Đề tài khoa học và công nghệ cấp cơ sở: Nghiên cứu các độ mã nguồn cho bài toán dự đoán lỗi phần mềm

ĐẠI HỌC ĐÀ NẴNG TRƯỜNG CĐ CÔNG NGHỆ THÔNG TIN BÁO CÁO TỔNG KẾT ĐỀ TÀI KHOA HỌC VÀ CÔNG NGHỆ CẤP CƠ SỞ NGHIÊN CỨU CÁC ĐỘ ĐO MÃ NGUỒN CHO BÀI TOÁN DỰ ĐOÁN LỖI PHẦN MỀM Mã số: T2018-07-07 Chủ nhiệm đề tài: ThS. Hà Thị Minh Phương Đà Nẵng, 12/2018

ĐẠI HỌC ĐÀ NẴNG TRƯỜNG CĐ CÔNG NGHỆ THÔNG TIN BÁO CÁO TỔNG KẾT ĐỀ TÀI KHOA HỌC VÀ CÔNG NGHỆ CẤP CƠ SỞ NGHIÊN CỨU CÁC ĐỘ ĐO MÃ NGUỒN CHO BÀI TOÁN DỰ ĐOÁN LỖI PHẦN MỀM

Mã số: T2018-07-07 Xác nhận của cơ quan chủ trì đề tài Chủ nhiệm đề tài

Đà Nẵng, 12/2018

MỤC LỤC

MỤC LỤC

MỤC LỤC ........................................................................................................................................................... I

DANH MỤC HÌNH VẼ ........................................................................................................................................ 1

DANH MỤC TỪ VIẾT TẮT .................................................................................................................................. 2

THÔNG TIN KẾT QUẢ NGHIÊN CỨU .................................................................................................................. 3

MỞ ĐẦU .......................................................................................................................................................... 5

I.

TỔNG QUAN TÌNH HÌNH NGHIÊN CỨU THUỘC LĨNH VỰC ĐỀ TÀI TRONG VÀ NGOÀI NƯỚC ..................... 5

1. NGOÀI NƯỚC ................................................................................................................................................ 5 TRONG NƯỚC ................................................................................................................................................ 5 2.

II.

TÍNH CẤP THIẾT CỦA ĐỀ TÀI ..................................................................................................................... 5

III. MỤC TIÊU CỦA ĐỀ TÀI .............................................................................................................................. 5

IV. ĐỐI TƯỢNG VÀ PHẠM VI NGHIÊN CỨU ................................................................................................... 6

1. ĐỐI TƯỢNG NGHIÊN CỨU ................................................................................................................................ 6 PHẠM VI NGHIÊN CỨU .................................................................................................................................... 6 2.

V. NỘI DUNG NGHIÊN CỨU .......................................................................................................................... 6

CHƯƠNG 1:

TỔNG QUAN VỀ ĐỘ ĐO PHẦN MỀM ........................................................................................ 7

1.3.1. 1.3.2.

1.5.1. 1.5.2. 1.5.3. 1.5.4.

1.6.1. 1.6.2. 1.6.3.

1.1. TỔNG QUAN VỀ LỖI PHẦN MỀM ............................................................................................................... 7 1.2. MỐI LIÊN HỆ GIỮA ĐỘ ĐO VÀ LỖI PHẦN MỀM ......................................................................................... 8 1.3. ĐỘ ĐO PHẦN MỀM .................................................................................................................................... 8 Độ đo mã nguồn (Code Metrics) ................................................................................................... 8 Độ đo quy trình (Process Metrics) .............................................................................................. 11 1.4. ÁP DỤNG CÁC ĐỘ ĐO PHẦN MỀM .......................................................................................................... 11 1.5. KỸ THUẬT HỌC MÁY TRONG DỰ ĐOÁN LỖI PHẦN MỀM ........................................................................ 12 Cây quyết định (Decision Tree Classification) ............................................................................ 12 Naïve Bayes ................................................................................................................................. 13 K-nearest Neighbor ..................................................................................................................... 13 Support Vector Machine (SVM) .................................................................................................. 15 1.6. XỬ LÝ DỮ LIỆU ......................................................................................................................................... 16 Chuẩn hóa dữ liệu ....................................................................................................................... 16 Giảm tiếng ồn (Noise reduction)................................................................................................. 17 Lựa chọn thuộc tính (Attribute Selection) .................................................................................. 18 1.7. CÁC ĐÁNH GIÁ ĐỘ ĐO ................................................................................................................................... 18 Phân loại đo lường ..................................................................................................................... 18 Thảo luận về các độ đo ............................................................................................................... 22

1.7.1. 1.7.2.

CHƯƠNG 2: ĐỘ ĐO TRONG DỰ ĐOÁN LỖI PHẦN MỀM ............................................................................. 24

2.1. GIỚI THIỆU............................................................................................................................................... 24 2.2. ĐỘ ĐO HƯỚNG ĐỐI TƯỢNG (OBJECT ORITEND METRICS) .................................................................... 24 Độ đo kích thước (Size) ............................................................................................................... 25 Độ đo phụ thuộc (coupling) ........................................................................................................ 25 Độ đo gắn kết (cohesion) ............................................................................................................ 26 Độ đo thừa kế (Inheritcance Metrics) ........................................................................................ 26 Độ đo đa hình (Polymorphism Metrics) ..................................................................................... 27 Độ đo tái sử dụng (Reuse metrics) ............................................................................................. 27

2.2.1. 2.2.2. 2.2.3. 2.2.4. 2.2.5. 2.2.6.

CHƯƠNG 3:

KẾT QUẢ THỰC NGHIỆM ........................................................................................................ 28

1.1. CÂU HỎI NGHIÊN CỨU ............................................................................................................................ 28 1.2. CÁC GIẢ THUYẾT NGHIÊN CỨU ............................................................................................................... 28 1.3. BIẾN PHỤ THUỘC (DEPENDENT VARIABLE) ....................................................................................................... 28

i

MỤC LỤC

1.4. BIẾN ĐỘC LẬP (INDEPENDENT VARIABLES) ........................................................................................................ 29 1.5. THU THẬP DỮ LIỆU ....................................................................................................................................... 29

KẾT LUẬN ........................................................................................................................................................ 33

KIẾN NGHỊ ....................................................................................................................................................... 33

TÀI LIỆU THAM KHẢO ..................................................................................................................................... 34

ii

DANH MỤC HÌNH VẼ

DANH MỤC HÌNH VẼ

Hình 1.1 Tần suất sử dụng độ đo phần mềm trong các nghiên cứu .............................. 11

Hình 1.2 Cây quyết định đơn giản ................................................................................. 13

Hình 1.3 Ví dụ K-Nearest Neighbor.............................................................................. 14

Hình 1.4 Ví dụ về ROC ................................................................................................. 21

Hình 1.5 Đường cong Cost-effective curve ................................................................... 22

Hình 1.6 Tổng số các biện pháp đánh giá độ đo được sử dụng trong các nghiên cứu dự đoán lỗi phần mềm (Nam, 2009) ................................................................................... 23

Hình 3.1 Kỹ thuật phân tích của OSSGrab.................................................................... 29

Hình 3.2 Tìm kiếm đơn giản trong kho OSS ................................................................. 30

Hình 3.3 Tìm kiếm nâng cao trong kho OSS ................................................................ 31

Trang 1

DANH MỤC TỪ VIẾT TẮT

DANH MỤC TỪ VIẾT TẮT

Từ viết tắt Tiếng Anh Tiếng Việt

Open Source System Hệ thống mã nguồn mở OSS

Object Oriented Hướng đối tượng OO

Chidamber-Kemerer Độ đo Chidamber-Kemerer CK

SVM Support Vector Machine Máy vector hỗ trợ

Decision Tree Cây quyết định DT

Random Forest Rừng ngẫu nhiên RF

Trang 2

THÔNG TIN KẾT QUẢ NGHIÊN CỨU

ĐẠI HỌC ĐÀ NẴNG

CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM

TRƯỜNG CĐ CÔNG NGHỆ THÔNG TIN

Độc lập – Tự do – Hạnh phúc

THÔNG TIN KẾT QUẢ NGHIÊN CỨU

1. Thông tin chung:

- Tên đề tài: Nghiên cứu các độ mã nguồn cho bài toán dự đoán lỗi phần

mềm

- Mã số: T2018-07-07 - Chủ nhiệm: HÀ THỊ MINH PHƯƠNG - Thành viên tham gia: không - Cơ quan chủ trì: Trường Cao đẳng Công nghệ thông tin – Đại học Đà Nẵng - Thời gian thực hiện: từ tháng 04/2018 đến tháng 12/2018

2. Mục tiêu:

Nghiên cứu lý thuyết:

 Tìm hiểu độ đo mã nguồn hướng cấu trúc

 Nghiên cứu áp dụng các độ hướng đối tượng vào việc dự đoán lỗi phần

 Tìm hiểu độ đo mã nguồn hướng đối tượng

mềm

Áp dụng lý thuyết vào xây dựng công cụ dự đoán lỗi phần mềm nhằm tạo điều kiện để tiếp tục nghiên cứu và xây dựng các hệ thống dự đoán lỗi phần mềm dựa trên máy học để dự đoán được số lỗi của phần mềm….

3. Tính mới và sáng tạo:

- Lỗi phần mềm sẽ tác động mạnh đến các hệ thống phần mềm trong quá trình

phát triển cũng như quá trình triển khai

- Để dự đoán được các khả năng xảy ra lỗi, tác giả đã nghiên cứu các độ đo (metrics, từ đó có thể lựa chọn các độ đo có mối liên hệ với khả năng xả ra lỗi

với từng ngôn ngữ lập trình cụ thể.

4. Tóm tắt kết quả nghiên cứu:

- Trình bày tổng quan các độ đo trong bài toán giải quyết lỗi phần mềm cụ thể là độ đo cấu trúc (Structure metrics) và độ đo hướng đối tượng (Object Oriented metrics).

Trang 3

THÔNG TIN KẾT QUẢ NGHIÊN CỨU

- Đề tài cũng trình bày việc mô phỏng thực nghiệm áp dụng các độ đo hướng đối tượng trong việc đưa ra mỗi liên hệ giữa các độ đo trên với khả năng xảy ra lỗi

trong cáchệ thống mã nguồn mở OSS được viết bằng C++

5. Tên sản phẩm:

- Báo cáo tổng kết đề tài; - Bài báo đăng trên kỷ yếu hội thảo cấp trường.

6. Hiệu quả, phương thức chuyển giao kết quả nghiên cứu và khả năng áp dụng:

- Về mặt giáo dục - đào tạo: phục vụ công tác giảng dạy, nghiên cứu.

- Về mặt khoa học: đóng góp đáng kể của đề tài là trình bày các độ đo liên quan mật thiết đến lỗi phần mềm, qua đó có thể đưa ra được các độ đo có tính hiệu quả

trong việc nhận biết lỗi phần mềm.

- Về sản phẩm ứng dụng: xây dựng được các hệ thống dự đoán được lỗi phần

mềm trong công nghệ phần mềm.

7. Hình ảnh, sơ đồ minh họa chính:

Độ đo Lỗi CBO RFC NOC WMC LCOM

Lỗi 1

CBO - 0.038 (0.84) 1

RFC - - 0.495 (0.005) 0.528 (0.003) 1

NOC - 0.36 (0.05) 0.306 (0.10) 0.38 (0.038) 1

WMC - - - - 0.17 (0369) 0.278 (0.137) 0.533 (0.002) -0.305 (0.101) 1

LCOM - 0.058 (0.76) 0.423 (0.02) 0.244 (0.195) -0.032 (0.867) 0.544 (0.002) 1

Bảng 0.1: Phân tích tương quan Spearman giữa các độ đo

Đà Nẵng, ngày 08 tháng 12 năm 2018

Cơ quan chủ trì Chủ nhiệm đề tài

Hà Thị Minh Phương

Trang 4

MỞ ĐẦU

MỞ ĐẦU

I. TỔNG QUAN TÌNH HÌNH NGHIÊN CỨU THUỘC LĨNH VỰC ĐỀ TÀI TRONG VÀ NGOÀI NƯỚC

1. Ngoài nước

Độ đo (metric) đóng một vai trò rất quan trọng để phát triển một phần mềm có

chất lượng tốt. The IEEE Standard Glossary of Software Engineering Terms đã định

nghĩa độ đo như là thước đo định lượng đến một hệ thống, một thành phần hoặc một quá trình có một thuộc tính nhất định. Có rất nhiều loại độ đo khác nhau được trình

bày trong các tài liệu để đo lường các sản phẩm phần mềm. Trong sự phát triển phần

mềm hiện nay, ngôn ngữ hướng đối tượng (Object Oriented) được sử dụng do các đặc

tính cơ bản của chúng như lớp, đối tượng, che dấu thông tin, thừa kế, đóng gói, trìu

tượng và đa hình. Ngoài ra, độ đo của hướng đối tượng có sẵn được sử dụng để đo

chất lượng của các hệ thống hướng đối tượng.

2. Trong nước

Hiện nay đã có nhiều nghiên cứu về độ đo hướng đối tượng trên các ngôn ngữ

lập trình như C++, Java,…. Các độ đo có ích cho việc đánh giá sự phát triển cơ trúc có

thể không ảnh hưởng đến thiết kế mà sử dụng ngôn ngữ OO. Có rất nhiều mô hình độ

đo hướng đối tượng có sẵn và một số tác giả đã đề xuất cách để đo lường giá trị của độ

đo mã nguồn hướng đối tượng. Một nghiên cứu ước tính tiết kiệm chi phí bảo trì sửa

chữa là 42% bằng cách sử dụng độ đo mã nguồn hướng đối tượng.

II. TÍNH CẤP THIẾT CỦA ĐỀ TÀI

Việc đo lường phần mềm có tầm quan trọng trong việc phát triển phần mềm.

Nhiều độ đo đã được đề xuất lien quan đến cấu trúc khác nhau như lớp, phụ thuộc,

thừa kế, che dầu thông tin và đa hình. Rất khó để xác định độ đo nào tốt nhất. Do đó,

rất khó cho các nhà quản lý và người thực hiện dự án lựa chọn các độ đo cho các hệ thống hướng đối tượng. Trong đó, độ đo OO (Object Oriented) là độ đo trong một hệ

thống hướng đối tượng để xác định sự thành công hay thất bại của một quy trình, để xác định có định lượng sự cải tiến trong một quy trình phần mềm. Độ đo này được sử dụng để cải tiến kỹ thuật lập trình hướng đối tượng tăng tính tin cậy của mã nguồn. Xét thấy như vậy, chúng tôi nghiên cứu các độ đo mã nguồn hướng đối tượng cũng như so sánh với độ đo mã nguồn hướng cấu trúc. Từ đó có thể đưa ra được dự đoán lỗi phần mềm dựa trên các độ đo trên.

III. MỤC TIÊU CỦA ĐỀ TÀI

Nghiên cứu lý thuyết:

Trang 5

MỞ ĐẦU

 Tìm hiểu độ đo mã nguồn hướng cấu trúc

 Tìm hiểu độ đo mã nguồn hướng đối tượng

 Nghiên cứu áp dụng các độ hướng đối tượng vào việc dự đoán lỗi phần

mềm

Áp dụng lý thuyết vào xây dựng công cụ dự đoán lỗi phần mềm nhằm tạo điều kiện để tiếp tục nghiên cứu và xây dựng các hệ thống dự đoán lỗi phần mềm dựa trên máy học để dự đoán được số lỗi của phần mềm….

IV. ĐỐI TƯỢNG VÀ PHẠM VI NGHIÊN CỨU

1. Đối tượng nghiên cứu

- Độ đo mã nguồn cấu trúc và độ đo mã nguồn hướng đối tượng: Sách, báo, .. - Giá trị các độ đo trên.

2. Phạm vi nghiên cứu

Nghiên cứu các độ đo mã nguồn dựa trên

- Tiếp cận dựa vào lý luận. - Tiếp cận dựa vào thống kê. - Tiếp cận dựa trên cả hai phương pháp trên.

V. NỘI DUNG NGHIÊN CỨU

1. Tìm hiểu độ đo mã nguồn hướng cấu trúc và độ đo mã nguồn hướng đối tượng 2. Nghiên cứu và phân tích các giá trị của các độ đo trên trong dự đoán lỗi phần

mềm

3. Xây dựng công cụ dự đoán lỗi phần mềm dựa trên độ đo mã nguồn hướng đối

tượng

4. Viết báo cáo tổng kết đề tài.

Trang 6

Chương 1: TỔNG QUAN VỀ ĐỘ ĐO PHẦN MỀM

Chương 1: TỔNG QUAN VỀ ĐỘ ĐO PHẦN MỀM

1.1. TỔNG QUAN VỀ LỖI PHẦN MỀM

Trong lĩnh vực công nghệ phần mềm, các hệ thống phần mềm được sản xuất và bảo trì bởi con người vì vậy việc duy trì phần mềm rất phức tạp, lỗi luôn luôn xuất

hiện tại các hệ thống này. Hầu hết các công ty phần mềm chi tiêu rất nhiều tiền và

nhân lực để phát hiện lỗi trong một hệ thống phần mềm trước khi được triển khai cho

khách hàng. Phần mềm càng phức tạp thì lỗi càng xuất hiện nhiều. Lỗi tác động tới phần mềm hoặc hệ thống đang xây dựng hoặc vận hành theo nhiều cách khác nhau. Do

vậy để giảm thiểu các hậu quả do lỗi gây ra để tiết kiệm chi phí thì các nhà phát triển

cố gắng phát hiện lỗi trong giai đoạn sớm. Theo các thống kê, lỗi phần mềm tạo thành

một gánh nặng rất lớn cho công ty phần mềm phát triển. Việc xác minh phần mềm là

một quá trình khó khăn. Để quản lý tốt hơn lỗi lập trình do con người tạo ra, nhân sự

kiểm thử phần mềm được phát triển lên số lượng lớn. Do đó, việc xác định các mô-đun

bị lỗi sớm sẽ hỗ trợ sự phát triển của các hệ thống đáng tin cậy thông qua việc cải tiến

lập lịch và kiểm soát chất lượng phần mềm. Thông tin bị lỗi có thể cung cấp dữ liệu có

giá trị để cải thiện hiệu quả lỗi phần mềm. Từ những yếu tố trên các phương pháp dự

đoán lỗi phần mềm được ra đời. Như nhiều nghiên cứu cho thấy các phần mềm kiểm

thử trung bình tiêu thụ ít nhất 50% hiệu suất trong phát triển [1, 2], việc xác định các

mô-đun bị lỗi có thể có tác động tiết kiệm chi phí đáng kể đối với phát triển phần

mềm.

Một loạt các mô hình dự đoán lỗi đã được đề xuất [3,4]. Thông thường chúng ta

phát triển các mô hình dự đoán lỗi phần mềm theo hướng thống kê các mô-đun bị lỗi

có khả năng xảy ra trong quá trình triển khai phần mềm hoặc trong một khoảng thời

gian cụ thể sau khi triển khai. Các mô hình dự báo dựa trên dữ liệu lỗi đã được thu

thập và lựa chọn mô hình đánh giá chất lượng phù hợp, định lượng đánh giá một số

khía cạnh của chất lượng hệ thống. Chất lượng hệ thống, chẳng hạn như bảo trì [5],

được mô tả nhiều nhất về độ đo phức tạp trong bài toán dự đoán lỗi. Nhiều nghiên

cứu nghiên cứu Basili et al. [6], Emam al. [7], Gyimothy[8], và Olague [9], cho thấy rằng các mô hình dự đoán lỗi thống kê có thể cung cấp đánh giá hợp lý khi dự đoán các mô-đun hệ thống bị lỗi bằng cách sử dụng các độ đo hướng đối tượng (Object Oriented). Tuy nhiên, khi các độ đo thì có hiệu quả khác nhau từ nhiều dự án khác

nhau, việc dự đoán lỗi là khó khăn để đạt được. Mô hình dự đoán thu được từ một dự án này hiếm khi mang lại hiệu quả trong việc dự đoán các mô-đun dễ bị lỗi thuộc các dự án khác bởi vì không có dữ liệu lịch sử lỗi [10].

Trang 7

Chương 1: TỔNG QUAN VỀ ĐỘ ĐO PHẦN MỀM

Theo Zhang [11] trong khi một số ít lỗi là do các trình biên dịch tạo ra, nhiều lỗi

xuất phát từ lỗi do các lỗi do lập trình viên trong quá trình thiết kế và lập trình tạo ra.

Những vấn đề này không chỉ làm giảm chất lượng của phần mềm mà còn đẩy chi phí

kiểm tra [12]. Thật vậy, nhiều công ty phát triển phần mềm bao gồm Microsoft đã dành một lượng tiền lớn và nỗ lực để thử nghiệm các sản phẩm phần mềm của họ

trước khi phát hành chúng cho khách hàng[13]. Bằng cách tập trung vào các trường

hợp bị lỗi, các công ty phát triển phần mềm có thể giảm chi phí và nâng cao hiệu quả

tổng thể của quá trình thử nghiệm thông qua phân bổ tài nguyên thông tin.

1.2. MỐI LIÊN HỆ GIỮA ĐỘ ĐO VÀ LỖI PHẦN MỀM

Quá trình xác định các mô-đun phần mềm dễ bị lỗi tại giai đoạn đầu được gọi là

dự đoán lỗi phần mềm. Nhiều nghiên cứu đã được công bố trong tài liệu, hầu hết trong

số họ nhằm mục đích xây dựng mô hình dự đoán lỗi bằng cách sử dụng các độ đo phần mềm (ví dụ: số dòng mã lệnh – Line Of Code LOC), dữ liệu lịch sử và thuật toán phân

loại để khai thác dữ liệu. Với sự phát triển không ngừng của máy tính và dữ liệu, các

kĩ thuật học máy đang từng bước được áp dụng rộng rãi trong mọi lĩnh vực của cuộc

sống, trong đó có lĩnh vực phát triển phần mềm. Cho đến hiện nay, đã có một số công

trình nghiên cứu áp dụng các kĩ thuật học máy vào dự đoán lỗi như Naïve Bayes, rừng

ngẫu nhiên (Random Forest), Máy vector hỗ trợ SVM, ... Một số nghiên cứu đã cài đặt

và đánh giá hiệu quả của các kĩ thuật trên trong dự đoán lỗi cho các phần mềm mã

nguồn Java, dựa trên các độ đo trích xuất từ mã nguồn phần mềm..

1.3. ĐỘ ĐO PHẦN MỀM

Độ đo phần mềm có thể được coi là một độ đo định lượng gán các ký hiệu hoặc

số cho các đặc điểm của các trường hợp được dự đoán [14]. Trên thực tế, chúng là các

tính năng các thuộc tính, mô tả nhiều thuộc tính như độ tin cậy, nỗ lực, độ phức tạp và

chất lượng của các sản phẩm phần mềm. Những độ đo này đóng một vai trò quan trọng

trong việc xây dựng một bộ dự báo lỗi phần mềm hiệu quả. Chúng có thể được chia thành hai loại chính: độ đo mã nguồn và độ đo quá trình [15].

1.3.1. Độ đo mã nguồn (Code Metrics)  Độ đo mã nguồn (Code Metrics)

Độ đo mã nguồn còn được gọi là độ đo sản phẩm, được thu thập trực tiếp từ mã nguồn hiện tại. Những độ đo này đo độ phức tạp của mã nguồn dựa trên giả định rằng các thành phần phần mềm phức tạp có nhiều khả năng chứa lỗi hơn. Trong suốt lịch sử kỹ thuật phần mềm, nhiều độ đo mã khác nhau đã được sử dụng để dự đoán lỗi phần

mềm.

Trang 8

Chương 1: TỔNG QUAN VỀ ĐỘ ĐO PHẦN MỀM

Kích thước (Size): độ đo đầu tiên là độ đo kích thước được giới thiệu bởi

Akiyama [16]. Để dự đoán số lỗi, tác giả sử dụng số dòng mã lệnh làm độ đo duy nhất.

Sau đó, nhiều nghiên cứu dự đoán lỗi phần mềm đã áp dụng độ đo này để xây dựng

các dự đoán [17,18,19,20]. Tuy nhiên, chỉ sử dụng độ đo này quá đơn giản để đo độ phức tạp của sản phẩm phần mềm.

Halstead và McCabe: Vì lý do này, các độ đo hữu ích, được sử dụng rộng rãi và

dễ sử dụng khác đã được áp dụng để tạo ra các tiên đoán lỗi [17,21,22]. Các độ đo này

được gọi là các thuộc tính mã tĩnh được giới thiệu bởi McCabe (1976) và Halstead (1977). Các thuộc tính Halstead được chọn dựa trên độ phức tạp đọc của mã nguồn.

Chúng được xác định bằng cách sử dụng một số độ đo cơ bản được thu thập từ phần

mềm bao gồm:

Mô tả

Ký hiệu µ1 µ2 N1 N2 ∗ µ1 ∗ µ2

∗ và µ2

∗ là toán tử tiềm năng và toán Bốn độ đo đầu tiên tự giải thích trong khi µ1 ∗= 2 là số lượng toán tử tối thiểu hạng được đếm trong một cá thể phần mềm. Ví dụ, µ1 cho hàm mặc định với tên hàm. Độ đo Halstead được xác định bằng cách sử dụng các

Số toán tử riêng Số toán hạng riêng Tổng số toán tử Tổng số toán hạng Số lượng nhỏ nhất số toán tử Số lượng nhỏ nhất số toán hạng Bảng 1.1 Độ đo Halstead

độ đo ở trên bao gồm:

Tên Length: N = N1+N2 Vocabulary: µ= µ1+ µ2 Volume V = N log2 µ

Measure D= (N1/2) * (N2/2) Measure E= D*V Measure B= 𝐸^(2/3)/3000

Measure T=E/18 Mô tả Độ dài chương trình Kích thước Thông tin nội dung của chương trình Độ khó của chương trình Yêu cầu thực thi chương trình Số lượng lỗi mong muốn trong chương trình Thời gian để thực thi chương trình

Bảng 1.2 Mô tả độ đo Halstead Các thuộc tính của McCabe là các độ đo chu trình thể hiện sự phức tạp của một sản phẩm phần mềm. Khác với các thuộc tính Halstead, các thuộc tính của McCabe đo độ phức tạp của cấu trúc mã nguồn. Chúng thu được bằng cách tính số lượng các thành

phần, vòng cung và nút được kết nối trong các biểu đồ luồng điều khiển của mã nguồn.

Trang 9

Chương 1: TỔNG QUAN VỀ ĐỘ ĐO PHẦN MỀM

Mỗi nút của biểu đồ luồng biểu diễn một câu lệnh chương trình trong khi một cung là

luồng của kiểm soát từ một câu lệnh khác.

Các độ đo của McCabe, Halstead và của Akiyama là những độ đo tiêu biểu của

các độ đo hướng phương thức.

 Độ đo hướng lớp

Bên cạnh các độ đo hướng phương thức, từ khi các ngôn ngữ lập trình hướng đối

tượng trở nên phổ biến, các độ đo hướng lớp cũng đã được đề xuất và tiêu biểu nhất là

độ đo của Chidamber-Kemerer (CK) [23]. Các độ đo này được thiết kế từ những đặc trưng hướng đối tượng như tính phụ thuộc (coupling), tính gắn kết (cohension), tính

thừa kế (inheritance), tính che giấu dữ liệu (information hide). Các độ đo CK bao gồm

số phương thức có trọng số trong lớp, độ sâu của cây thừa kế, số con, tính liên kết giữa

các lớp đối tượng, tính đáp ứng của một lớp, sự thiếu hụt tính gắn kết trong phương thức.

Ký hiệu

WMC DIT NOC CBO

Mô tả Weighted methods per class Depth of inheritance tree Number of children Coupling between object classes Response for a class Lack of cohesion of methods RFC LCOM

Bảng 1.3. Độ đo Chidamber & Kemerer, 1994 (CK)

Các độ đo trong bảng 3 được mô tả như sau:

 Weighted methods per class (WMC): Độ đo này đo lường sự phức tạp của một lớp riêng lẻ. Nó là một tổng trọng số của tất cả các phương thức trong một lớp.  Depth of inheritance tree(DIT): Độ đo này đo chiều dài của đường dẫn trong cây thừa kế dài nhất ở một lớp. Nếu cây thừa kế cho lớp được đo sâu hơn thì sẽ khó ước lượng được hành vi của lớp.

 Number of children (NOC): Độ đo này tính số lượng các lớp con kế thừa ngay

từ lớp hiện tại.

 Coupling between object classes (CBO): Độ đo này đo lường sự phụ thuộc của một lớp đối với những người khác bằng cách đếm số lượng các lớp khác phụ thuộc với lớp được đo. Một lớp phụ thuộc với các lớp khác nếu nó gọi các biến hoặc các hàm của các lớp khác [24].

 Response for a class (RFC): độ đo đếm số phương thức có khả năng được thực thi để đáp ứng với một thông điệp nhận được bởi một đối tượng của một lớp [25]

 Lack of cohesion of methods (LCOM): Độ đo này là hiệu số cặp phương thức không chia sẻ biến thành viên từ số cặp phương thức chia sẻ ít nhất một biến thành viên.

Trang 10

Chương 1: TỔNG QUAN VỀ ĐỘ ĐO PHẦN MỀM

1.3.2. Độ đo quy trình (Process Metrics)

Ngoài các độ đo mã nguồn trên trên, lịch sử của dự đoán lỗi phần mềm cũng đã

chứng kiến sự xuất hiện của các độ đo quy trình. Giống như các độ đo mã nguồn, các

độ đo quy trình cũng được sử dụng rộng rãi để xây dựng các mô hình dự đoán lỗi [26] Tuy nhiên, thay vì được tính trực tiếp từ mã nguồn hiện tại, các độ đo quy trình được

tạo từ các kho phần mềm như hệ thống theo dõi lỗi và các hệ thống kiểm soát phiên

bản. Các độ đo này tập trung vào các thuộc tính liên quan đến quá trình phát triển phần

mềm; ví dụ, thay đổi mã nguồn, chi phí hoặc hiệu quả của các phương pháp được sử dụng.

1.4. ÁP DỤNG CÁC ĐỘ ĐO PHẦN MỀM

Hình 1.1 cho thấy tần suất sử dụng các độ đo phần mềm trong tài liệu. Như sự

xuất hiện trước đó của độ đo phần mềm trong lịch sử dự đoán lỗi phần mềm, không ngạc nhiên khi các độ đo mã nguồn được sử dụng thường xuyên hơn so với các độ đo

quá trình[15]. Hơn nữa, khi một loại độ đo mới được tạo ra, nó thường được so sánh

với các độ đo mã nguồn để làm sáng tỏ hiệu suất. Trong khi đó, các độ đo quy trình đã

được giới thiệu sau khi các kho phần mềm bao gồm các hệ thống theo dõi lỗi, các thay

đổi mã nguồn, lưu trữ thư, khai thác dữ liệu và các hệ thống kiểm soát phiên bản được

sử dụng rộng rãi.

Hình 1.1 Tần suất sử dụng độ đo phần mềm trong các nghiên cứu

Trong lĩnh vực dự đoán lỗi phần mềm, cũng có rất nhiều cuộc tranh luận về loại

độ đo nào hoạt động tốt hơn. Trong khi Menzies [18] nói rằng các độ đo mã nguồn

tĩnh vẫn hiệu quả để tạo ra các yếu tố dự báo lỗi; Rahman và Devanbu [27] tin rằng

gần đây, các độ đo quy trình hữu ích hơn do sự trì trệ của các độ đo mã nguồn. Trên

thực tế, hiệu quả của các độ đo quy trình để dự đoán lỗi phần mềm đã được xác nhận

trong một số nghiên cứu [27,28,29]. Mặc dù vậy, chỉ sử dụng các độ đo phần mềm là

Trang 11

Chương 1: TỔNG QUAN VỀ ĐỘ ĐO PHẦN MỀM

không đủ để xây dựng các yếu tố dự đoán hiệu quả. Trong văn học, nhiều nhà nghiên

cứu đã chứng minh rằng các yếu tố dự đoán lỗi phần mềm hoạt động tốt hơn khi sử

dụng các kỹ thuật học máy để học từ dữ liệu lịch sử [15].

1.5. KỸ THUẬT HỌC MÁY TRONG DỰ ĐOÁN LỖI PHẦN MỀM

Học máy là một ngành khoa học khám phá việc xây dựng và nghiên cứu các kỹ

thuật cho phép các chương trình máy tính học hỏi từ dữ liệu mà không được lập trình

rõ ràng [30]. Về cơ bản, máy học tập cung cấp các chương trình máy tính với khả năng bắt chước quá trình học tập của con người. Quá trình này là quan sát hiện tượng và

tổng quát từ các quan sát [31]. Học máy thường được chia thành hai loại chính: học

tập có giám sát và không giám sát. Trong học tập không giám sát, các thuật toán được

sử dụng để tìm hiểu các yếu tố dự đoán từ dữ liệu không được dán nhãn. Trong khi đó, học tập có giám sát học các mô hình dự đoán dựa trên một tập hợp dữ liệu đầu vào với

thông tin nhãn.

Trong học tập có giám sát, các kết quả đầu ra có thể là các số thực trong các hồi

quy hoặc các nhãn lớp trong phân loại. Khi phân loại đầu vào thành hai hoặc nhiều

lớp, việc học được giám sát đôi khi được gọi là phân loại. Có một loạt các kỹ thuật

phân loại đã được khai thác rộng rãi trong các tài liệu để ghi nhãn các thể hiện phần

mềm là lỗi hoặc không lỗi.

1.5.1. Cây quyết định (Decision Tree Classification)

Cây quyết định là một trong những thuật toán dự đoán phổ biến được áp dụng

cho một loạt các tác vụ trong thống kê, khai phá dữ liệu và học máy. Thuật toán này

nhằm mục đích xây dựng một cây quyết định để phân loại một cá thể đích dựa trên các

tính năng đầu vào. Nó cũng có thể được biểu diễn như là câu lệnh if..else để tăng

cường khả năng đọc của con người Một ví dụ về cây quyết định, để hỗ trợ quá trình ra

quyết định, được trình bày trong hình 1.2. Cây quyết định trước hết được xây dựng

bằng cách phân loại các đặc điểm từ gốc xuống một số lá. Mỗi nút lá đại diện cho một thử nghiệm trên một đối tượng địa lý trong khi mỗi nhánh là kết quả có thể có của phép thử. Để gắn nhãn một thể hiện, các phép thử được thực hiện tại mỗi nút từ gốc đến các nút lá thông qua các nhánh thích hợp [32].

Trang 12

Chương 1: TỔNG QUAN VỀ ĐỘ ĐO PHẦN MỀM

Hình 1.2 Cây quyết định đơn giản

Có nhiều mô hình được phát triển bằng cách sử dụng cây quyết định để dự đoán

các lỗi phần mềm [18,33,34]. Người học J48, là một triển khai JAVA của thuật toán

C4.5 [35], có thể được xem là thuật toán được sử dụng rộng rãi nhất. Là một thuật toán

cây quyết định bình thường, J48 phân tách đệ quy một tập dữ liệu dựa trên các thử

nghiệm về các giá trị tính năng để tách các kết quả có thể có.

1.5.2. Naïve Bayes

Một cách khác để xây dựng các mô hình dự đoán lỗi phần mềm là sử dụng một

kỹ thuật học máy rất hữu ích, Naïve Bayes. Kỹ thuật này là một trong các phân loại

xác suất dựa trên định lý Bayes với các giả định độc lập giữa các thuộc [36]. Không có

ước lượng tham số lặp phức tạp, một trình phân loại Naïve Bayes dễ xây dựng và phù hợp với dữ liệu đầu vào. Mặc dù đơn giản, các nghiên cứu so sánh của Langley và

Sage [37] đã chỉ ra rằng Naïve Bayes có hiệu quả đối với các tập dữ liệu lớn và thường

hoạt động tốt hơn các trình phân loại phức tạp hơn như cây quyết định trong các miền

học được giám sát.

1.5.3. K-nearest Neighbor

Ngoài cây quyết định J48 và Naïve Bayes, K-Nearest Neighbor [38], một trong những thuật toán dựa trên khoảng cách đơn giản, cũng thường được áp dụng cho phân loại mẫu. Trong lĩnh vực dự đoán lỗi phần mềm, nhiều nghiên cứu cũng đã sử dụng K- Nearest Neighbor để phân loại các bộ dữ liệu thử nghiệm [39]. Mặc dù sự đơn giản của nó, Weinberger và Saul nói rằng thuật toán K-Nearest Neighbor thường hoạt động tốt và tạo ra kết quả cạnh tranh trong thực tế. Đáng chú ý, thuật toán có thể được cải thiện đáng kể khi kết hợp với kiến thức trước thu được từ giai đoạn học dữ liệu [40].

Trang 13

Chương 1: TỔNG QUAN VỀ ĐỘ ĐO PHẦN MỀM

Hình 1.3 Ví dụ K-Nearest Neighbor

Thuật toán K-Nearest Neighbor phân loại một cá thể mới dựa trên việc đo sự

giống nhau giữa nó và mọi cá thể hiện có khác. Sự tương tự được đo bằng các hàm

khoảng cách như khoảng cách Manhattan [41], khoảng cách Euclide [42] và khoảng

cách Mahalanobis [43]. Khi nói đến K-Nearest Neighbor, số lượng cá thể gần nhất

được sử dụng để dự đoán có thể ảnh hưởng đến hiệu suất dự đoán. Thông thường, con

số này là số lẻ nếu phân loại các cá thể thử nghiệm thành hai loại. Các trường hợp thử

nghiệm sẽ được dán nhãn dựa trên đa số phiếu. Khoshgoftaar [44] và Ganesan[45] đã

xây dựng các hệ thống lý luận dựa trên trường hợp (Case Base Reasoning CBR) để phân loại các thành phần phần mềm bằng cách chỉ chọn k=1 là đơn vị lân cận gần

nhất. El-Emam và cộng sự, vào năm 2001, đã cải thiện bộ phân loại CBR bằng cách sử

dụng đa số phiếu trong các trường hợp của ba và năm cá thể gần nhất. Trong khi lựa

chọn một số lượng nhỏ các cá thể gần nhất có thể dẫn đến một tác động lớn hơn đến

phân loại tiếng ồn, sẽ làm tăng chi phí tính toán. Do đó, một cách tiếp cận đơn giản là

đặt số lượng hàng xóm gần nhất thành căn bậc hai của số lượng các cá thể huấn

luyện(k=√n).

Một phần mở rộng đơn giản khác, có thể cải thiện độ chính xác của các mô hình dự báo, là áp dụng các trọng số. Lý do cho việc sử dụng trọng số là mức độ khác nhau

về sự giống nhau giữa cá thể được phân loại và hàng xóm của nó. Như vậy, thay vì đưa ra trọng số bằng nhau cho tất cả các láng giềng gần nhất [45], trọng số của các cá thể huấn luyện được thiết lập khác nhau tùy thuộc vào khoảng cách của chúng đến cá thể thử nghiệm [44]. Có nhiều cách để đạt được trọng lượng. Theo đề xuất của Cunningham và Delany [46], một kỹ thuật khá chung là sử dụng nghịch đảo của

khoảng cách là trọng lượng của từng trường hợp. Điều này có nghĩa là những người hàng xóm gần gũi hơn có trọng lượng cao hơn những người cha. Một cách khác để đặt

trọng số dựa trên số lượng cá thể của mỗi lớp trong dữ liệu huấn luyện. Bằng cách chia

Trang 14

Chương 1: TỔNG QUAN VỀ ĐỘ ĐO PHẦN MỀM

đơn giản số lượng hàng xóm gần nhất của một lớp cho số lượng cá thể của lớp này

trong tập dữ liệu huấn luyện, phương pháp này có thể trở thành một giải pháp tốt để

giảm thiểu vấn đề mất cân bằng lớp.

1.5.4. Support Vector Machine (SVM)

SVM là một trình phân loại khác thường được sử dụng trong nhiều ứng dụng.

SVM là một kỹ thuật học tập dựa trên lõi do Boser, Guyon và Vapnik đề xuất vào năm

1992, về cơ bản đề cập đến các vấn đề nhận dạng mẫu hai lớp [47]. Để thực hiện phân

loại, thuật toán SVM tìm thấy siêu kết nối tối ưu phân tách tất cả các cá thể của một lớp từ lớp kia. Siêu kết nối tối ưu, được xác định bởi một số vectơ hỗ trợ [48], thu

được khi tối đa hóa chiều rộng của lề giữa hai lớp. Các vectơ hỗ trợ là các điểm dữ liệu

nằm trên ranh giới của đường biên.

Ánh xạ tập dữ liệu vào không gian nhiều chiều, bản chất của phương pháp SVM là chuyển không gian dữ liệu ban đầu thành một không gian mới hữu hạn chiều mà ở

đó cho khả năng phân lớp dễ dàng hơn. Một quả bất kì nằm trên mặt bàn sẽ được gắn

với một tọa độ cụ thể. Ví dụ, quả táo nằm cách mép trái 2cm và cách mép dưới 5cm

được thể hiện trên trục tọa độ (x, y) tương ứng là (2, 5). x và y chính là tọa độ trong

không gian hai chiều của quả táo. Khi đưa lên chiều thứ 3 là z(x, y), ta có thể tính

được tọa độ của z trong không gian 3 chiều dựa vào tọa độ x,y ban đầu. Điểm làm

SVM hiệu quả hơn các phương pháp khác chính là việc sử dụng Kernel Method giúp

cho SVM không còn bị giới hạn bởi việc phân lớp một cách tuyến tính, hay nói cách

khác các siêu phẳng có thể được hình thành từ các hàm phi tuyến.

Smola [30] lập luận rằng chức năng cơ sở xuyên tâm là hạt nhân phổ biến nhất

được sử dụng trong SVM vì mang lại hiệu suất tốt hơn so với những người khác. Xét

về dự đoán, sử dụng SVM mang lại một số lợi thế [47] khiến SVM trở thành một trình

phân loại hữu ích để dự đoán các lỗi phần mềm.

Ưu điểm của SVM • Xử lý trên không gian số chiều cao: SVM là một công cụ tính toán hiệu quả

trong không gian chiều cao, trong đó đặc biệt áp dụng cho các bài toán phân loại văn bản và phân tích quan điểm nơi chiều có thể cực kỳ lớn

• Tiết kiệm bộ nhớ: Do chỉ có một tập hợp con của các điểm được sử dụng trong quá trình huấn luyện và ra quyết định thực tế cho các điểm dữ liệu mới nên chỉ có những điểm cần thiết mới được lưu trữ trong bộ nhớ khi ra quyết dịnh

• Tính linh hoạt - phân lớp thường là phi tuyến tính. Khả năng áp dụng Kernel

mới cho phép linh động giữa các phương pháp tuyến tính và phi tuyến tính từ đó khiến cho hiệu suất phân loại lớn hơn.

Trang 15

Chương 1: TỔNG QUAN VỀ ĐỘ ĐO PHẦN MỀM

Nhược điểm của SVM là gì? • Bài toán số chiều cao: Trong trường hợp số lượng thuộc tính (p) của tập dữ liệu

lớn hơn rất nhiều so với số lượng dữ liệu (n) thì SVM cho kết quả khá tồi

• Chưa thể hiện rõ tính xác suất: Việc phân lớp của SVM chỉ là việc cố gắng tách các đối tượng vào hai lớp được phân tách bởi siêu phẳng SVM. Điều này chưa giải

thích được xác suất xuất hiện của một thành viên trong một nhóm là như thế nào. Tuy

nhiên hiệu quả của việc phân lớp có thể được xác định dựa vào khái niệm margin từ

điểm dữ liệu mới đến siêu phẳng phân lớp mà chúng ta đã bàn luận ở trên.

1.6. XỬ LÝ DỮ LIỆU

Các kỹ thuật tiền xử lý dữ liệu rất quan trọng và được sử dụng rộng rãi trong học

máy, nền tảng của hầu hết các nghiên cứu dự đoán lỗi phần mềm Nam [15]. Có nhiều

yếu tố ảnh hưởng tiêu cực đến hiệu suất của thuật toán học máy như thông tin không đáng tin cậy và không liên quan hoặc dữ liệu nhiễm ồn [49]. Những vấn đề này có thể

được giải quyết bằng cách sử dụng tiền xử lý dữ liệu cung cấp các kỹ thuật bao gồm

làm sạch dữ liệu, chuẩn hóa, lựa chọn thuộc tính và trích xuất. Vì sự khác biệt trong

việc lựa chọn mô hình, đối tượng và độ đo giữa các nghiên cứu, kỹ thuật tiền xử lý dữ

liệu có thể hoặc không được sử dụng và chúng được áp dụng theo nhiều cách khác

nhau tùy thuộc vào từng nghiên cứu.

1.6.1. Chuẩn hóa dữ liệu

Chuẩn hóa dữ liệu là một nhiệm vụ tiền xử lý cơ bản trong học máy và khai thác

dữ liệu [50], nhằm cải thiện hiệu suất của các mô hình phân loại bằng cách đưa ra

trọng số bằng nhau cho tất cả các thuộc tính của tập dữ liệu. Có rất nhiều phương pháp

chuẩn hóa có thể sử dụng được.

Một trong số đó là sử dụng bộ tiền xử lý nhật ký lọc được trình bày bởi Menzies

[18] để bình thường hóa các giá trị của các thuộc tính mã tĩnh có phân phối số mũ.

Trong phương pháp này, bộ lọc logarit được sử dụng để thay thế tất cả các giá trị số n với logarit của n. Các thí nghiệm được thực hiện bởi Menzies [18] cho thấy rằng sau

khi được lọc, các giá trị này trở nên thậm chí nhiều hơn và do đó dễ dàng hơn cho các mô hình dự đoán hoạt động trên chúng. Phương pháp lọc log cũng đã được áp dụng trong một số nghiên cứu khác có cùng chủ đề thí nghiệm [21].

Ngoài kỹ thuật lọc log, các phương pháp chuẩn hóa dữ liệu khác là sự khác biệt [51] và tính năng nhân rộng [52]. Các phương thức này chuyển đổi các giá trị của một tập dữ liệu gốc thành một phạm vi từ 0 đến 1 và đảm bảo rằng mỗi thuộc tính nhận được một trọng số bằng nhau. Trong khi trước đây là phân chia đơn giản mọi giá trị số

của từng thuộc tính theo difference=x_max - x_min, sau đó trừ giá trị nhỏ nhất từ mỗi

Trang 16

Chương 1: TỔNG QUAN VỀ ĐỘ ĐO PHẦN MỀM

thuộc tính trước khi thực hiện phép chia. Trong tài liệu, phương pháp chuẩn hóa dữ

liệu bằng cách chia tỷ lệ tính năng còn được gọi là min-max [53] và công thức của nó

được hiển thị như sau:

Một phương pháp chuẩn hóa khác có ích cho các quần thể phân bố thông thường,

là điểm chuẩn, còn được gọi là điểm số bình thường hoặc điểm z [49]

Phương pháp tính toán điểm chuẩn được dựa trên trung bình phân phối và độ lệch chuẩn cho mỗi thuộc tính. Sau khi xác định giá trị trung bình và độ lệch chuẩn,

giá trị trung bình được trừ từ mỗi thuộc tính. Sau đó, các giá trị thu được từ các phép

trừ của mỗi thuộc tính được chia cho độ lệch chuẩn của nó. Theo Nam [15], phương

pháp chuẩn hóa này rất phổ biến trong nhiều kỹ thuật học máy, và nó dẫn đến độ chính

xác cao hơn trong việc dự đoán các lỗi phần mềm.

1.6.2. Giảm tiếng ồn (Noise reduction)

Để xây dựng và đánh giá các mô hình dự đoán, dữ liệu lỗi thường được trích xuất

từ các tệp nhật ký, các phiên bản và báo cáo lỗi trong cơ sở dữ liệu theo dõi lỗi một

cách tự động bằng cách sử dụng các công cụ. Tuy nhiên, các nghiên cứu gần đây đã

chỉ ra rằng dữ liệu được thu thập từ các điều khiển phiên bản, báo cáo lỗi và nhật ký

thay đổi có thể bị nhiễu. Ví dụ, các nghiên cứu về Aranda và Venolia đã chứng minh

rằng rất nhiều thông tin bị thiếu trong các báo cáo lỗi. Trong năm 2009, Bird cũng đã

tìm thấy sự thiên vị có hệ thống trong lịch sử phiên bản mã và các hệ thống theo dõi

lỗi, đó là nguyên nhân dẫn đến kết quả dự đoán sai.

Để đo khả năng chống nhiễu của các yếu tố dự đoán lỗi, Kim [29] trước hết đề

xuất thêm thông tin tiêu cực và sai lệch trong tập dữ liệu huấn luyện trong khi vẫn không thay đổi dữ liệu thử nghiệm. Điều này nhằm đo lường tính chính xác của các thuật toán dự đoán. Các tác giả sau đó tạo ra một phương pháp phát hiện tiếng ồn được gọi là nhận dạng tiếng ồn gần nhất. Phương pháp này sử dụng khoảng cách Euclide để tính tỷ lệ tương tự giữa dữ liệu huấn luyện và danh sách các thành phần ồn ào. Các thành phần sẽ được coi là ồn nếu tỷ lệ đạt đến một ngưỡng nhất định. Theo Kim et al.

[29] phương pháp này có lợi vì dữ liệu thu thập sẽ phù hợp hơn với dự đoán lỗi khi tiếng ồn có thể được phát hiện và loại bỏ trước đó.

Trang 17

Chương 1: TỔNG QUAN VỀ ĐỘ ĐO PHẦN MỀM

1.6.3. Lựa chọn thuộc tính (Attribute Selection)

Ngoài dữ liệu ồn ào, hiệu suất kém của các yếu tố dự đoán lỗi cũng được gây ra bởi sự dư thừa của các thuộc tính huấn luyện [54]. Để đạt được các dự đoán chính xác, tất cả các toán tử, chú thích, tên lớp, các biến và các từ khóa ngôn ngữ lập trình có thể được xem xét như là các thuộc tính cho việc huấn luyện các bộ dự đoán. Hơn nữa, các độ đo mã nguồn tĩnh, độ đo hướng đối tượng và các độ đo khác cũng có thể được sử dụng cùng nhau để tập hợp các tập dữ liệu. Những điều này dẫn đến một tập hợp thuộc tính lớn. Tuy nhiên, nó thường không khả thi đối với các mô hình dự đoán để xử lý một tập thuộc tính lớn được thiết lập cùng với sự có mặt của tiếng ồn và các tương tác phức tạp[54]. Một giải pháp có thể cho vấn đề này là chọn một tập hợp con các thuộc tính cung

cấp hiệu suất tốt nhất của các dự đoán. Phương thức này được gọi là lựa chọn thuộc

tính. Có một số lượng lớn các phương pháp đã được đề xuất trong lĩnh vực học máy để

lựa chọn thuộc tính Hầu hết trong số đó là các loại thành hai loại: phương pháp lọc và trình bao bọc. Bộ lọc tiếp cận, chẳng hạn như Chi-Squared, Gain Ratio và đánh giá

thuộc tính ý nghĩa (SAE), loại bỏ các thuộc tính có ý nghĩa thấp nhất cho đến khi đạt

được hiệu suất dự đoán tối ưu. Họ sử dụng các chẩn đoán dựa trên các đặc tính của dữ

liệu để đánh giá các thuộc tính. Trong khi đó, cách tiếp cận wrapper đánh giá các

thuộc tính dựa trên điểm số được đưa ra bởi các thuật toán học tập như Naïve Bayes và

Suppport Vector Machine

Theo lập luận của Hall [55] các phương pháp lọc phù hợp hơn cho các tập dữ liệu

với một số lượng lớn các thuộc tính. Một ưu điểm khác của việc sử dụng các phương

pháp lọc là khả năng làm việc kết hợp với bất kỳ thuật toán học máy nào trong khi các

cách tiếp cận wrapper sử dụng các thuật toán học tập giống nhau cho cả lựa chọn và phân loại thuộc tính .

Tuy nhiên, giới hạn của các phương pháp lọc là chúng có thể gây ra sự dư thừa

của các thuộc tính được chọn. Ví dụ, phương pháp lọc truyền thống là tập trung vào

việc giữ lại các thuộc tính liên quan. Sau khi gán giá trị phù hợp cho từng thuộc tính, kỹ thuật sẽ đánh giá từng thuộc tính riêng lẻ bằng cách sử dụng hàm đánh giá. Thuộc tính được chọn nếu giá trị độ liên quan của chúng lớn hơn ngưỡng đã cho. Cách tiếp

cận này không tính đến sự phụ thuộc giữa các thuộc tính. Do đó, họ có xu hướng chọn các thuộc tính dư thừa.

1.7. Các độ đo đánh giá

1.7.1. Phân loại đo lường

Để đánh giá mô hình dự đoán lỗi phần mềm, các biện pháp đánh giá bao gồm false positive rate, độ chính xác (accuracy), precision, recall, balance and F-measure

[59] được áp dụng.

Trang 18

Chương 1: TỔNG QUAN VỀ ĐỘ ĐO PHẦN MỀM

Trước đó, các ký hiệu A, B, C, D được sử dụng trong đó:

 A là số lượng mô-đun bị lỗi được dự đoán là lỗi.

 B là số mô-đun bị lỗi được phân loại là không có lỗi.

 C là số mô-đun không có lỗi được dự đoán là lỗi.

 D là số mô-đun không có lỗi được dự đoán là không có lỗi.

Độ chính xác (accuracy): Tỷ lệ là số lượng mô đun được dự đoán chính xác trên

tổng số mô-đun.

Từ phương trình, độ chính xác bị ảnh hưởng nặng nề bởi sự cân bằng của lớp.

Tuy nhiên, các bộ dữ liệu phần mềm thường thì nhiều mô-đun không có lỗi nhiều hơn các mô-đun bị lỗi. Nếu một mô hình dự đoán tất cả các mô-đun không bị lỗi, độ chính

xác sẽ rất cao mặc dù không có mô-đun bị lỗi nào được dự đoán chính xác. Ví dụ, tỷ lệ

lỗi trung bình của bộ dữ liệu PROMISE là 18%. Nếu một mô hình dự đoán tuyên bố

tất cả các mô-đun là không có lỗi, độ chính xác của nó sẽ là 82% mà không dự đoán

chính xác bất kỳ mô-đun bị lỗi nào. Do sự mất cân đối giữa các lớp trong tập dữ liệu,

độ chính xác không thể được coi là thước đo thích hợp để so sánh các mô hình dự báo

[15].

False positive rate: tỉ lệ báo động nhầm cũng được biết là xác suất báo động

nhầm [17]. Tỷ lệ này là số mô-đun không có lỗi được dự đoán sai như số lỗi của các

mô-đun không có lỗi.

Recall: Recall còn được gọi là báo động đúng hoặc xác suất phát hiện

(probability of detection) [17]. Recall được tính bằng tỷ lệ là số lượng mô-đun bị lỗi

được dự đoán chính xác là bị lỗi với số lượng mô-đun bị lỗi.

Balance: Để chọn một cặp xác suất tối ưu của báo động giả và xác suất phát hiện

lỗi (pf, pd), Menzies et al. [17] đề xuất một biện pháp được gọi là balance (bal). Biện pháp này là khoảng cách Euclide chuẩn hóa từ điểm mong muốn (pd = 1, pf = 0) thành một cặp (pf, pd).

Mặc dù balance là một biện pháp khá hữu ích được sử dụng trong việc đánh giá

các yếu tố dự báo lỗi [17], nó không phổ biến và vẫn có những hạn chế. Khi balance là

Trang 19

Chương 1: TỔNG QUAN VỀ ĐỘ ĐO PHẦN MỀM

khoảng cách, các mô hình dự đoán có giá trị khác nhau của (pf, pd) có thể có cùng giá

trị của balance. Tuy nhiên, điều này không có nghĩa là những mô hình đó có hiệu suất

ngang nhau trong thực tế, Menzies nhấn mạnh rằng sử dụng một cặp (pf, pd) là không

thực tế trong việc phân loại các tập dữ liệu mất cân bằng vì tỷ lệ chính xác thấp.

Precision: Tỷ lệ là số lượng mô-đun bị lỗi được dự đoán chính xác là bị lỗi với số

lượng mô-đun được dự đoán là lỗi.

Một mô hình dự đoán trình bày một hiệu suất tốt nếu đạt được các giá trị thu hồi (recall), độ chính xác (accuracy) và giá trị thấp hơn của độ báo động giả (False

positive rate). Tuy nhiên, người ta biết rằng việc recall có thể được cải thiện bằng cách

giảm accuracy và ngược lại [62]. Bởi vì sự cân bằng giữa accuracy và recall, không dễ

so sánh các hiệu năng của bộ dự đoán lỗi dựa trên chỉ recall hoặc accuracy. Kết quả là,

F- measure, một thước đo tổng hợp recall và accuracy, đã được sử dụng để so sánh kết

quả dự đoán [59].

F- measure: Chức năng hài hòa của recall và accuracy [59].

F-measure đã được sử dụng trong nhiều bài báo dự đoán lỗi [29,59] Độ đo này

trình bày một điểm thống nhất để đánh giá mô hình dự đoán sau khi cân bằng sự cân

bằng giữa recall và accuracy. Giá trị của F-measure tỷ lệ thuận với hiệu suất của một

mô hình.

Rõ ràng là tất cả các biện pháp trên được tính dựa trên các giá trị của A, B, C, D,

là kết quả của các quyết định nhị phân từ người dự đoán. Tuy nhiên, nhiều mô hình dự

đoán lỗi phân loại một mô hình bằng cách đưa ra xác suất lỗi thay vì quyết định nhị

phân. Điều này đặt ra một câu hỏi về cách xác định cụ thể hóa xác suất liên tục. Để

giải quyết câu hỏi này, Rahman et al. [60] đề xuất sử dụng một ngưỡng xác suất trong

đó một mô-đun được coi là bị lỗi nếu xác suất lỗi của nó đạt đến ngưỡng. Nếu không, module được phân loại là không có lỗi.

AUC: AUC biểu thị khu vực theo đường cong (ROC). AUC là một thước đo không tham số độc lập với ngưỡng và không bị ảnh hưởng bởi sự mất cân bằng trong lớp. ROC là một đường cong hai chiều được vẽ theo xác suất của báo động giả (trục x) và xác suất phát hiện (trục y). Theo Rahman và Devanbu một mô hình tốt hơn khi đường cong ROC của nó gần với điểm pd = 1 và pf = 0. Một bộ dự báo hoàn hảo, có

AUC là 1. Ngược lại, một đường cong phủ định minh họa mô hình không tốt với xác suất báo động giả và xác suất phát hiện thấp. Ở những nghiên cứu khác đã phát hiện ra

rằng nếu mô hình phủ nhận kết quả dự đoán của nó, đường cong âm sẽ trở thành

Trang 20

Chương 1: TỔNG QUAN VỀ ĐỘ ĐO PHẦN MỀM

đường cong ưu tiên đại diện cho một bộ dự đoán tốt. Một mô hình ngẫu nhiên không

cung cấp thông tin luôn có AUC là 0,5 vì nó có xu hướng gần với đường chéo pd =

pf,. Xác suất báo động giả và xác suất phát hiện khác nhau tùy thuộc vào ngưỡng dự

đoán xác suất của từng môđun dự đoán [15]. Tuy nhiên, AUC có tất cả các giá trị ngưỡng có thể xem xét hiệu suất dự đoán. Do đó, AUC là độc lập với ngưỡng, và nó là

một biện pháp ổn định.

Hình 1.4 Ví dụ về ROC

AUCEC: Mặc dù AUC là một biện pháp hữu ích để đánh giá hiệu suất của các

phần mềm dự đoán lỗi, nhưng nó không tính đến tính hiệu quả về chi phí. Do đó,

Arisholm, Briand và Fuglerud trình bày một biện pháp được gọi là khu vực dưới

đường cong AUCEC (area under cost-effectiveness curve). Hiệu quả chi phí trong dự

đoán lỗi được xác định dựa trên tỷ lệ phần trăm lỗi có thể được tìm thấy trong một tỷ

lệ nhất định các dòng mã lệnh được kiểm tra [15]. Cụ thể hơn, một mô hình sẽ hiệu

quả về chi phí hơn nếu nó có thể tìm thấy nhiều lỗi hơn với ít nỗ lực cố gắng kiểm tra

hơn.

Một ví dụ về các đường cong hiệu quả về chi phí AUCE được thể hiện trong Hình 2.13 trong đó trục x đại diện cho tỷ lệ phần trăm của các dòng mã lệnhvà trục y là tỷ lệ lỗi tìm thấy. Biểu đồ bên trái cho thấy các yếu tố dự đoán ngẫu nhiên, thực tế và tối ưu được biểu thị bằng đường cong R, P và O tương ứng. Vì một bộ dự đoán ngẫu nhiên sẽ chọn các mô-đun ngẫu nhiên là bị lỗi, tỷ lệ phần trăm các lỗi được tìm

thấy và các dòng mã được kiểm tra là như nhau. Trong trường hợp này, nó có AUCEC là 0,5. Trong khi đó, theo Rahman [27], AUCEC của dự đoán tối ưu là cao nhất so với

Trang 21

Chương 1: TỔNG QUAN VỀ ĐỘ ĐO PHẦN MỀM

những người khác. AUCEC cao hơn có nghĩa là bộ dự đoán có thể tìm thấy nhiều lỗi

hơn bằng cách thử nghiệm ít dòng mã lệnh hơn.

Hình 1.5 Đường cong Cost-effective curve

Biểu đồ bên phải minh họa các đường cong hiệu quả về chi phí của hai dự đoán

khác nhau, P1 và P2. Hai mô hình có hiệu suất tổng thể giống nhau vì AUCEC của

chúng bằng nhau khi kiểm tra toàn bộ các dòng mã. Tuy nhiên, với ngưỡng 20% số

dòng, P2 có AUCEC cao hơn P1. Điều này có nghĩa là nếu chỉ kiểm tra 20% dòng mã,

P2 sẽ hoạt động tốt hơn P1. Kết quả là, để áp dụng AUCEC như một biện pháp dự

đoán lỗi, cần phải xem xét một ngưỡng cụ thể cho tỷ lệ phần trăm của các dòng mã

[15].

1.7.2. Thảo luận về các độ đo Các thống kê được thực hiện bởi Nam [15] cho thấy số lượng của mỗi độ đo

được sử dụng trong các nghiên cứu dự đoán lỗi phần mềm điển hình để đánh giá các

mô hình phân loại. Như được minh họa trong Hình 1.6, F-measure là công cụ thường được sử dụng nhất để đánh giá mô hình dự đoán lỗi. Trên thực tế, điều này là hợp lý bởi vì sự đối ngược giữa recall và accuracy gây ra những khó khăn để đánh giá hiệu suất của các mô hình dự đoán với recall nhưng accuracy thấp và ngược lại. Do đó, F- measure, một sự trung hòa của hai biện pháp, đã được chọn trong nhiều nghiên cứu dự đoán lỗi [19,27]. Tuy nhiên, các ngưỡng là khác nhau cho việc dự đoán lỗi phần mềm làm cho độ đo F-measure thay đổi. Khi bộ dự đoán phân loại một thành phần là lỗi, nó

đưa ra xác suất dự đoán là lớn hơn ngưỡng. Lessmann [63] đã chỉ ra rằng, trong tài

liệu dự đoán lỗi phần mềm, các ngưỡng thường bị bỏ qua. Điều này dẫn đến kết quả dự đoán không nhất quán trong các nghiên cứu. Để giải quyết vấn đề này, các biện pháp AUC và AUCEC, không phụ thuộc vào ngưỡng, đã được sử dụng[34,63].

Trang 22

Chương 1: TỔNG QUAN VỀ ĐỘ ĐO PHẦN MỀM

Hình 1.6 Tổng số các biện pháp đánh giá độ đo được sử dụng trong các nghiên cứu dự đoán lỗi phần mềm (Nam, 2009)

Trang 23

Chương 2: ĐỘ ĐO TRONG DỰ ĐOÁN LỖI PHẦN MỀM

Chương 2: ĐỘ ĐO TRONG DỰ ĐOÁN LỖI PHẦN MỀM

2.1. GIỚI THIỆU

Nhiều nhà nghiên cứ đã xuất bản nhiều nghiên cứu về các đánh giá độ đo phần

mềm (software metrics). Trong số các độ đo hướng đối tượng được giới thiệu, độ đo

Chidamber và Kemerer hoặc CK được các nhà nghiên cứu trước đó đánh giá là được

sử dụng và có hiệu quả nhất. Nghiên cứu này tập trung vào các độ đo CK OO được sử dụng làm độ đo để thiết kế cho một nhóm các hệ thống C ++.

Một số nghiên cứu đã áp dụng các độ đo của CK OO để đo lường các độ đo cho

hai dự án, UGC và SEQGEN được viết bằng C ++. Họ thấy rằng các độ đo đã cho kết

quả tốt và hiểu biết sâu sắc về việc so sánh độ phức tạp của hai dự án và cả sự phức tạp

của các lớp riêng lẻ trong một dự án. Tang et al. [24] đã cố gắng tìm ra tương quan các

độ đo CK với các lỗi và họ nhận thấy WMC là một yếu tố dự báo tốt về các lớp bị lỗi

và RFC là một độ đo tốt cho các lỗi. Li và Henry đã sử dụng các độ đo CK OO cộng

với một số độ đo khác bao gồm một số độ đo kích thước (chẳng hạn như số lượng

thuộc tính cộng với số phương thức cục bộ), để xác định xem liệu độ đo hướng đối

tượng có thể dự đoán khả năng lỗi của chương trình không. Đối với các trọng số trong

WMC, họ đã sử dụng các số chu kỳ. Trên cơ sở một nghiên cứu thực nghiệm sử dụng

phân tích hồi quy, họ đã kết luận rằng các biện pháp này là hữu ích. Ngoài ra, họ cho

rằng độ đo Chidamber-Kemerer góp phần việc dự đoán chính xác hơn hơn và vượt xa

những gì có thể dự đoán bằng cách sử dụng chỉ độ kích thước (size).

Một các nghiên cứu gần đây của điều tra khả năng sử dụng lại của các hệ thống

hướng đối tượng bằng cách sử dụng các độ đo CK. Họ lựa chọn tập trung vào ba

chương trình để kiểm tra các nghiên cứu của họ, chương trình đầu tiên sử dụng kế thừa

đa mức, chương trình thứ hai sử dụng đa kế thừa và chương trình thứ ba sử dụng kế

thừa phân cấp. Cuối cùng, họ kết luận rằng thừa kế đa mức có tác động nhiều hơn đến khả năng sử dụng lại. Một công trình khác cố gắng so sánh một số chương trình được viết bằng C ++ và Java bằng cách sử dụng các đo của CK và họ thấy rằng Java chứng

minh được có tính hướng đối tượng hơn so với C ++. So với nghiên cứu trước đây,

nghiên cứu này tập trung vào việc tìm ra độ đo nào có ảnh hưởng lớn nhất đến mật độ lỗi trong các hệ thống. Hơn nữa, hầu hết các công việc trước đó sử dụng dữ liệu từ các hệ thống thương mại / công nghiệp, trong khi đó, công việc này sử dụng dữ liệu từ các dự án nguồn mở.

2.2. ĐỘ ĐO HƯỚNG ĐỐI TƯỢNG (OBJECT ORITEND METRICS) Việc đo lường của các hệ thống hướng đối tượng được bắt nguồn từ các kỹ thuật

thiết kế truyền thống, ví dụ, coupling và cohesion và sau đó được thông dịch cho các

Trang 24

Chương 2: ĐỘ ĐO TRONG DỰ ĐOÁN LỖI PHẦN MỀM

phương pháp tiếp cận hướng đối tượng. Chidamber và Kemerer đã đề xuất đo lường

cho các hệ thống hướng đối tượng, còn được gọi là độ đo hướng đối tượng Chidamber

và Kemerer (độ đo CK OO). Trong các nghiên cứu tiếp theo thì hướng đối tượng được

dựa trên một lớp là một tập hợp các đối tượng có các thuộc tính chung và một phương

thức là một hoạt động trên một đối tượng được xác định là một phần của khai báo của lớp.

Các thuộc tính như coupling và cohesion, độ phức tạp của đối tượng và phạm vi

của các thuộc tính sau đó được xác định theo các thuật ngữ “ontological ubological”

của Bunge. Chẳng hạn, theo thuật ngữ của Bunge, hai đối tượng được phụ thuộc với

nhau khi và chỉ khi một trong số chúng có sự tác động qua lại lẫn nhau. X được cho là

hành động theo Y nếu khai báo Y bị phụ thuộc vào X. Chidamber và Kemerer (CK) sử

dụng các khái niệm hướng đối tượng để xác định một số độ đo được cho là có liên

quan đến một số thuộc tính của bản thể học của Bunge.

Độ đo OO được chia thành các loại khác nhau bao gồm kích thước(size), sự phụ

thuộc(coupling), sự gắn kết(cohesion), tính kế thừa(inheritance), ẩn thông tin

(information hide), tính đa hình(polymorphism) và độ đo tái sử dụng(reuse).

2.2.1. Độ đo kích thước (Size) Bốn độ đo kích thước được trình bày để đo kích thước của hệ thống và cho thấy

mức độ phức tạp của lớp. Đo kích thước dựa trên các thuộc tính và phương pháp.

 Số lượng thuộc tính trên mỗi lớp (NOA) được tính theo số lượng thuộc tính

trong một lớp.

 Số lượng phương thức cho mỗi lớp (NOM) là tổng số phương thức trong một

lớp.

 Các phương thức có trọng số trên mỗi lớp (WMC): độ đo này nhằm liên quan đến khái niệm về độ phức tạp. Đối với một lớp C với các phương thức M1; M2; …;

Mn; trọng số tương ứng với độ phức tạp c1, c2,…,cn được tính như sau:

 Phản hồi cho một lớp (RFC) được tạo bởi RFC = | RS | với RS là tập phản hồi của một lớp. Với số lượng phương thức trong một lớp, Ri = {Rij} là tập của các phương thức được gọi bởi Mi.

2.2.2. Độ đo phụ thuộc (coupling)

 Sự phụ thuộc giữa các đối tượng (Coupling Between Objects - CBO) cho một sự đo lường lớp cho biết một lớp phụ thuộc vào lớp khác [Chidamber & Kemerer].

Trang 25

Chương 2: ĐỘ ĐO TRONG DỰ ĐOÁN LỖI PHẦN MỀM

Coupling có nghĩa là một đối tượng của một lớp sử dụng các phương thức hoặc thuộc

tính của một đối tượng trong một lớp khác.

 Sự phụ thuộc trừu tượng dữ liệu (Data Abstraction Coupling - DAC) đo độ

phức tạp của sự phụ thuộc gây ra bởi các kiểu dữ liệu trừu tượng (ADT).

 Sự phụ thuộc thông điệp (Message passing Coupling - MPC) đo số lượng cuộc gọi phương thức trong các phương thức của một lớp với các phương thức trong

các lớp khác.

2.2.3. Độ đo gắn kết (cohesion)

 Thiếu sự gắn kết trong các phương thức (Lack of Cohesion in Methods LCOM) được đo bằng số lượng phương thức trong một lớp truy cập vào một hoặc nhiều thuộc tính giống nhau. LCOM của một lớp đạt giá trị cao có nghĩa rằng các lớp

ít gắn kết hơn. Do đó LCOM mong muốn một giá trị thấp.

 Gắn kết lớp chặt chẽ (Tight Class Cohesion - TCC) được sử dụng để xác định

tỷ lệ phần trăm của các cặp phương thức là public có thuộc tính chung trong một lớp.

 Gắn kết lớp lỏng lẻo (Loose Class Cohesion - LCC) trình bày tỷ lệ phần trăm

của các cặp phương thức là public được kết nối trực tiếp hoặc gián tiếp trong một lớp.

 Sự gắn kết dựa trên luồng thông tin (Information flow based Cohesion - ICH) xác định số lượng các phương thức khác được gọi trong một phương thức của cùng

một lớp.

2.2.4. Độ đo thừa kế (Inheritcance Metrics)

 Độ sâu của cây thừa kế (DIT - Depth of Inheritance Tree): Trong một hướng đối tượng, miền ứng dụng được mô hình hóa như là hệ thống phân cấp của các lớp. Hệ

thống phân cấp này có thể được biểu diễn dưới dạng cây, được gọi là cây thừa kế. Các

nút trong cây, được gọi là cây thừa kế. Các nút trong cây đại diện cho các lớp và đối với mỗi lớp như vậy, độ đo DIT là độ dài lớn nhất của đường dẫn tối đa từ nút đến gốc

của cây. Biện pháp này liên quan đến khái niệm phạm vi của các thuộc tính. DIT là

thước đo xem có bao nhiêu lớp tổ tiên có khả năng ảnh hưởng đến lớp này.

 Số nút con (Number of Children - NOC) là tổng số nút con cho mỗi lớp.  Yếu tố kế thừa phương pháp (Method Inheritance Factor MIF) đo lường số lượng phương thức được kế thừa trên tỷ lệ của tổng số phương thức và được đưa ra như sau:

Trong đó Ma(Ci) = Mi(Ci) +Md(Ci) TC=tổng số lớp

Md(Ci)= số lớp được khai báo

Trang 26

Chương 2: ĐỘ ĐO TRONG DỰ ĐOÁN LỖI PHẦN MỀM

Mi(Ci)= số lượng lớp thừa kế trong một lớp

 Hệ số thừa kế thuộc tính (Attribute Inheritance Facto - AIF) số lượng các thuộc tính được kế thừa trên tỷ lệ của tổng số thuộc tính và được tính như sau:

Trong đó Aa (Ci) = Ai(Ci) + Ad (Ci) TC= tổng số lớp

Ad(Ci) = số thuộc tính được khai báo trong lớp Ai(Ci)= số thuộc tính thừa kế trong lớp

2.2.5. Độ đo đa hình (Polymorphism Metrics) Độ đo đa hình (PF) đo lường mức độ một loại dẫn xuất ghi đè một phương thức

từ lớp cơ sở. PF được tính bằng:

Mn(Ci) = Số lượng phương thức mới Mo(Ci) = Số lượng phương thức ghi đè DC(Ci) = Descendent Count

2.2.6. Độ đo tái sử dụng (Reuse metrics) Hệ thống hướng đối tượng hỗ trợ các nhà phát triển thiết kế và sử dụng lại mã

nguồn, Yap và Henderson-sell thảo luận về hai biện pháp tái sử dụng các độ đo.

 Tỉ lệ tái sử dụng (Reuse Ratio (U))được định nghĩa như sau

U = Number of super classes Total number of classes

 Tỉ lệ Specialization Ratio (S) được định nghĩa như sau

S = Number of subclasses Number of super classes

Trang 27

Chương 3: KẾT QUẢ THỰC NGHIỆM

Chương 3: KẾT QUẢ THỰC NGHIỆM

1.1. CÂU HỎI NGHIÊN CỨU

Trong lĩnh vực công nghệ phần mềm, để tiến hành các thực nghiệm liên quan đến

các hệ thống phần mềm thì chúng ta thu thập và phân tích lượng lớn dữ liệu từ nhiều

nguồn mã nguồn mở (open source systems -OSS) khác nhau. Do đó, nó đòi hỏi một quá trình tự động hóa trong quá trình thu thập và phân tích dữ liệu. Các nhà nghiên cứu tiến hành thực nghiệm phụ thuộc chủ yếu vào dữ liệu được công khai trong các kho khác nhau. Kho phần mềm chứa rất nhiều thông tin về các dự án phần mềm. Sử

dụng thông tin được lưu trữ trong các kho lưu trữ này, các nhà nghiên cứu có thể phụ

thuộc ít hơn vào trực giác và kinh nghiệm của họ, và phụ thuộc nhiều hơn vào dữ liệu

lịch sử và thực địa. Kho dữ liệu thường được sử dụng như các kho lưu trữ mã như

Sourceforge.net và mã Google chứa mã nguồn của các ứng dụng khác nhau được phát triển bởi một số nhà phát triểng

Trong nghiên cứu này chúng tôi dựa trên thực nghiệm của Normi là điều tra chất

lượng chung của các chương trình mã nguồn mở OSS tương quan với mật độ lỗi của

các hệ thống. Nghiên cứu này Normi chủ yếu tập trung vào việc áp dụng độ đo CK

OO cho OSS được viết bằng C ++. Với mục đích này, 30 chương trình C ++ đã được

tải xuống từ SourceForge.net, đây là kho lưu trữ OSS lớn nhất. Để tải xuống các hệ

thống từ SourceForge, Normi đã phát triển một công cụ, OSSGrab để tự động hóa việc

tìm kiếm và truy xuất hệ thống.

Dựa trên công cụ OSSGrab, chúng tôi tiến hành các thực nghiệm để trả lời 2 câu

hỏi sau:

1. Những độ đo hướng đối tượng nào có liên quan mật thiết đến mật độ lỗi trong

kho dữ liệu mã nguồn mở?

2. Chất lượng của hệ thống mã nguồn mở được viết trong ngôn ngữ C++ là gì?

Trên cơ sở các kỹ thuật giảm nhiễu đã so sánh, đánh giá, trong đề tài sử dụng

ngôn ngữ lập trình C để thực hiện các thuật toán giảm nhiễu trên nền tảng phần cứng

arduino, qua đó cũng tiến hành đánh giá trên mô hình phần cứng thực nghiệm.

1.2. CÁC GIẢ THUYẾT NGHIÊN CỨU

H1. Phân tích giá trị của độ đo CBO có liên quan đến mật độ lỗi. H2. Phân tích giá trị của độ đo LCBO có liên quan đến mật độ lỗi. H3. Phân tích giá trị của độ đo DIT có liên quan đến mật độ lỗi. H4. Phân tích giá trị của độ đo NOC có liên quan đến mật độ lỗi. H5. Phân tích giá trị của độ đo RFC có liên quan đến mật độ lỗi. H6. Phân tích giá trị của độ đo WMC có liên quan đến mật độ lỗi.

1.3. Biến phụ thuộc (Dependent Variable)

Trang 28

Chương 3: KẾT QUẢ THỰC NGHIỆM

Mặc dù có những tiến bộ gần đây trong công nghệ lập trình cũng như về

chất lượng của kỹ sư lập trình nhưng các nhà lập trình vẫn chưa thể lập trình tạo

ra những mã nguồn không có lỗi một cách nhất quán. Một sản phẩm phần mềm

được coi là bị lỗi khi nó không thực hiện các chức năng của nó theo mong đợi của người dùng đồng thời trong quá trình triển khai cũng phát sinh nhiều lỗi về mã

nguồn. Trong nghiên cứu này, lỗi mã nguồn liên quan mật thiết đến lỗi trong toàn

hệ thống, dẫn đến sau này sẽ gây ra lỗi trong hệ thống trong thời gian vận hành.

Biến phụ thuộc được sử dụng trong nghiên cứu này là các lỗi xảy ra được thu thập từ báo cáo theo dõi lỗi trong SourceForge.

1.4. Biến độc lập (Independent Variables)

Các biến độc lập được chọn cho nghiên cứu này là một tập hợp các độ đo

được gọi là bộ độ đo hướng đối tượng Chidamber và Kemerer (độ đo CK OO).

Để có được dữ liệu độ đo, mã nguồn của hệ thống đã được tải xuống từ SourceForge đã được phân tích bằng một công cụ trích xuất độ đo có tên

Understand C++.. Sau khi tất cả các số liệu thu được, chúng được phân tích bằng

phần mềm thống kê SPSS.

1.5. Thu thập dữ liệu

Để giảm bớt quá trình thu thập dữ liệu từ SourceForge.net, Normi sử dụng

công cụ OSSGrab đã được phát triển bằng kỹ thuật Python và Biểu thức chính

s

quy, được giới thiệu ở trên.

Hình 3.1 Kỹ thuật phân tích của OSSGrab

Trang 29

Chương 3: KẾT QUẢ THỰC NGHIỆM

Các kỹ thuật phân tích cú pháp được hiển thị trong hình 3.2. Ứng dụng nhận

được một truy vấn từ người dùng với các tiêu chí để tìm kiếm trong kho lưu trữ. Sau

đó, truy vấn được chuyển đến công cụ trình thu thập dữ liệu web web-crawler và bắt

đầu thu thập dữ liệu các trang từ API của kho lưu trữ trực tuyến tương ứng. Sau khi tải các trang từ công cụ thu thập dữ liệu web, sẽ chuyển các trang đó xuống công cụ phân

tích cú pháp, sau đó sẽ thu được dữ liệu truy vấn dưới dạng khối văn bản. Sau khi phân

tích xong, chương trình sẽ ghi dữ liệu được thu thập ở định dạng HTML và CSV để sử

dụng cho nghiên cứu.

Định dạng CSV cho phép người dùng thao tác thêm dữ liệu bằng các chức năng

phong phú của bảng tính. Các tập lệnh Java được thêm vào HTML để làm cho dữ liệu

tương tác và hữu ích hơn.

Đầu tiên, người dùng có thể chọn tìm kiếm các hệ thống trong SourceForge. Quá

trình tìm kiếm được hiển thị trong Hình 3.2 và Hình 3.3. Hình 3.2 hiển thị một tìm kiếm đơn giản, trong đó người dùng tìm kiếm tên của hệ thống họ muốn tìm. Trình

phân tích cú pháp sẽ tìm kiếm thông qua kho lưu trữ SourceForge và sẽ trả về kết quả

cho người dùng.

Hình 3.2 Tìm kiếm đơn giản trong kho OSS

Hình 3.3 cho thấy tùy chọn tìm kiếm nâng cao nơi người dùng có thể chọn các hệ thống dựa trên Danh mục, Ngôn ngữ lập trình, Trạng thái phát triển và Số lượt tải xuống. Từ khóa Số trang có nghĩa là người dùng có thể chọn số lượng hệ thống sẽ được

Trang 30

Chương 3: KẾT QUẢ THỰC NGHIỆM

hiển thị trên trang kết quả, nếu người dùng chọn số lượng trang lớn hơn, thời gian tìm

kiếm sẽ lâu hơn.

Hình 3.3 Tìm kiếm nâng cao trong kho OSS

Các kết quả đầu ra được tạo ra trong cả CSV và HTML định dạng. Người dùng

có thể sắp xếp đầu ra dựa trên tiêu đề của cột. Liên kết tải xuống cột sẽ kết nối người

dùng tải xuống hệ thống trong SourceForge. Điều này sẽ cung cấp quyền truy cập

nhanh vào hệ thống và người dùng có thể trực tiếp tải xuống hệ thống. Từ quan điểm

nghiên cứu, điều này cơ sở sẽ cung cấp cho các nhà nghiên cứu nhiều lựa chọn về hệ

thống để lựa chọn. Trong kỹ thuật phần mềm thực nghiệm, các nhà nghiên cứu cần tìm

nhiều dữ liệu nhất có thể, đặc biệt khi họ muốn xây dựng mô hình dự báo, để đảm bảo rằng các mô hình có thể được tổng quát hơn cho tổng thể nói chung. Sau đó, mã nguồn

của các hệ thống được chọn sẽ là được tải xuống và thực thi thông qua một công cụ có

tên là Understand [16], sẽ tạo ra một tập hợp các độ đo i. e., CBO, WMC, DIT,

LCOM, NOC và RFC. Kết quả sau được phân tích sử dụng một phần mềm thống kê, SPSS.

Thống kê mô tả cho các biến độc lập là thể hiện trong Bảng 3.1. Số lượng quan sát hoặc cỡ mẫu cho nghiên cứu này là 30 hệ thống. Cột “Std. Dev”, “Min”, “Max” đại diện cho giá trị trung bình, độ lệch chuẩn, giá trị tối thiểu và tối đa cho mỗi độ đo được xem xét, tương ứng.

Trang 31

Chương 3: KẾT QUẢ THỰC NGHIỆM

Bảng 3.1. Thống kê kết quả theo SPSS

Độ đo CBO WMC LCOM DIT NOC RFC Mean 0.63 0.24 14.50 0.18 0.00 3.33 Std.Dev. 48.33 21 367.67 24 27.33 88.65 Min 5.90 12.47 54.83 1.55 1.31 23.48 Max 8.28 4.71 60.25 4.26 4.92 15.67

Phân tích ban đầu về dữ liệu cho thấy phân phối là không bình thường. Do đó, để

phân tích tương quan, Spearman phân tích tương quan đã được thực hiện. Kết quả tổng thể của phân tích spearman được thể hiện trong bảng 3.1.

Trong bảng 3.2, hàng trên đại diện cho các giá trị cho hệ số tương quan

Spearman giữa hai biến, trong khi hàng dưới cùng (trong ngoặc đơn) đại diện cho giá trị p cho tương quan. Kết quả trong Bảng II cho thấy chỉ có RFC và NOC có ý nghĩa

quan trọng trong việc dự đoán các lỗi (Spearman corr. = 0.495, p-value = 0.005) và

(Spearman corr. = 0.36, p-value = 0.05).

Bảng 3.2. Phân tích tương quan Spearman giữa các biến

Độ đo Lỗi CBO RFC NOC WMC LCOM

1 Lỗi

0.038 (0.84) 1 - CBO

- - RFC 0.495 (0.005) 0.528 (0.003) 1

- NOC 0.36 (0.05) 0.306 (0.10) 0.38 (0.038) 1

- - WMC - 0.17 (0369) 0.278 (0.137) 0.533 (0.002) -0.305 (0.101) 1 -

- 0.058 (0.76) 0.423 (0.02) 0.244 (0.195) -0.032 (0.867) 0.544 (0.002) 1

LCOM Dựa trên kết quả, có thể kết luận rằng các giả thuyết nghiên cứu H4 và H5 được

hỗ trợ. Tuy nhiên, kết quả là H1, H2, H3 và H6 không được hỗ trợ.

Trang 32

KẾT LUẬN VÀ KIẾN NGHỊ

KẾT LUẬN

Đề tài đã nghiên cứu các độ đo (metrics) để tìm ra được mối liên hệ giữa các độ

đo với lỗi có khả năng xảy ra trong hệ thống. Mặc dù có rất nhiều độ đo đã được đề

xuất như độ đo mã nguồn, độ đo quy trình… Trong nghiên cứu này, chúng tôi tập

trung vào độ đo hướng đối tượng Chidamber và Kemerer để đo lường hệ thống mở và khả năng xảy ra lỗi.Việc áp dụng các độ đo thiết kế hướng đối tượng (OO) để đo lường chất lượng của các hệ thống nguồn mở đã giúp hiểu các mối quan hệ của các độ đo với khả năng xảy ra lỗi của các hệ thống. Chúng tôi tìm cách kiểm tra các độ đo có

thể được sử dụng để dự đoán lỗi trong các hệ thống hướng đối tượng (Object

Oriented), đặc biệt là những hệ thống được viết bằng C ++. Kết quả cho thấy độ đo

RFC và NOC có ý nghĩa quan trọng trong việc dự đoán khả năng xảy ra lỗi.

Tuy nhiên nghiên cứu này mới chỉ sử dụng được tập hợp dữ liệu từ các mã nguồn mở để kiểm tra một số độ đo cơ bản có mối quan hệ với khả năng xảy ra lỗi phần mềm

trong ngôn ngữ lập trình C++, chưa đưa ra được các đề xuất mang tính cụ thể như sau:

- Chưa nghiên cứu các kỹ thuật học máy và ứng dụng để kiểm tra độ đo nào có

mối tương quan với lỗi.

- Chưa đề xuất được những độ đo nào phù hợp với khả năng dự báo lỗi đối với

từng ngôn ngữ khác nhau như Java, C#,C++…

KIẾN NGHỊ

Từ kết quả đạt được, tác giả kiến nghị các hướng nghiên cứu tiếp theo như sau:

Thu thập độ đo phần mềm và dữ liệu lỗi có thể được thực hiện. Đôi khi dữ liệu

lỗi không có sẵn. Các nghiên cứu trong tương lai có thể cố gắng trả lời câu hỏi liệu mô

hình dự đoán lỗi có thể được học trên những dữ liệu đã có bằng việc áp dụng các kỹ

thuật máy học. Chúng tôi nghiên cứu các kỹ thuật học máy trong việc dự đoán lỗi với

dựa trên các độ đo. Hiện nay có rất nhiều kỹ thuật học máy được áp dụng như cây quyết định (decision tree), Bayesian network, Naïve Bayes, Bayesian Regularization

(BR), Support Vector Machine (SVM),... Dựa trên những kết quả thu được của các

nghiên cứu về các kỹ thuật học máy trên, chúng tôi có kế hoạch cải tiến thuật toán SVM để xây dựng được một mô hình dự đoán lỗi đồng thời đưa ra được các đề xuất cho các độ đo nào sẽ phù hợp với từng ngữ cảnh cụ thể và ngôn ngữ lập trình cụ thể.

Trang 33

TÀI LIỆU THAM KHẢO

TÀI LIỆU THAM KHẢO

Tiếng Anh:

[1].

Mary Jean Harrold. Testing: a roadmap. In ICSE ’00: Proceedings of the Conference on The Future of Software Engineering, pages 61–72, New York,

NY, USA, 2000. ACM.

[2]. Rupa Mahanti and Jiju Antony. Confluence of six sigma, simulation and

software development. Managerial Auditing Journal, 20(7):739–762, 2005.

[3]. Salah Bouktif, Danielle Azar, Doina Precup, Houari Sahraoui, and Balazs

Kegl. Improving rule set based software quality prediction: A genetic

algorithm-based approach. Journal of Object Technology, 3(4):227–241,

2004.

[4]. Norman E. Fenton and Niclas Ohlsson. Quantitative analysis of faults and

failures in a complex software system. IEEE Trans. Softw. Eng., 26(8):797–

814, 2000.

[5]. Manfred Broy, Florian Deissenboeck, and Markus Pizka. Demystifying

maintainability. In WoSQ ’06: Proceedings of the 2006 international

workshop on Software quality, pages 21–26, New York, NY, USA, 2006.

ACM.

[6]. Victor R. Basili, Lionel C. Briand, and Walc´elio L. Melo. A validation of

object-oriented design metrics as quality indicators. IEEE Trans. Softw. Eng.,

22(10):751–761, 1996.

[7]. Khaled El Emam, Walcelio Melo, and Javam C. Machado. The prediction of

faulty classes using object-oriented design metrics. J. Syst. Softw., 56(1):63–

75, 2001.

[8].

Tibor Gyimothy, Rudolf Ferenc, and Istvan Siket. Empirical validation of objectoriented metrics on open source software for fault prediction. IEEE

Trans. Softw. Eng., 31(10):897–910, 2005.

[9].

Hector M. Olague, Letha H. Etzkorn, Sampson Gholston, and Stephen Quattlebaum. Empirical validation of three software metrics suites to predict faultproneness of object-oriented classes developed using highly iterative or agile software development processes. IEEE Trans. Softw. Eng., 33(6):402–

419, 2007.

[10]. Nachiappan Nagappan, Thomas Ball, and Andreas Zeller. Mining metrics to

predict component failures. In ICSE ’06: Proceedings of the 28th international

Trang 34

TÀI LIỆU THAM KHẢO

conference on Software engineering, pages 452–461, New York, NY, USA,

2006. ACM

[11]. Zheng, J. (2010). Cost-sensitive boosting neural networks for software defect

prediction. Expert Systems with Applications, 37(6), 4537-4543.

[12].

Whittaker, J. (2000). What is software testing? And why is it so hard?. Software, IEEE, 17(1), 70-79.

[13]. Cem Kaner, J. D., Hendrickson, E., & Smith-Brock, J. (2001). MANAGING

THE PROPORTION OF TESTERS TO (OTHER) DEVELOPERS.

[14]. Bieman, J. M. (1997). Software Metrics: A Rigorous & Practical Approach.

IBM Systems Journal, 36(4), 594.

[15]. Nam, J. (2009). Survey on Software Defect Prediction. Master's Thesis.

[16].

Akiyama, F. (1971). An Example of Software System Debugging. In Proceedings of the International Federation of Information Processing

Societies Congress, pages 353–359.

[17]. D’Ambros, M., Lanza, M., & Robbes, R. (2012). Evaluating defect prediction

approaches: a benchmark and an extensive comparison. Empirical Software

Engineering, 17(4-5), 531-577.

[18]. Menzies, T., Dekhtyar, A., Distefano, J., & Greenwald, J. (2007). Problems

with precision: A response to “comments on ‘data mining static code

attributes to learn defect predictors’”. IEEE Transactions on Software

Engineering, 33(9), 637.

[19]. Shihab, E., Mockus, A., Kamei, Y., Adams, B., & Hassan, A. E. (2011). High-

impact defects: a study of breakage and surprise defects. Paper presented at

the Proceedings of the 19th ACM SIGSOFT symposium and the 13th

European conference on Foundations of software engineering.

[20]. Song, Q., Jia, Z., Shepperd, M., Ying, S., & Liu, S. Y. J. (2011). A general

software defect-proneness prediction framework. Software Engineering, IEEE

Transactions on, 37(3), 356-370.

[21].

Turhan, B., Menzies, T., Bener, A. B., & Di Stefano, J. (2009). On the relative value of cross-company and within-company data for defect prediction. Empirical Software Engineering, 14(5), 540-578.

[22].

Song, Q., Jia, Z., Shepperd, M., Ying, S., & Liu, S. Y. J. (2011). A general software defect-proneness prediction framework. Software Engineering, IEEE

Transactions on, 37(3), 356-370.

[23]. Chidamber, S. R., & Kemerer, C. F. (1994). A metrics suite for object oriented

design. Software Engineering, IEEE Transactions on, 20(6), 476-493.

Trang 35

TÀI LIỆU THAM KHẢO

[24]. Tang, M. H., Kao, M. H., & Chen, M. H. (1999). An empirical study on

object-oriented metrics. In Proceedings of the 1999 international workshop on

Software metric symposium (pp. 242-249). IEEE.

[25].

Subramanyam, R., & Krishnan, M. S. (2003). Empirical analysis of ck metrics for objectoriented design complexity: Implications for software defects.

Software Engineering, IEEE Transactions on, 29(4), 297-310.

[26].

D’Ambros, M., Lanza, M., & Robbes, R. (2012). Evaluating defect prediction approaches: a benchmark and an extensive comparison. Empirical Software

Engineering, 17(4-5), 531-577.

[27].

Rahman, F., Posnett, D., & Devanbu, P. (2012). Recalling the imprecision of crossproject defect prediction. Paper presented at the Proceedings of the ACM SIGSOFT 20th International Symposium on the Foundations of Software

Engineering

[28]. Moser, R., Pedrycz, W., & Succi, G. (2008). A comparative analysis of the

efficiency of change metrics and static code attributes for defect prediction.

Paper presented at the Software Engineering, 2008. ICSE'08. ACM/IEEE 30th

International Conference on.

[29]. Lee, T., Nam, J., Han, D., Kim, S., & In, H. P. (2011). Micro interaction

metrics for defect prediction. Paper presented at the Proceedings of the 19th

ACM SIGSOFT symposium and the 13th European conference on

Foundations of software engineering

[30]. Smola, A., & Vishwanathan, S. V. N. (2008). Introduction to machine

learning. Cambridge University, UK, 32-34.

[31]. Japkowicz, N., & Shah, M. (2011). Evaluating learning algorithms: a

classification perspective. Cambridge University Press.

[32]. Quinlan, J. R. (1986). Induction of decision trees. Machine learning, 1(1), 81-

106.

[33].

"Knab, P., Pinzger, M., & Bernstein, A. (2006, May). Predicting defect densities in source code files with decision tree learners. In Proceedings of the 2006 international workshop on Mining software repositories (pp. 119-125). ACM."

[34].

Giger, E., D'Ambros, M., Pinzger, M., & Gall, H. C. (2012). Method-level bug prediction. Paper presented at the Proceedings of the ACM-IEEE international symposium on Empirical software engineering and measurement.

[35].

Quinlan, J. R. (1986). Induction of decision trees. Machine learning, 1(1), 81- 106.

Trang 36

TÀI LIỆU THAM KHẢO

[36]. Bishop, C. M. (2006). Pattern recognition and machine learning. springer.

[37]. Langley, P., & Sage, S. (1994, July). Induction of selective Bayesian

classifiers. In Proceedings of the Tenth international conference on

Uncertainty in artificial intelligence (pp. 399-406). Morgan Kaufmann Publishers Inc..

[38]. Cover, T., & Hart, P. (1967). Nearest neighbor pattern classification.

Information Theory, IEEE Transactions on, 13(1), 21-27.

[39]. Turhan, B., Menzies, T., Bener, A. B., & Di Stefano, J. (2009). On the relative

value of cross-company and within-company data for defect prediction. Empirical Software Engineering, 14(5), 540-578

[40]. Belongie, S., Malik, J., & Puzicha, J. (2002). Shape matching and object

recognition using shape contexts. Pattern Analysis and Machine Intelligence,

IEEE Transactions on, 24(4), 509-522

[41]. Black, P. E. (2006). Manhattan distance. Dictionary of Algorithms and Data

Structures, 18, 2012

[42]. Deza, M. M., & Deza, E. (2009). Encyclopedia of distances (pp. 1-583).

Springer Berlin Heidelberg.

[43]. Mahalanobis, P. C. (1936). On the generalized distance in statistics.

Proceedings of the National Institute of Sciences (Calcutta), 2, 49-55.

[44]. Khoshgoftaar, T. M., & Seliya, N. (2003). Analogy-based practical

classification rules for software quality estimation. Empirical Software

Engineering, 8(4), 325-350.

[45]. Ganesan, K., Khoshgoftaar, T. M., & Allen, E. B. (2000). Case-based

software quality prediction. International Journal of Software Engineering and

Knowledge Engineering, 10(02), 139-152.

[46]. Cunningham, P., & Delany, S. J. (2007). k-Nearest neighbour classifiers.

Multiple Classifier Systems, 1-17.

[47]. Elish, K. O., & Elish, M. O. (2008). Predicting defect-prone software modules

using support vector machines. Journal of Systems and Software, 81(5), 649- 660.

[48].

Cristianini, N., & Shawe-Taylor, J. (2000). An introduction to support vector machines and other kernel-based learning methods. Cambridge university press

[49].

Kotsiantis, S., Kanellopoulos, D., & Pintelas, P. (2006). Data preprocessing for supervised leaning. International Journal of Computer Science, 1(2), 111-

117.

Trang 37

TÀI LIỆU THAM KHẢO

[50]. Graf, A. B., & Borer, S. (2001). Normalization in support vector machines

Pattern Recognition (pp. 277-282): Springer

[51]. Boetticher, G. D. (2005). Nearest neighbor sampling for better defect

prediction. ACM SIGSOFT Software Engineering Notes, 30(4), 1-6.

[52].

Juszczak, P., Tax, D., & Duin, R. P. W. (2002). Feature scaling in support vector data description. In Proc. ASCI (pp. 95-102).

[53]. Han, J., Kamber, M., & Pei, J. (2012), Data mining : concepts and techniques,

3rd ed. Waltham, Mass.: Elsevier/Morgan Kaufmann.

[54]. Shivaji, S., Whitehead, E. J., Akella, R., & Kim, S. (2013). Reducing features

to improve code change-based bug prediction. Software Engineering, IEEE

Transactions on, 39(4), 552-569.

[55]. Hall, M. (2000). Correlation-based feature selection for discrete and numeric

class machinelearning,! Proceedings of th7 IntentionalConference onMachine Learning,.Stanford University

Trang 38

ĐẠI HỌC ĐÀ NẴNG TRƯỜNG CĐ CÔNG NGHỆ THÔNG TIN

CỘNG HOÀ XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập - Tự do - Hạnh phúc

THUYẾT MINH ĐỀ TÀI KHOA HỌC & CÔNG NGHỆ CẤP CƠ SỞ (DO TRƯỜNG CAO ĐẲNG CÔNG NGHỆ THÔNG TIN QUẢN LÝ)

2. MÃ SỐ T2018-07-07

1. TÊN ĐỀ TÀI: Nghiên cứu các độ đo mã nguồn cho bài toán dự đoán lỗi phần mềm

4. LOẠI HÌNH NGHIÊN CỨU

3. LĨNH VỰC NGHIÊN CỨU

Tự nhiên

Kỹ thuật

Môi trường

Ứng dụng

Triển Khai

x

Cơ bản

Nông Lâm

ATLĐ

Kinh tế; XH-NV

x

x

Giáo dục

Y Dược

Sở hữu trí tuệ

5. THỜI GIAN THỰC HIỆN 9 tháng Từ tháng 04 năm 2018 đến tháng 12 năm 2018 6. CƠ QUAN CHỦ TRÌ ĐỀ TÀI (đơn vị thành viên ĐHĐN)

Tên cơ quan: Trường Cao đẳng Công nghệ Thông tin Điện thoại: 0511.3667117 E-mail: Địa chỉ: Làng Đại học, Phường Hòa Quý, Q. Ngũ Hành Sơn, TP. Đà Nẵng Họ và tên thủ trưởng cơ quan chủ trì: PGS.TS. Huỳnh Công Pháp

Học vị: Thạc sĩ Năm sinh: 08/05/1986 Địa chỉ nhà riêng: Điện thoại nhà riêng : Fax:

7. CHỦ NHIỆM ĐỀ TÀI Họ và tên: Hà Thị Minh Phương Chức danh khoa học: Địa chỉ cơ quan: Điện thoại cơ quan: 02366552688 Di động: 0987710719 E-mail: htmphuong@sict.udn.vn 8. NHỮNG THÀNH VIÊN THAM GIA NGHIÊN CỨU ĐỀ TÀI

TT

Họ và tên

Chữ ký

Đơn vị công tác và lĩnh vực chuyên môn

Nội dung nghiên cứu cụ thể được giao

1

2

3

Nội dung phối hợp nghiên cứu

Họ và tên người đại diện đơn vị

9. ĐƠN VỊ PHỐI HỢP CHÍNH Tên đơn vị trong và ngoài nước

10. TỔNG QUAN TÌNH HÌNH NGHIÊN CỨU THUỘC LĨNH VỰC CỦA ĐỀ TÀI Ở TRONG VÀ

NGOÀI NƯỚC

10.1. Ngoài nước (phân tích, đánh giá tình hình nghiên cứu thuộc lĩnh vực của đề tài trên thế giới, liệt kê danh mục các công trình nghiên cứu, tài liệu có liên quan đến đề tài được trích dẫn khi đánh giá tổng quan)

Độ đo (metric) đóng một vai trò rất quan trọng để phát triển một phần mềm có chất lượng tốt. The IEEE Standard Glossary of Software Engineering Terms đã định nghĩa độ đo như là thước đo định lượng đến một hệ thống, một thành phần hoặc một quá trình có một thuộc tính nhất định. Có rất nhiều loại độ đo khác nhau được trình bày trong các tài liệu để đo lường các sản phẩm phần mềm. Trong sự phát triển phần mềm hiện nay, ngôn ngữ hướng đối tượng (Object Oriented) được sử dụng do các đặc tính cơ bản của chúng như lớp, đối tượng, che dấu thông tin, thừa kế, đóng gói, trìu tượng và đa hình. Ngoài ra, độ đo của hướng đối tượng có sẵn được sử dụng để đo chất lượng của các hệ thống hướng đối tượng.

10.2. Trong nước (phân tích, đánh giá tình hình nghiên cứu thuộc lĩnh vực của đề tài ở Việt Nam, liệt kê danh mục các công trình nghiên cứu, tài liệu có liên quan đến đề tài được trích dẫn khi đánh giá tổng quan)

Hiện nay đã có nhiều nghiên cứu về độ đo hướng đối tượng trên các ngôn ngữ lập trình như C++, Java,…. Các độ đo có ích cho việc đánh giá sự phát triển cơ trúc có thể không ảnh hưởng đến thiết kế mà sử dụng ngôn ngữ OO. Có rất nhiều mô hình độ đo hướng đối tượng có sẵn và một số tác giả đã đề xuất cách để đo lường giá trị của độ đo mã nguồn hướng đối tượng. Một nghiên cứu ước tính tiết kiệm chi phí bảo trì sửa chữa là 42% bằng cách sử dụng độ đo mã nguồn hướng đối tượng.

10.3. Danh mục các công trình đã công bố thuộc lĩnh vực của đề tài của chủ nhiệm và những thành viên tham gia nghiên cứu (họ và tên tác giả; bài báo; ấn phẩm; các yếu tố về xuất bản) 11. TÍNH CẤP THIẾT CỦA ĐỀ TÀI

Việc đo lường phần mềm có tầm quan trọng trong việc phát triển phần mềm. Nhiều độ đo đã được đề xuất lien quan đến cấu trúc khác nhau như lớp, phụ thuộc, thừa kế, che dầu thông tin và đa hình. Rất khó để xác định độ đo nào tốt nhất. Do đó, rất khó cho các nhà quản lý và người thực hiện dự án lựa chọn các độ đo cho các hệ thống hướng đối tượng. Trong đó, độ đo OO (Object Oriented) là độ đo trong một hệ thống hướng đối tượng để xác định sự thành công hay thất bại của một quy trình, để xác định có định lượng sự cải tiến trong một quy trình phần mềm. Độ đo này được sử dụng để cải tiến kỹ thuật lập trình hướng đối tượng tăng tính tin cậy của mã nguồn. Xét thấy như vậy, chúng tôi nghiên cứu các độ đo mã nguồn hướng đối tượng cũng như so sánh với độ đo mã nguồn hướng cấu trúc. Từ đó có thể đưa ra được dự đoán lỗi phần mềm dựa trên các độ đo trên.

12. MỤC TIÊU ĐỀ TÀI Nghiên cứu lý thuyết:

 Tìm hiểu độ đo mã nguồn hướng cấu trúc

 Tìm hiểu độ đo mã nguồn hướng đối tượng

 Nghiên cứu áp dụng các độ hướng đối tượng vào việc dự đoán lỗi phần mềm

Áp dụng lý thuyết vào xây dựng công cụ dự đoán lỗi phần mềm nhằm tạo điều kiện để tiếp tục nghiên cứu và xây dựng các hệ thống dự đoán lỗi phần mềm dựa trên máy học để dự đoán được số lỗi của phần mềm….

13. ĐỐI TƯỢNG, PHẠM VI NGHIÊN CỨU

13.1. Đối tượng nghiên cứu

 Độ đo mã nguồn cấu trúc và độ đo mã nguồn hướng đối tượng: Sách, báo, ....

 Giá trị các độ đo trên

 Một số tập dữ liệu NASA và open source trong PROMISE

13.2. Phạm vi nghiên cứu: Độ đo mã nguồn cấu trúc và độ đo mã nguồn hướng đối tượng, tập dữ liệu NASA và PROMISE 14. CÁCH TIẾP CẬN, PHƯƠNG PHÁP NGHIÊN CỨU

14.1. Cách tiếp cận Nghiên cứu các độ đo mã nguồn dựa trên

 Tiếp cận dựa vào lý luận.

 Tiếp cận dựa vào thống kê.

 Tiếp cận dựa trên cả hai phương pháp trên.

14.2. Phương pháp nghiên cứu: Với các phương pháp tiếp cận trên chúng tôi lựa chọn phương pháp thống kê để đưa ra được giá trị của các độ đo trong việc dự đoán lỗi của phần mềm. 15. NỘI DUNG NGHIÊN CỨU VÀ TIẾN ĐỘ THỰC HIỆN 15.1. Nội dung nghiên cứu (trình bày dưới dạng đề cương nghiên cứu chi tiết)

 Tìm hiểu độ đo mã nguồn hướng cấu trúc và độ đo mã nguồn hướng đối tượng

 Nghiên cứu và phân tích các giá trị của các độ đo trên trong dự đoán lỗi phần mềm

 Xây dựng công cụ dự đoán lỗi phần mềm dựa trên độ đo mã nguồn hướng đối tượng

 Viết báo cáo tổng kết đề tài

15.2. Tiến độ thực hiện

Thời gian (bắt đầu-kết thúc)

Các nội dung, công việc thực hiện

Sản phẩm

Người thực hiện

STT

1

2

3

4

5

Nghiên cứu tổng quan độ đo mã nguồn hướng cấu trúc và độ đo mã nguồn hướng đối tượng Nghiên cứu và phân tích các giá trị của các độ đo trên trong dự đoán lỗi phần mềm Xây dựng công cụ dự đoán lỗi phần mềm dựa trên độ đo mã nguồn hướng đối tượng Ứng dụng nguồn dữ liệu thử nghiệm cho bài toán dự đoán lỗi phần mềm Viết báo cáo tổng kết đề tài

Hà Thị Minh Phương Hà Thị Minh Phương Hà Thị Minh Phương Hà Thị Minh Phương Hà Thị Minh Phương

04/2018- 05/2018 06/2018- 07/2018 08/2018- 09/2018 10/2018- 11/2018 11/2018- 12/2018

Báo cáo Báo cáo Báo cáo Phần mềm Báo cáo Phần mềm Báo cáo

16. SẢN PHẨM

16.1. Sản phẩm khoa học

x

Bài báo đăng tạp chí nước ngoài Bài báo đăng tạp chí trong nước Bài đăng kỷ yếu hội nghị, hội thảo quốc tế Sản phẩm khác (giáo trình, tài liệu tham khảo…..

16.2. Sản phẩm đào tạo

Cao học NCS

16.3.Sản phẩm ứng dụng

Mẫu Giống cây trồng Tiêu chuẩn Tài liệu dự báo Phương pháp Dây chuyền công nghệ

Vật liệu Giống vật nuôi Qui phạm Đề án Chương trình máy tính Báo cáo phân tích

Thiết bị máy móc Qui trình công nghệ Sơ đồ, bản thiết kế Luận chứng kinh tế Bản kiến nghị Bản quy hoạch

16.4. Các sản phẩm khác……………………………………………………

16.5. Tên sản phẩm, số lượng và yêu cầu khoa học đối với sản phẩm Stt

Yêu cầu khoa học

Số lượng 01

1

2

01

Tên sản phẩm Bài báo Hội thảo CITA hoặc tương đương hoặc quốc tế Phần mềm dự đoán lỗi (C++) Báo cáo tổng kết

3

01

Có chất lượng Dự đoán lỗi hiệu quả Có chất lượng, đầy đủ

17. HIỆU QUẢ (giáo dục và đào tạo, kinh tế - xã hội)

- Về mặt giáo dục - đào tạo: phục vụ công tác giảng dạy, nghiên cứu.

- Về mặt khoa học: đóng góp đáng kể của đề tài là trình bày các độ đo liên quan mật thiết đến lỗi phần mềm, qua đó có thể đưa ra được các độ đo có tính hiệu quả trong việc nhận biết lỗi phần

mềm.

- Về sản phẩm ứng dụng: xây dựng được các hệ thống dự đoán được lỗi phần mềm trong công

nghệ phần mềm.

18. PHƯƠNG THỨC CHUYỂN GIAO KẾT QUẢ NGHIÊN CỨU VÀ ĐỊA CHỈ ỨNG DỤNG Phần mềm cài đặt trên máy tính. Tư liệu và công cụ phục vụ cho việc dự đoán lỗi phần mềm, đặc biệt là ngôn ngữ lập trình hướng đối tượng với C++.

19. KINH PHÍ THỰC HIỆN ĐỀ TÀI VÀ NGUỒN KINH PHÍ Tổng kinh phí: 8.900.000 VNĐ Trong đó: Ngân sách Nhà nước: 8.900.000 VNĐ Các nguồn kinh phí khác: Dự trù kinh phí theo các mục chi (phù hợp với nội dung nghiên cứu): Đơn vị tính: đồng

Stt

Khoản chi, nội dung chi

Ghi chú

Tổng kinh phí

Kinh phí từ NSNN

Nguồn kinh phí Các nguồn khác

6.240.000

6.240.000

1 Chi tiền công lao động trực tiếp 2 Chi mua vật tư, nguyên, nhiên, vật liệu 3 Chi sửa chữa, mua sắm tài sản cố định 4 Chi hội thảo KH, công tác phí 5 Chi trả dịch vụ thuê ngoài phục vụ hoạt

động nghiên cứu

935.000

935.000

6 Chi điều tra, khảo sát thu thập số liệu 7 Chi văn phòng, phẩm, thông tin liên lạc, in

ấn

1.280.000 445.000

1.280.000 445.000

8.900.000

8.900.000

8 Chi nghiệm thu đề tài 9 Chi quản lý chung 10 Chi khác Tổng cộng

Ngày…tháng…năm 2018 TM. HỘI ĐỒNG KH&ĐT ĐƠN VỊ (ký, họ và tên) Ngày … tháng … năm 2018 Chủ nhiệm đề tài (ký, họ và tên)

Đà Nẵng, ngày…tháng…năm…… Cơ quan Chủ trì duyệt HIỆU TRƯỞNG

DỰ TOÁN KINH PHÍ ĐỀ TÀI KH&CN CẤP CƠ SỞ NĂM 2018

Tên đề tài: Nghiên cứu các độ đo mã nguồn cho bài toán dự đoán lỗi phần mềm

Đơn vị tính: VN đồng

Dự toán kinh phí

Nguồn kinh phí

STT

Các khoản chi phí

Số ngày công

Tổng kinh phí

Kinh phí từ NSNN

Các nguồn khác

1 Chi tiền công lao động trực tiếp

24

6.240.000

6.240.000

2 Chi mua vật tư, nguyên vật liệu

3

4

5

6

7

935.000

935.000

Chi sửa chữa, mua sắm tài sản cố định Chị hội thảo khoa học, công tác phí Chi trả dịch vụ thuê ngoài phục vụ nghiên cứu Chi điều tra, khảo sát thu thập số liệu Văn phòng phẩm, thông tin liên lạc, in ấn

1.280.000

1.280.000

445.000 8.900.000

445.000 8.900.000

8 Chi nghiệm thu đề tài 9 Quản lý chung nhiệm vụ KHCN 10 Chi khác liên quan Tổng cộng

BẢNG CHI TIẾT SỐ CÔNG THỰC HIỆN ĐỀ TÀI CỦA CÁC THÀNH VIÊN

STT

Họ và tên

Chức danh

Hệ số

Ngày công

Thành tiền

1

Hà Thị Minh Phương

Chủ nhiệm

0,2

24

6.240.000

Tổng cộng

6.240.000

STT

Nội dung, công việc

Kết quả, sản phẩm

Thời gian thực hiện

Cá nhân thực hiện – Số ngày thực hiện Hà Thị Minh Phương - 5

04/2018 – 05/2018

1 Nghiên cứu tổng quan độ đo mã nguồn hướng cấu trúc và độ đo mã nguồn hướng đối tượng

2

06/2018- 07/2018

Báo cáo

Hà Thị Minh Phương – 3

6

Báo cáo Nghiên cứu và phân tích các giá trị của các độ đo trên trong

STT

Nội dung, công việc

Kết quả, sản phẩm

Thời gian thực hiện

Cá nhân thực hiện – Số ngày thực hiện

dự đoán lỗi phần mềm

08/2018- 09/2018

Hà Thị Minh Phương – 8

Báo cáo

3 Xây dựng công cụ dự đoán lỗi phần mềm dựa trên độ đo mã nguồn hướng đối tượng

4

10/2018- 11/2018

Phần mềm

Hà Thị Minh Phương - 6

Báo cáo

5

11/2018- 12/2018

Phần mềm Ứng dụng nguồn dữ liệu thử nghiệm cho bài toán dự đoán lỗi phần mềm

Hà Thị Minh Phương -2

Viết báo cáo tổng kết đề tài Báo cáo

Đà Nẵng, ngày 2 tháng 4 năm 2018

Cơ quan Chủ trì

Chủ nhiệm đề tài

HIỆU TRƯỞNG

7