정보과학회 컴퓨팅의 실제 논문지 (KIISE Transactions on Computing Practices)
Current Result Document : 281 / 281
| 한글제목(Korean Title) |
X-MOCNN : 일관성 높은 소프트웨어 결함 분석을 위한 다중 출력 합성곱 신경망 |
| 영문제목(English Title) |
X-MOCNN : A Multi-Output Convolutional Neural Network for Consistent Software Defect Analysis |
| 저자(Author) |
이다인
오병두
최형
김유섭
Da-In Lee
Byoung-Doo Oh
Hyung Choi
Yu-Seop Kim
이재욱
최지원
류덕산
김순태
Jaewook Lee
Jiwon Choi
Duksan Ryu
Suntae Kim
|
| 원문수록처(Citation) |
VOL 28 NO. 02 PP. 0096 ~ 0102 (2022. 02) |
한글내용
(Korean Abstract) |
소프트웨어 결함 분석은 소프트웨어의 품질을 보증하는 데에 중요한 연구 분야 중 하나이다. 결함 분석은 예측하고자 하는 출력에 따라 결함 예측, 결함 회귀, 결함 심각도 예측 등으로 분류된다. 각 출력에서 뛰어난 예측성능을 보이기 위해 많은 연구가 제안되었다. 하지만, 실제 사용자가 여러 모델로 여러 출력 정보를 얻고자 하는 경우, 모델들의 출력 간 일관성이 낮은 문제가 존재한다. 본 논문에서는 결함･비결함, 버그의 수, 버그의 심각도 3가지 출력을 동시에 하나의 모델로 예측해 출력 간 일관성을 높이고자 한다. 이를 위해 XGBoost와 다중 출력 1차원 합성곱 신경망을 결합한 모델인 X-MOCNN(XGBoost with Multi-Output 1-d Convolutional Neural Network)을 제안한다. 이 모델의 효용성을 검증하기 위해 단일 출력 신경망 모델, 머신 러닝 모델과 성능을 비교하였다. 그 결과 X-MOCNN은 기존의 단일 출력 신경망 모델 대비 높은 성능을 보였으며 각 예측 결과 간 일관성 정도도 뛰어났다. 이를 통해 소프트웨어 프로젝트에서 하나의 모델로 여러 출력을 예측해 품질보증 자원을 효과적으로 할당할 수 있다. |
영문내용
(English Abstract) |
Software defect analysis is one of the most important research fields in software engineering to ensure software quality. According to the predicted output, defect analysis is classified into defect prediction, defect regression, and defect-severity prediction. Many studies have been proposed to outperform at each output. However, when an actual user wants to obtain multiple output information with multiple models, there is a problem of low consistency between the outputs of the models. In this work, we simultaneously predict the following three outputs with one model: bug identification, the number of bugs, and the severity of bugs to increase consistency between outputs. To this end, we propose an X-MOCNN, which combines XGBoost and a Multi-Output 1-d Convolutional Neural Network. We compare the performance of a single-output neural network model and a machine learning model to verify the effectiveness of our proposed model. As a result of the experiment, X-MOCNN shows higher performance and consistency between outputs than the other models. Therefore, it is expected that the method presented by us can effectively allocate quality assurance resources by predicting multiple outputs with one model in a software project. |
| 키워드(Keyword) |
PSC 박스 거더교
Impact-Echo 신호
LSTM 오토 인코더
잠재 벡터
이상 탐지
PSC box girder bridge
impact-echo signal
LSTM auto-encoder
latent vector
anomaly Detection
소프트웨어 결함 분석
다중 출력 학습
다중 출력 신경망 모델
합성곱 신경망
심층 학습
software defect analysis
multi-output learning
multi-output neural network
convolutional neural network
deep learning
|
| 파일첨부 |
PDF 다운로드
|
