قابلیت ردیابی نرم افزار پیشرفته معنایی با استفاده از تکنیک های یادگیری عمیق

Semantically Enhanced Software Traceability Using Deep Learning Techniques

مجله آی تریپل ای – IEEE

سال ۲۰۱۷

چکیده

در اغلب حوزه های بحرانی ایمنی لزوم قابلیت ردیابی توسط نهادهای گواهی دهنده تجویز می شوند. به طور کلی پیوندهای ردیابی در میان الزامات، طراحی، کد منبع، موارد آزمون و سایر محصولات مختلف ایجاد می گردد؛ با این حال، ایجاد چنین پیوندهایی به صورت دستی وقت گیر و مستعد خطا می باشد. راه حل های خودکار از بازیابی اطلاعات و تکنیک های یادگیری ماشین برای ایجاد پیوندهای ردیابی بهره می برند؛ با این حال، تکنیک های فعلی قادر به درک معنایی محصولات نرم افزاری و یا تلفیق دانش دامنه کاربرد در فرآیند ردیابی نبوذه و در نتیجه به ارائه نتایجی فاقد دقت و صحت می پردازند.

در این مقاله، ما با استفاده از یادگیری عمیق برای تلفیق الزامات معنایی محصولات و دانش دامنه کاربرد در راه حل ردیابی به ارائه یک راه حل پرداختیم. ما یک معماری شبکه ردیابی را پیشنهاد نمودیم که از مدل های تعبی ه یا جاسازی واژه و شبکه عصبی بازگشتی ((RNN) برای ایجاد پیوندهای ردیابی استفاده می کند. جاسازی واژه از بردارهای واژه می آموزد که نماینده و معرف پیکره دانش دامنه کاربرد باشد و شبکه عصبی بازگشتی (RNN) نیز از این بردارهای واژه برای یادگیری معناشتاسی جمله محصولات مورد نیاز استفاده می نماید.

ما ۳۶۰ پیکربندی مختلف شبکه ردیابی را با استفاده از پیوندهای ردیابی موجود در دامنه کنترل ایمن قطار مرتب نموده و واحد بازگشتی دریچه ای دو طرفه (BI-GRU) را به عنوان بهترین مدل برای امر ردیابی شناسایی نمودیم. عملکرد واحد بازگشتی دریچه ای دو طرفه (BI-GRU) به صورت معناداری بهتر از روش های به روز ردیابی از جمله: مدل فضای برداری و نمایه سازی معنایی نهفته می باشد.

Abstract

In most safety-critical domains the need for traceability is prescribed by certifying bodies. Trace links are generally created among requirements, design, source code, test cases and other artifacts; however, creating such links manually is time consuming and error prone. Automated solutions use information retrieval and machine learning techniques to generate trace links; however, current techniques fail to understand semantics of the software artifacts or to integrate domain knowledge into the tracing process and therefore tend to deliver imprecise and inaccurate results. In this paper, we present a solution that uses deep learning to incorporate requirements artifact semantics and domain knowledge into the tracing solution. We propose a tracing network architecture that utilizes Word Embedding and Recurrent Neural Network (RNN) models to generate trace links. Word embedding learns word vectors that represent knowledge of the domain corpus and RNN uses these word vectors to learn the sentence semantics of requirements artifacts. We trained 360 different configurations of the tracing network using existing trace links in the Positive Train Control domain and identified the Bidirectional Gated Recurrent Unit (BI-GRU) as the best model for the tracing task. BI-GRU significantly out-performed stateof-the-art tracing methods including the Vector Space Model and Latent Semantic Indexing.

دانلود رایگان مقاله انگلیسی

خرید ترجمه آماده ورد