“yazılım kalitesi” için sonuçlar
5 sonuç bulundu. Sonuçları kategoriye göre daraltabilirsin.
Yazılım Testlerindeki Kararsızlık OpenStack Projelerinin Yarısını Etkiliyor
Kyushu Üniversitesi araştırmacılarının IEEE Transactions on Software Engineering dergisinde yayımlanan çalışması, yazılım geliştirmede ciddi bir soruna ışık tutuyor. 'Flaky test' olarak adlandırılan kararsız testler, aynı kod üzerinde bazen başarılı bazen başarısız sonuçlar vererek geliştiricileri yanıltıyor. Araştırma, bu sorunun OpenStack projelerinin %55'ini etkilediğini ve toplamda 1.156 geliştirici gününe mal olduğunu ortaya koyuyor. Daha da önemlisi, bu kararsız testlerin başladığı projede kalmayıp tüm yazılım ekosistemine yayıldığı tespit edildi. Bu durum, yazılım kalitesini olumsuz etkilemekle kalmayıp, geliştirici verimliğini de ciddi şekilde azaltıyor.
Yapay zeka ile yazılım testlerini otomatik iyileştiren yöntem geliştirildi
Araştırmacılar, yazılım geliştirmede kritik öneme sahip test süreçlerini otomatikleştiren yeni bir yöntem geliştirdi. Bu yöntem, mevcut entegrasyon testlerinden yararlanarak otomatik olarak birim testleri oluşturuyor. Geleneksel test piramidi yapısına uymayan projelerde özellikle etkili olan sistem, statik ve dinamik analiz tekniklerini birleştiriyor. Yazılım projelerinde genellikle entegrasyon ve sistem testleri çoğunlukta olduğunda, testler daha yavaş çalışır ve hataların kaynağını bulmak zorlaşır. Yeni yöntem bu sorunu çözerek, bileşenleri izolasyon halinde test eden birim testler üretiyor. Node.js platformunda yapılan deneyler, yöntemin başarılı sonuçlar verdiğini gösteriyor. Bu gelişme, yazılım kalitesini artırırken geliştirme süreçlerini hızlandırabilir.
Grafik Sinir Ağları ile Yazılım Kodlarındaki Kötü Kokular Temizleniyor
Yazılım geliştirmede 'code smell' denilen ve kodun kalitesini düşüren tasarım kusurları, geliştiricilerin başını ağrıtan önemli bir problem. Araştırmacılar, bu sorunu çözmek için grafik tabanlı derin öğrenme yaklaşımı geliştirdi. Geleneksel metrik ve kural tabanlı yöntemlerin manuel tanımlamalara bağımlılığı, mevcut derin öğrenme yaklaşımlarının ise veri seti kısıtları gibi sınırlamaları bulunuyor. Yeni yaklaşım, kodları sınıf ve metot seviyelerinde grafik yapılarına dönüştürüyor ve hem grafik sınıflandırma hem de düğüm sınıflandırma görevlerini kullanarak code smell'leri tespit ediyor. Bu yenilikçi yöntem, yazılımın sürdürülebilirliğini ve gelişimini olumsuz etkileyen gizli tasarım hatalarını daha etkili şekilde bulup düzeltme imkânı sunuyor.
Yazılım Kalitesi İçin Yeni Veri Seti: Yarı Otomatik Kod Kokusu Tespiti
Yazılım geliştirmede 'kod kokusu' olarak adlandırılan tasarım hatalarının tespiti, yazılımın bakımını ve geliştirilmesini zorlaştıran önemli bir sorundur. Makine öğrenmesi teknikleriyle bu sorunun çözülmesi için kaliteli veri setlerine ihtiyaç duyulmaktadır. Araştırmacılar, manuel etiketlemenin zaman alıcı olması ve otomatik yöntemlerin güvenilirlik sorunları nedeniyle yarı otomatik bir yaklaşım geliştirdiler. SACS adlı yeni veri seti, yazılım mühendisliğinde kod kalitesinin değerlendirilmesi ve iyileştirilmesi için önemli bir kaynak sunuyor.
Yapay zeka ile yazılım testlerini otomatikleştiren yeni sistem geliştirildi
Yazılım geliştirmede en zorlu aşamalardan biri olan test sürecini devrim niteliğinde değiştiren yeni bir sistem geliştirildi. MR-Coupler adlı bu sistem, büyük dil modellerini kullanarak yazılım kodlarındaki fonksiyonel bağlantıları analiz ediyor ve otomatik olarak test senaryoları üretiyor. Geleneksel yaklaşımların aksine, sistem uzman bilgisi gerektirmeden kaynak kodda mevcut olan fonksiyonel eşleşmeleri tespit ederek metamorfik test ilişkileri kurabiliyor. 100 insan yazımı test durumu ve 50 gerçek dünya projesi üzerinde yapılan değerlendirmeler, sistemin yanlış alarm oranını önemli ölçüde azalttığını gösteriyor. Bu gelişme, yazılım kalitesini artırırken test süreçlerini hızlandıracak ve yazılım geliştirme maliyetlerini düşürecek potansiyele sahip.