Xây dựng bộ dữ liệu và dự đoán mã xấu sử dụng học máy

Abstract

Một trong những cách để ngăn chặn lỗi phần mềm là phát hiện ra mã xấu và loại bỏ nó trước khi nó gây ra các lỗi phần mềm. Xác định mã xấu có thể giúp các nhà phát triển cải thiện chương trình của họ về chất lượng, đặc biệt là trong các hoạt động bảo trì. Mã xấu được Martin Fowler và Kent Beck định nghĩa vào năm 1999. Cho đến nay có rất nhiều nghiên cứu về cách phát hiện mã xấu. Hiện nay và trong tương lai, các nhà nghiên cứu hướng đến việc sử dụng học máy để dự đoán mã xấu. Tuy nhiên, vấn đề về bộ dữ liệu về mã xấu đang là một trong những cản trở của các nghiên cứu này. Vì vậy, tác giả đã xây dựng một bộ dữ liệu về mã xấu với nhiều sự cải tiến như quy mô mẫu thử lớn, đa dạng với 13 loại mã xấu, đầy đủ các độ đo về mã nguồn. Ngoài ra, tác giả còn trình bày các 4 kịch bản thử nghiệm dự đoán mã xấu trên bộ dữ liệu mã xấu được công bố bởi Fontana năm 2017 và bộ dữ liệu mới được tác giả cung cấp. Có 6 thuật toán học máy và 4 kỹ thuật tiền xử lý dữ liệu được áp dụng. Kết quả của các kịch bản được đánh giá dựa trên các độ đo như ROC Curve, F1-score. Hầu hết các thuật toán đều mang lại kết quả khả quan. Trong đó, Random Forest, Support Vector Machine, Decision Tree cho kết quả cao nhất (85%-99%). Hơn nữa, việc áp dụng các kỹ thuật tiền xử lý dữ liệu đã nâng cao độ chính xác từ khoảng 60% lên khoảng 95%.