Une Approche de Détection des Défauts de Développement dans les Programmes Orientés Objets

Résumé

Les défauts de développement dans les programmes orientés objets compliquent considérablement la maintenance des logiciels et dégradent la qualité des applications conçues. Ils peuvent être observés à travers la structure, la sémantique et le comportement du code source, mais peuvent également être mis en évidence grâce à l’historique du processus de développement. Leur détection s’impose donc comme une nécessité. Cependant, la majorité des approches existantes se concentrent essentiellement sur la détection des défauts structurels, en négligeant les autres formes. Même les rares travaux qui tentent une détection élargie ne parviennent pas à couvrir simultanément les défauts structurels et comportementaux. Dans cette optique, notre objectif a été de concevoir une approche capable d’identifier conjointement ces deux catégories de défauts. Dans un premier temps, nous avons proposé une solution fondée sur un bagging de réseaux de neurones denses, dénommée Random Maxnet, afin d’améliorer la détection des défauts structurels de type Blob et Long Method. Les résultats montrent que Random Maxnet surpasse Random Forest sur des données équilibrées, mais que cet avantage tend à s’atténuer en présence d’un déséquilibre. Dans une seconde approche, nous avons mis en lumière les limites des méthodes d’isolation classiques lorsqu’elles sont appliquées à des ensembles de données contenant des observations isomorphes. Pour y remédier, nous avons combiné l’Isolation Forest avec une validation manuelle d’experts, ce qui a permis d’identifier 34 Poltergeists dans le projet Apache-Ant 1.6.2, soit 9 de plus que ceux répertoriés jusqu’alors. Ces résultats, obtenus avec l’appui de l’expertise humaine, ont ensuite été validés automatiquement à l’aide d’un β-autoencodeur variationnel. Enfin, nous avons synthétisé les deux approches précédentes dans un modèle intégré. Celui-ci repose sur une nouvelle méthode d’isolation, IsolationPlus, qui réduit significativement les faux positifs par rapport aux méthodes d’isolation existantes, et sur une agrégation des techniques de bagging, boosting et stacking, appelée DetectDev, qui a démontré de meilleures performances que chacune de ces techniques prises isolément.

Citer ce document

Accès au document

Ce document est hébergé sur son dépôt institutionnel d'origine.

Auteur(s)

Statistiques

Consultations : 2

Téléchargements : 0