تصنيف مخاطر البرمجيات باستخدام التعلم الآلي

الباحث

رباب طارق محمود الطائي

المشرف

إبراهيم أحمد صالح الحديدي

الجامعة

جامعة الموصل

الكلية / القسم

كلية علوم الحاسوب والرياضيات / البرمجيات

الشهادة

ماجستير

السنة

2023

لغة الرسالة

عربي

الكلمات المفتاحية

مخاطر البرمجيات ; التعلم الآلي ; التصنيف ; إدارة المشاريع البرمجية

تعد مخاطر البرمجيات من أهم التحديات التي يواجهها قطاع تكنولوجيا المعلومات وتطوير البرمجيات. فهذه المخاطر قد تؤدي إلى تعطل النظام او تسريب البيانات الحساسةاو فقدان المعلومات، أو حتى angi أمن المستخدمين. لذاء فإن فهم وتحليل وتصنيف هذه المخاطر يؤدي دورًا حاسمًا في ضمان جودة البرمجيات وحماية الأنظمة من التهديدات. تهدف هذه الرسالة إلى تصنيف مخاطر البرمجيات باستخدام خوارزميات التعلم الآلي a. استخدام مجموعة بيانات (Software Requirement Risk Prediction Dataset) والتي تحتوي 299 Libis برمجيا يضم كل متطلب سمات متطلبات البرمجيات المتعلقة بالمطالب والمخاطر وفئات المشروع، فضلاً عن القيم الرقمية للاحتمالية وحجم المخاطر وتأثيرها على عدد الوحدات ومدة التثبيت وتكلفة الإصلاح والأولوية ومستوى المخاطر التي تحيط بها حيث تمت اجراء معالجة أولية للبيانات إذ تم تطبيع البيانات باستخدام خوارزمية ،(min-max normalization) ومن ثم إختيار السمات باستخدام معامل الارتباط (Correlation) لتكون sale لتطبيقها على خوارزميات التعلم الالي المتمثلة بخوارزمية شجرة (Decision Tree) )) al والغابة العشوائية (Random Forest) و تعزيز التدرج (Gradiant Boosting) والجار الأقرد ب (K- Nearst Nighbour) والانحدار اللوجستي (Logistic Regression) و الخوارزميات المحسنة (Gradiant Boosting +Decision Tree + Logistic Regression) و (Gradiant -Boosting +Decision Tree + K- Nearst Nighbour) تم استخدام عدة خوارزميات في هذا البحث بما في ذلك شجرة (Decision Tree) ))pall ، والغابة العشوائية (Random Forest) ، وتعزيز (Gradient Boosting) gail ، والجار الأقرب (K-Nearest ،Neighbor) والانحدار اللوجستي (Logistic Regression) ، بالإضافة إلى خوارزميات محسنة تجمع بين هذه الخوارزميات. نتائج الاختبار أظهرت أن شجرة القرار والغابة العشوائية وتعزيز التدرج يحققون lel أداء في تصنيف مخاطر البرمجيات بنسبة نجاح تقدر ب 7698، تليها الجار الأقرب بنسبة clas تبلغ 682 والانحدار اللوجستي بنسبة نجاح ATA

The risks associated with software development are among the most critical challenges faced by the information technology and software development sector. These risks can lead to system failures, data breaches, information loss, and even threaten user security. Therefore, understanding, analyzing, and predicting these risks play a crucial role in ensuring software quality and protecting systems from threats. This message aims to classify software risks using machine learning algorithms. A dataset called the "Software Requirement Risk Prediction Dataset" was utilized, consisting of 299 software projects. Each project included features related to software requirements, risks, project categories, as well as numerical values representing probability, risk magnitude, impact on the number of units, installation duration, repair cost, priority, and the level of associated risks. The data underwent initial preprocessing, including normalization using min-max normalization, and feature selection using correlation coefficient to prepare it for application with machine learning algorithms. Several machine learning algorithms were employed in this research, including Decision Tree, Random Forest, Gradient Boosting, K- Nearest Neighbor, Logistic Regression, and optimized combinations of these algorithms (GB+DT+LR and GB+DT+KNN). The results of the experiments demonstrated that Decision Tree, Random Forest, and Gradient Boosting achieved the highest performance in predicting software risks with an accuracy rate of approximately 98%. They were followed by K-Nearest Neighbor with an accuracy rate of 82%, and Logistic Regression with an accuracy rate of 74%.

طلب نسخة من الملف

الملفات غير منشورة على الموقع. اترك بياناتك وسيتواصل معك موظفو قسم الشؤون الثقافية والفنون لإرسال النسخة مجاناً.

الاسم

رقم الهاتف

البريد الإلكتروني

الغرض من الطلب (اختياري)

إرسال الطلب