ntvНаучно-технический вестник информационных технологий, механики и оптикиScientific and Technical Journal of Information Technologies, Mechanics and Optics2226-14942500-0373Университет ИТМО10.17586/2226-1494-2024-24-2-222-229ntv-89Research ArticleКОМПЬЮТЕРНЫЕ СИСТЕМЫ И ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИCOMPUTER SCIENCEОптимизированный метод глубокого обучения для прогнозирования дефектов программного обеспечения с использованием алгоритма оптимизации китаAn optimized deep learning method for software defect prediction using Whale Optimization Algorithmhttps://orcid.org/0009-0009-5169-7593Алию АйхонгА.Aliyu AihongA.

 Алию Айхонг Анес — студент 

 Баучи, 740272 

 Anes Aliyu Aihong — BSc 

 Bauchi, 740272 

Anesaliyu123@gmail.comhttps://orcid.org/0000-0002-2710-8973Имам ЯуБ.Imam Ya’uB.

 Имам Яу Бадамаси — PhD, старший преподаватель 

 Баучи, 740272 

 Badamasi Imam Ya’u — PhD, Senior Lecturer 

 Bauchi, 740272 

biyau@atbu.edu.nghttps://orcid.org/0000-0001-9645-3642АлиУ.AliU.

 Али Усман — PhD, преподаватель 

 Гомбе, 760101 

 Usman Ali — PhD, Lecturer 

 Gomber, 760101 

usmanali@fcetgombe.edu.nghttps://orcid.org/0000-0003-0229-739XАхмадА.AhmadA.

 Ахмад Абузайру — студент 

 Баучи, 740272 

 Abuzairu Ahmad — MSc 

 Bauchi, 740272 

Abuzairuahmad2020@gmail.comhttps://orcid.org/0000-0002-1037-2022Абдулрахман ЛавальМ.Abdulrahman LawalM.

 Абдулрахман Лаваль Мустафа — PhD, главный научный сотрудник 

 Баучи, 740272 

 Mustapha Abdulrahman Lawal — PhD, Principal Scientist

 Bauchi, 740272 

musbaida@gmail.comУниверситет Абубакара Тафавы Балева (ATBU)НигерияAbubakar Tafawa Balewa University (ATBU)NigeriaФедеральный педагогический колледж (технический)НигерияFederal College of Education (Technical)Nigeria202412122024242222229Copyright © Алию Айхонг А., Имам Яу Б., Али У., Ахмад А., Абдулрахман Лаваль М., 20242024Алию Айхонг А., Имам Яу Б., Али У., Ахмад А., Абдулрахман Лаваль М.Aliyu Aihong A., Imam Ya’u B., Ali U., Ahmad A., Abdulrahman Lawal M.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://ntv.elpub.ru/jour/article/view/89

Целью исследования является прогнозирование ошибки программного обеспечения с использованием долговременной кратковременной памяти (Long Short-Term Memory, LSTM). Предлагаемая система представляет собой LSTM, обучаемую с использованием алгоритма оптимизации китов (Whale Optimization Algorithm). Система обеспечивает экономию времени обучения. Одновременно повышается эффективность модели глубокого обучения (DL) и скорость обнаружения. Для разработки расширенной модели LSTM применен программный пакет MATLAB 2022a. Использованы 19 баз данных дефектов программного обеспечения с открытым исходным кодом. Ошибочные наборы данных получены из коллекции tera-PROMISE. Для оценки эффективности модели по сравнению с другими традиционными подходами объем исследования ограничен пятью наборами эталонных данных с наиболее высоким рейтингом (DO1, DO2, DO3, DO4 и DO5). Результаты экспериментов показали, что качество данных обучения и тестирования оказывает существенное влияние на точность прогнозирования ошибок. При анализе на наборах данных от DO1 до DO5 видно, что точность прогнозирования существенно зависит от результатов обучения и тестирования. Три алгоритма DL, протестированные на наборе данных DO2, показали самую высокую точность (0,942) в сравнении с двумя классическими алгоритмами с использованием сверточной нейронной сети Li’s и Nevendra’s (0,922).

The goal of this study is to predict a software error using Long Short-Term Memory (LSTM). The suggested system is an LSTM taught using the Whale Optimization Algorithm to save training time while improving deep learning model efficacy and detection rate. MATLAB 2022a was used to develop the enhanced LSTM model. The study relied on 19 open-source software defect databases. These faulty datasets were obtained from the tera-PROMISE data collection. However, in order to evaluate the model performance to other traditional approaches, the scope of this study is limited to five (5) of the most highly ranked benchmark datasets (DO1, DO2, DO3, DO4, and DO5). The experimental results reveal that the quality of the training and testing data has a significant impact on fault prediction accuracy. As a result, when we look at the DO1 to DO5 datasets, we can see that prediction accuracy is significantly dependent on training and testing data. Furthermore, for DO2 datasets, the three deep learning algorithms tested in this study had the highest accuracy. The proposed method, however, outperformed Li’s and Nevendra’s two classical Convolutional Neural Network algorithms which attained accuracy of 0.922 and 0.942 on the DO2 software defect data, respectively. 

глубокое обучениеSDPпрогнозирование дефектов программного обеспеченияWOAалгоритмы оптимизации китовLSTMдолговременная памятьмашинное обучениеалгоритм оптимизацииdeep learningsoftware defect predictionwhale optimization algorithmslong short-term memorymachine learningoptimization algorithmИсследование финансируется Университетом Абубакара Тафавы Балева (ATBU) в Баучи, Нигери я.This study is funded by the Abubakar Tafawa Balewa University (ATBU) in Bauchi, Nigeria.ReferencesWunsch A., Liesch T., Broda S. Groundwater level forecasting with artificial neural networks: a comparison of long short-term memory (LSTM), convolutional neural networks (CNNs), and non-linear autoregressive networks with exogenous input (NARX). Hydrology and Earth System Sciences, 2021, vol. 25, no. 3, pp. 1671–1687. https://doi.org/10.5194/hess-25-1671-2021Wunsch A., Liesch T., Broda S. Groundwater level forecasting with artificial neural networks: a comparison of long short-term memory (LSTM), convolutional neural networks (CNNs), and non-linear autoregressive networks with exogenous input (NARX) // Hydrology and Earth System Sciences. 2021. V. 25. N 3. P. 1671–1687. https://doi.org/10.5194/hess-25-1671-2021Conneau A., Schwenk H., Barrault L., Lecun Y. Very deep convolutional networks for text classification. Proc. of the 15th Conference of the European Chapter of the Association for Computational Linguistics: Vol. 1, Long Papers, 2017, pp. 1107– 1116. https://doi.org/10.18653/v1/e17-1104Conneau A., Schwenk H., Barrault L., Lecun Y. Very deep convolutional networks for text classification // Proc. of the 15th Conference of the European Chapter of the Association for Computational Linguistics: Vol. 1, Long Papers, 2017. P. 1107–1116. https://doi.org/10.18653/v1/e17-1104Aljarah I., Faris H., Mirjalili S. Optimizing connection weights in neural networks using the whale optimization algorithm. Soft Computing, 2018, vol. 22, no. 1, pp. 1–15. https://doi.org/10.1007/s00500-016-2442-1Aljarah I., Faris H., Mirjalili S. Optimizing connection weights in neural networks using the whale optimization algorithm // Soft Computing. 2018. V. 22. N 1. P. 1–15. https://doi.org/10.1007/s00500-016-2442-1Lipton Z.C., Berkowitz J., Elkan Ch. A critical review of recurrent neural networks for sequence learning. arXiv, 2015, arXiv:1506.00019. https://doi.org/10.48550/arXiv.1506.00019Lipton Z.C., Berkowitz J., Elkan Ch. A critical review of recurrent neural networks for sequence learning // arXiv. 2015. arXiv:1506.00019. https://doi.org/10.48550/arXiv.1506.00019Xu Z., Li S., Xu J., Liu J., Luo X., Zhang Y., Zhang T., Keung J., Tang Y. LDFR: Learning deep feature representation for software defect prediction. Journal of Systems and Software, 2019, vol. 158, pp. 110402. https://doi.org/10.1016/j.jss.2019.110402Xu Z., Li S., Xu J., Liu J., Luo X., Zhang Y., Zhang T., Keung J., Tang Y. LDFR: Learning deep feature representation for software defect prediction // Journal of Systems and Software. 2019. V. 158. P. 110402. https://doi.org/10.1016/j.jss.2019.110402Li Z., Jing X.Y., Zhu X. Progress on approaches to software defect prediction. IET Software, 2018, vol. 12, no. 3, pp. 161–175. https:// doi.org/10.1049/iet-sen.2017.0148Li Z., Jing X.Y., Zhu X. Progress on approaches to software defect prediction // IET Software. 2018. V. 12. N 3. P. 161–175. https://doi.org/10.1049/iet-sen.2017.0148Dos Santos G.E., Figueiredo E. Failure of one, fall of many: An exploratory study of software features for defect prediction. Proc. of the IEEE 20th International Working Conference on Source Code Analysis and Manipulation (SCAM), 2020, pp. 98–109. https://doi.org/10.1109/SCAM51674.2020.00016Dos Santos G.E., Figueiredo E. Failure of one, fall of many: An exploratory study of software features for defect prediction // Proc. of the IEEE 20th International Working Conference on Source Code Analysis and Manipulation (SCAM). 2020. P. 98–109. https://doi.org/10.1109/SCAM51674.2020.00016Zain Z.M., Sakri S., Ismail N.H.A., Parizi R.M. Software defect prediction harnessing on multi 1-dimensional convolutional neural network structure. Computers, Materials and Continua, 2022, vol. 71, no. 1, pp. 1521. https://doi.org/10.32604/cmc.2022.022085Zain Z.M., Sakri S., Ismail N.H.A., Parizi R.M. Software defect prediction harnessing on multi 1-dimensional convolutional neural network structure // Computers, Materials and Continua. 2022. V. 71. N 1 . P. 1521. https://doi.org/10.32604/cmc.2022.022085Chen L., Fang B., Shang Z., Tang Y. Tackling class overlap and imbalance problems in software defect prediction. Software Quality Journal, 2018, vol. 26, no. 1, pp. 97–125. https://doi.org/10.1007/s11219-016-9342-6Chen L., Fang B., Shang Z., Tang Y. Tackling class overlap and imbalance problems in software defect prediction // Software Quality Journal. 2018. V. 26. N 1. P. 97–125. https://doi.org/10.1007/s11219-016-9342-6Nevendra M., Singh P. Software defect prediction using deep learning. Acta Polytechnica Hungarica, 2021, vol. 18, no. 10, pp. 173–189. https://doi.org/10.12700/aph.18.10.2021.10.9Nevendra M., Singh P. Software defect prediction using deep learning // Acta Polytechnica Hungarica. 2021. V. 18. N 10. P. 173–189. https://doi.org/10.12700/aph.18.10.2021.10.9Ahmad A., Musa K.I., Zambuk F.U., Lawal M.A. Optimizing connection weights in a Long Short-Term Memory (LSTM) using Whale Optimization Algorithm (WOA): A review. Journal of Science, Technology and Education, 2022, vol. 10, no. 3, pp. 362–373.Ahmad A., Musa K.I., Zambuk F.U., Lawal M.A. Optimizing connection weights in a Long Short-Term Memory (LSTM) using Whale Optimization Algorithm (WOA): A review // Journal of Science, Technology and Education. 2022. V. 10. N 3. P. 362–373.Hochreiter S., Schmidhuber J. Long short-term memory. Neural computation, 1997, vol. 9, no. 8, pp. 1735–1780. https://doi.org/10.1162/neco.1997.9.8.1735Hochreiter S., Schmidhuber J. Long short-term memory // Neural computation. 1997. V. 9. N 8. P. 1735–1780. https://doi.org/10.1162/neco.1997.9.8.1735

The authors declare that there are no conflicts of interest present.