محسن امیریان – ۱۳۹۸/۰۴/۰۴ |خبرخوان انجمن های علمی ایران

تاریخ خبر: // کد خبر: 16448 // //

محسن امیریان – ۱۳۹۸/۰۴/۰۴

ارائه­ دهنده: محسن امیریان   استاد راهنما:  دکتر رضا برنگی استاد مشاور: دکتر مجتبی وحیدی اصل   استاد ممتحن خارجی :  دکتر حمیدرضا شهریاری استاد ممتحن داخلی: دکتر محمد عبداللهی ازگمی   زمان :  سه شنبه  ۰۴  تیر ماه ۱۳۹۸ ساعت ۱۶:۳۰   مکان: دانشکده مهندسی کامپیوتر- طبقه سوم- اتاق ۳۰۴ آقای محسن امیریان [...]
محسن امیریان  – ۱۳۹۸/۰۴/۰۴

ارائه­ دهنده:

محسن امیریان

  استاد راهنما:

 دکتر رضا برنگی

استاد مشاور: دکتر مجتبی وحیدی اصل
  استاد ممتحن خارجی :  دکتر حمیدرضا شهریاری
استاد ممتحن داخلی: دکتر محمد عبداللهی ازگمی

  زمان :  سه شنبه  ۰۴  تیر ماه ۱۳۹۸

ساعت ۱۶:۳۰
 
مکان: دانشکده مهندسی کامپیوتر- طبقه سوم- اتاق ۳۰۴

آقای محسن امیریان دانشجوی کارشناسی ارشد آقای دکتر سعید پارسا سه شنبه ۰۴ تیر ماه ساعت   ۱۶:۳۰ در اتاق ۳۰۴ واقع در طبقه سوم دانشکده کامپیوتر از پروژه کارشناسی ارشد خود تحت عنوان ترمیم خودکار برنامه به روش یادگیری شباهت‌های کد دفاع خواهند نمود.

چکیده پایان نامه:

یکی از پرهزینه‌ترین فرآیندهای توسعه‌ی یک نرم‌افزار، اشکال‌زدایی خطا‌های برنامه است. مطالعات اخیر نشان می‌دهد فعالیت‌های مربوط به اشکال‌زدایی کد برنامه، به طور میانگین، ۵۰ درصد از هزینه‌ی توسعه‌ی محصول نرم‌افزاری را در بر می‌گیرد. دسته‌ای از پژوهش‌ها با عنوان «ترمیم خودکار برنامه» سعی دارند روش‌هایی ارائه نمایند که بتوان با استفاده از آن‌ها وصله‌هایی برای کد یک برنامه‌ی خطا دار به صورت خودکار تولید نمود. در ادامه می‌بایست برنامه تعمیر شده را اعتبارسنجی کرد؛ به این معنی که برنامه باید به‌گونه‌ای تعمیر شده باشد که هیچگونه اثر جانبی بر روی سایر نقاط برنامه نداشته باشد.
بسیاری از روش‌های موجود در حوزه تعمیر خودکار برنامه از فرض افزونگی استفاده می‌کنند. این فرض ادعا می‌کند که برنامه‌های بزرگ حاوی قطعه کد مورد نیاز برای تعمیر خود هستند. با این حال، بسیاری از روش‌های تعمیر خودکار برنامه مبتنی بر افزونگی، قطعه کد مدنظر جهت استفاده در محل خطا را به صورت تصادفی انتخاب می‌کنند. این امر موجب تولید وصله‌های نادرست بسیار زیادی خواهد شد. بعدها روش‌هایی مطرح شدند که سعی داشته اند با به کار گیری فنون مختلف، الگوهایی از خطاهای رایج را استخراج نموده و از آن‌ها در ترمیم برنامه‌های خطادار استفاده کنند.
در این پژوهش با استفاده از روش‌های یادگیری ژرف، مدلی ارائه خواهیم کرد که توالی کلمات و دستورات استفاده شده در برنامه‌های صحیح را آموزش دیده و به کمک آن، در محل خطای یک برنامه‌ی خطادار جملات صحیح تولید نماید. روش پیشنهادی بر روی مجموعه داده‌ی Defect4j آزمایش شده است. نتایج به دست آمده نشان دهنده‌ی این است که روش پیشنهادی این پژوهش در تولید وصله‌های صحیح از نظر کامپایل شدن، وصله‌های به مراتب با کیفیت تری نسبت به روش پایه ارائه می‌کند. در خصوص تولید وصله‌هایی که توانایی گذراندن مجموعه آزمون مربوط به برنامه‌ی خطادار را دارند، روش پیشنهادی در مواردی که برنامه‌ی خطادار از لحاظ حوزه‌ی کاربردی (به عنوان مثال برنامه‌های محاسباتی و یا برنامه‌های سیستمی) با مجموعه داده‌ای که جهت آموزش مدل شبکه‌ی عصبی استفاده شده است، یکسان باشد، بهبود چشم گیری را نشان می‌دهد. این موضوع به آن معنا است که در صورت جمع‌آوری و استفاده از مجموعه داده‌های با کیفیت در روش پیشنهادی برای آموزش شبکه‌ی عصبی، می‌توان به نتایج به مراتب بهتری نیز دست یافت.
 


  از اساتید بزرگوار، دانشجویان گرامی و دیگر متخصصان و علاقه مندان به موضوع دفاعیه دعوت
می شود با حضور خود موجبات غنای علمی و ارتقای کیفی را فراهم سازند.

  دانشکده مهندسی کامپیوتر مدیریت تحصیلات تکمیلی

برچسب های خبر: ,,

آخرین اخبار انجمن های علمی

اخبار ویژه

آرشیو

پربازدید

بایگانی شمسی

آمار بازدید وبسایت

  • 0
  • 236
  • 32
  • 510
  • 78
  • 2,851
  • 14,567
  • 151,657
  • 228,358
  • 65,234
  • 12,973
  • 10,626
  • 1
  • تیر ۳۰, ۱۳۹۸