prikaz prve stranice dokumenta Predviđanje pogrešaka izvornoga kôda zasnovano na otkrivanju anomalija korištenjem semantičkih značajki izlučenih primjenom autoenkodera na leksičke reprezentacije izvornoga kôda
  Preuzmi
PDF 3.35 MB
disertacija
Predviđanje pogrešaka izvornoga kôda zasnovano na otkrivanju anomalija korištenjem semantičkih značajki izlučenih primjenom autoenkodera na leksičke reprezentacije izvornoga kôda
Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2023. urn:nbn:hr:168:169334
Afrić, Petar
Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva
Zavod za elektroniku, mikroelektroniku, računalne i inteligentne sustave

Institucijski repozitorij: Repozitorij FER-a

Citirajte ovaj rad

Afrić, P. (2023). Predviđanje pogrešaka izvornoga kôda zasnovano na otkrivanju anomalija korištenjem semantičkih značajki izlučenih primjenom autoenkodera na leksičke reprezentacije izvornoga kôda (Disertacija). Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:168:169334

Afrić, Petar. "Predviđanje pogrešaka izvornoga kôda zasnovano na otkrivanju anomalija korištenjem semantičkih značajki izlučenih primjenom autoenkodera na leksičke reprezentacije izvornoga kôda." Disertacija, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2023. https://urn.nsk.hr/urn:nbn:hr:168:169334

Afrić, Petar. "Predviđanje pogrešaka izvornoga kôda zasnovano na otkrivanju anomalija korištenjem semantičkih značajki izlučenih primjenom autoenkodera na leksičke reprezentacije izvornoga kôda." Disertacija, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2023. https://urn.nsk.hr/urn:nbn:hr:168:169334

Afrić, P. (2023). 'Predviđanje pogrešaka izvornoga kôda zasnovano na otkrivanju anomalija korištenjem semantičkih značajki izlučenih primjenom autoenkodera na leksičke reprezentacije izvornoga kôda', Disertacija, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, citirano: 05.05.2024., https://urn.nsk.hr/urn:nbn:hr:168:169334

Afrić P. Predviđanje pogrešaka izvornoga kôda zasnovano na otkrivanju anomalija korištenjem semantičkih značajki izlučenih primjenom autoenkodera na leksičke reprezentacije izvornoga kôda [Disertacija]. Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva; 2023 [pristupljeno 05.05.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:169334

P. Afrić, "Predviđanje pogrešaka izvornoga kôda zasnovano na otkrivanju anomalija korištenjem semantičkih značajki izlučenih primjenom autoenkodera na leksičke reprezentacije izvornoga kôda", Disertacija, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, Zagreb, 2023. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:169334

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:168:169334
Podaci o radu
NaslovPredviđanje pogrešaka izvornoga kôda zasnovano na otkrivanju anomalija korištenjem semantičkih značajki izlučenih primjenom autoenkodera na leksičke reprezentacije izvornoga kôda
Naslov (engleski)Source code defect prediction based on anomaly detection using semantic features extracted by applying autoencoders to lexical source code representations
AutorPetar Afrić
MentorMarin Šilić (mentor)
Član povjerenstvaGoran Delač (predsjednik povjerenstva)
Član povjerenstvaKlemo Vladimir (član povjerenstva)
Član povjerenstvaTomislav Rolich (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva
(Zavod za elektroniku, mikroelektroniku, računalne i inteligentne sustave)
Zagreb
Datum i država obrane2023-09-14, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Računarstvo
Univerzalna decimalna klasifikacija
(UDC)		004 - Računalna znanost i tehnologija. Računalstvo. Obrada podataka
Sažetak
Cilj predviđanja pogrešaka u izvornom programskom kôdu je otkrivanje neispravnih programskih modula kako bi se što bolje alocirali ograničeni resursi za osiguravanje kvalitete programskog kôda. Prilikom izgradnje podatkovnih skupova, za razvoj modela za predviđanje pogrešaka u izvornom programskom kôdu, podatci se uzimaju iz sustava za praćenje zadataka i sustava za kontrolu verzija izvornog programskog kôda. Kvaliteta podataka u ovim izvorima utječe na rad i evaluaciju razvijenih modela. Klasifikacija zadataka je bitna jer se kasnije koristi za određivanje ispravnosti programskih modula koji će biti korišteni za treniranje modela. Dodatno, podatkovni skupovi korišteni za predviđanje pogrešaka programske potpore su često neuravnoteženi, sadržavajući veći broj primjera programskih modula nesklonih pogreškama nego onih sklonih pogreškama. U sklopu ove disertacije istražen je utjecaj klasifikacije zadataka na kvalitetu podatkovnih skupova za predviđanje pogrešaka programske potpore i rad modela treniranih na tim skupovima. Dodatno, predložen je model koji problem tretira kao problem detekcije anomalije čime zaobilazi problem neuravnoteženosti razreda.
Sažetak (engleski)
The goal of source code defect prediction is to identify defective software modules to better allocate limited resources used for source code quality assurance. During the construction of datasets used to train source code defect prediction models, data is gathered from issue tracking systems and version control systems. The quality of this data impacts the quality and evaluation of developed source code defect prediction models. Issue classification is important as its results are used to determine the defectiveness of software modules which are then used to train source code defect prediction models. Additionally, source code defect prediction datasets often suffer from a class imbalance problem containing far more examples of non-defective program modules than defective ones. This dissertation investigates the impact of issue classification on source code defect prediction datasets and resulting models. It also proposes an anomaly-detection based model thus sidestepping the class imbalance problem.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:168:169334
Datum promocije2024
Studijski programNaziv: Računarstvo
Vrsta studija: sveučilišni
Stupanj studija: poslijediplomski znanstveni (doktorski)
Akademski / stručni naziv: Doktor znanosti (dr. sc.)
Vrsta resursaTekst
Opsegii, 134 str. : graf. prikaz, ilustr. u boji 30 cm.
Način izrade datotekeIzvorno digitalna
Prava pristupaOtvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Datum i vrijeme pohrane2024-04-08 12:22:08