
|---|
| Keywords | オンライン最適化 / オンライン学習 / 多腕バンディット問題 / ソフトウェア欠陥予測 / コードクローン / レビュー / コード生成 / レピュー / オンラインラーニング / ソフトウェア品質 / ソフトウェアテスト / ソフトウェア開発効率化・安定化 / 統計数学 |
|---|
| Outline of Research at the Start |
ソフトウェアの品質を効率良く高めためには，欠陥モジュール判別モデルの活用が重要となる．ただし，あるソフトウェアにおいて予測精度の高い予測方法が，他のソフトウェアでも常に精度が高くなるとは限らない．本研究では，テスト実施中に複数のモデルの精度評価と利用を並行して行い，その精度評価に基づいて最適なモデルを絞り込むというアプローチを取る．本研究は適用範囲が非常に広く，ソフトウェアテストに関連する活動全体を大きく変化させ，それに従いソフトウェアの品質を飛躍的に向上させる可能性を秘めている．さらに，本研究は欠陥モジュール判別モデルを含む機械学習モデルの適用を容易にするため，それらの利用促進も期待される．
|
| Outline of Annual Research Achievements |
ソフトウェア品質向上を目的として，欠陥予測モデルのオンライン最適化を行い，精度向上が期待できる成果を得られた．具体的には，精度向上のために最適な説明変数の選択とラーニングデータの選択を行うことを可能とした．後者について概説する．新規開発のソフトウェアにおいて欠陥予測を行う場合，別のソフトウェアから収集したデータをラーニングデータとし，モデル構築する必要がある．これはCPDPと呼ばれる．一般にCPDPでは予測精度が低下することが多い．ソフトウェアが異なると，説明変数と目的変数の関係が大きく異なりうるためである．CPDPの予測精度を高めるために，バンディットアルゴリズムに基づくラーニングデータ選択を行った．さらに，欠陥予測モデルに対してアンサンブル学習を適用する場合，オンライン学習を適用する場合についても，最適な手法を選択する方法を提案した．
研究アプローチの適用範囲を広げ，欠陥予測モデルだけに限定せず，レビュー手法，コードクローン検出手法，コード生成ツールのそれぞれについてもオンラインで最適化し，より望ましい成果を得られることを明らかにした．レビュー手法の選択について概説する．ソフトウェアの信頼性を高める方法の一つは，設計書やソースコードに対してレビューを行い，ソフトウェアの欠陥を除去することである．レビューでの欠陥の見逃しを減少させるために，様々なレビュー方法が提案されており，それぞれ実施に要する時間と効果が異なる．そこでオンライン最適化のアプローチに基づき，複数のレビュー方法をレビュー中に評価し，最適な方法を動的に決定する方法を提案した．
さらに，研究対象をオンライン学習にも拡大し，オンライン学習の従来の問題点を明らかにするとともに，その改善方法を提案した．また，オンライン最適化，オンライン学習の両方の予測精度改善が期待できる，ソフトウェア再テストの方法についても提案した．
|
Report
(3 results)
Research Products
(25 results)
