Software defect prediction based on features extracted from the tree structure of the source code and from its development process

Predviđanje pogrešaka programske potpore postupak je otkrivanja pogrešaka unutar modula programske potpore koji se sastoji od izbora značajki za opis modula programske potpore i izgradnje modela koji pronalazi module s pogreškom na osnovi izabranih značajki. Moduli programske potpore najčešće su predstavljeni značajkama dobivenim iz kvalitativnih ili kvantitativnih opisa programske potpore ili procesa njezina razvoja. Značajke modula programske potpore moguće je izvući i izravno iz njezina izvornog kôda, pri čemu se dobiva vrijedna informacija o sintaksnim i semantičkim posebnostima modula. Navedene značajke koriste se za gradnju modela koji dodjeljuju oznake ispravnosti ili neispravnosti modulima programske potpore. Kako bi te oznake bile ispravno dodijeljene modulima, nužno je izabrati značajke modula koje su bitne za postojanje pogreške i koje će omogućiti razvoj učinkovita modela za predviđanje pogrešaka u modulima. Znanstveni doprinosi jesu sljedeći: 1. Metoda izlučivanja značajki iz procesa razvoja izvornog kôda modula programske potpore koja se zasniva na agregiranim promjenama između inačica 2. Model dubokog učenja za identificiranje modula programske potpore koji sadrže pogrešku uporabom značajki izlučenih iz izvornog kôda modula programske potpore izgradnjom vektorske reprezentacije apstraktnog sintaksnog stablaSoftware defect prediction is a process of identifying defect-prone software modules, which consists of selecting features for describing modules and building a model which detects defective modules using selected features. Software’s modules are usually represented by features generated by qualitative or quantitative description of either software or its development process. Software’s module’s features can also be extracted directly from the software’s source code, where the valuable information of the code's syntax and semantics are obtained. The features are used to build models which assign labels “non-defective” or “defective” to the software’s modules. To assign the labels to the modules correctly, it is necessary to select module’s features which are relevant to the existence of a defect and which would enable developing an effective model for predicting defects in modules. Scientific contributions as follows: 1. A feature extraction method from the source code development process based on aggregation of code changes made between versions 2. A deep learning model for identifying defect-prone source code that uses features extracted from the tree structure of the source cod