Розробка методу крос-проєктного навчання для прогнозування дефектів програмного забезпечення на основі нечітких алгоритмічних моделей

Автор(и)

DOI:

https://doi.org/10.15587/1729-4061.2026.362735

Ключові слова:

прогнозування дефектів програмного забезпечення, нечітка алгоритмічна модель, крос-проєктне трансферне навчання

Анотація

Об’єктом дослідження є нечіткі алгоритмічні моделі прогнозування дефектів програмного забезпечення. Проблемою традиційних моделей машинного (глибокого) навчання залишаються складність та інтерпретабельність. Крім того, крос-проєктне навчання таких моделей потребує вирішення проблеми неоднорідності вихідного та цільового розподілів даних. Запропоновано нечітку алгоритмічну модель прогнозування дефектів програмного забезпечення з інтегрованим розподілом варіантів реалізації етапів розробки. Розроблено генетично-нейронний метод налаштування нечіткої алгоритмічної моделі на крос-проєктні дані. На відміну від моделей машинного навчання, інтерпретабельність моделі прогнозування досягнуто за рахунок оцінки правильності (дефектності) етапів розробки за допомогою нечітких правил. Модель будується на основі алгоритмічних структур «робота – контроль – доробка», що є аналогом нечіткої бази знань. Налаштуванню підлягають нечіткі оцінки дефектності виконання робочих, контрольних та доробочних операторів, де ранги дефектів моделюють розподіл ресурсів. Навчальна вибірка складається на основі оцінок правильності варіантів реалізації алгоритмічних структур. Вбудова індикаторів варіантів реалізації робочих, контрольних та доробочних операторів дозволила вирішити проблему неоднорідності вихідного та цільового розподілів даних. На відміну від відомих методів навчання нейро-нечітких моделей надійності програмного забезпечення, спрощення процесу налаштування досягнуто за рахунок трансферу крос-проєктних даних. Сферою практичного застосування є прогнозування якості нового програмного продукту на основі досвіду завершених проєктів. Умовою використання є дискретна алгоритмічна модель процесу розробки

Біографії авторів

Ганна Борисівна Ракитянська, Вінницький національний технічний університет

Кандидат технічних наук

Кафедра програмного забезпечення

Богдан Вікторович Прус, Вінницький національний технічний університет

Аспірант

Кафедра програмного забезпечення

Посилання

  1. Malhotra, R., Chawla, S., Sharma, A. (2023). Software defect prediction using hybrid techniques: a systematic literature review. Soft Computing, 27 (12), 8255–8288. https://doi.org/10.1007/s00500-022-07738-w
  2. Pal, S., Sillitti, A. (2022). Cross-Project Defect Prediction: A Literature Review. IEEE Access, 10, 118697–118717. https://doi.org/10.1109/access.2022.3221184
  3. Rotshtein, O. P., Shtovba, S. D., Kozachko, O. M. (2007). Modeliuvannia ta optymizatsiya nadiynosti bahatovymirnykh alhorytmichnykh protsesiv. Vinnytsia: «UNIVERSUM», 211. Available at: http://ir.lib.vntu.edu.ua/handle/123456789/2296
  4. Rotshtein, A. P., Rakytyanska, H. B. (2012). Fuzzy Evidence in Identification, Forecasting and Diagnosis. Studies in Fuzziness and Soft Computing. Springer Berlin Heidelberg. https://doi.org/10.1007/978-3-642-25786-5
  5. Rakytyanska, H., Prus, B. (2025). Fuzzy-algorithmic analysis of software reliability. Information Technology and Computer Engineering, 22, 136–147. https://doi.org/10.31649/vitce/3.2025.136
  6. Rakytyanska, H. (2023). Knowledge Distillation in Granular Fuzzy Models by Solving Fuzzy Relation Equations. Advancements in Knowledge Distillation: Towards New Horizons of Intelligent Systems, 95–133. https://doi.org/10.1007/978-3-031-32095-8_4
  7. Singh, M., Chhabra, J. K. (2024). Machine learning based improved cross-project software defect prediction using new structural features in object oriented software. Applied Soft Computing, 165, 112082. https://doi.org/10.1016/j.asoc.2024.112082
  8. Abbas, S., Aftab, S., Adnan Khan, M., M. Ghazal, T., Al Hamadi, H., Yeob Yeun, C. (2023). Data and Ensemble Machine Learning Fusion Based Intelligent Software Defect Prediction System. Computers, Materials & Continua, 75 (3), 6083–6100. https://doi.org/10.32604/cmc.2023.037933
  9. Sharma, T., Jatain, A., Bhaskar, S., Pabreja, K. (2023). Ensemble Machine Learning Paradigms in Software Defect Prediction. Procedia Computer Science, 218, 199–209. https://doi.org/10.1016/j.procs.2023.01.002
  10. Dong, X., Wang, J., Liang, Y. (2025). A Novel Ensemble Classifier Selection Method for Software Defect Prediction. IEEE Access, 13, 25578–25597. https://doi.org/10.1109/access.2025.3537658
  11. Omer, A., Rathore, S. S., Kumar, S. (2024). ME-SFP: A Mixture-of-Experts-Based Approach for Software Fault Prediction. IEEE Transactions on Reliability, 73 (1), 710–725. https://doi.org/10.1109/tr.2023.3295012
  12. Wang, S., Huang, L., Gao, A., Ge, J., Zhang, T., Feng, H. et al. (2023). Machine/Deep Learning for Software Engineering: A Systematic Literature Review. IEEE Transactions on Software Engineering, 49 (3), 1188–1231. https://doi.org/10.1109/tse.2022.3173346
  13. Goyal, S. R. (2026). Effective software defect prediction with deep neural networks. Results in Engineering, 29, 108378. https://doi.org/10.1016/j.rineng.2025.108378
  14. Sun, T., Allix, K., Kim, K., Zhou, X., Kim, D., Lo, D. et al. (2023). DexBERT: Effective, Task-Agnostic and Fine-Grained Representation Learning of Android Bytecode. IEEE Transactions on Software Engineering, 49 (10), 4691–4706. https://doi.org/10.1109/tse.2023.3310874
  15. Villoth, J. P., Zivkovic, M., Zivkovic, T., Abdel-salam, M., Hammad, M., Jovanovic, L. et al. (2025). Two-tier deep and machine learning approach optimized by adaptive multi-population firefly algorithm for software defects prediction. Neurocomputing, 630, 129695. https://doi.org/10.1016/j.neucom.2025.129695
  16. Abdu, A., Zhai, Z., Abdo, H. A., Algabri, R. (2024). Software Defect Prediction Based on Deep Representation Learning of Source Code From Contextual Syntax and Semantic Graph. IEEE Transactions on Reliability, 73 (2), 820–834. https://doi.org/10.1109/tr.2024.3354965
  17. Bal, P. R., Kumar, S. (2025). An Approach for Cross Project Defect Prediction Using Identical Metrics Matching and Deep Neural Network. IEEE Transactions on Reliability, 74 (2), 2678–2692. https://doi.org/10.1109/tr.2024.3435709
  18. Omondiagbe, O. P., Licorish, S. A., MacDonell, S.G. (2024). Improving transfer learning for software cross-project defect prediction. Applied Intelligence, 54, 5593–5616. https://doi.org/10.1007/s10489-024-05459-1
  19. Nevendra, M., Singh, P. (2025). TRGNet: a deep transfer learning approach for software defect prediction. Expert Systems with Applications, 282, 127799. https://doi.org/10.1016/j.eswa.2025.127799
  20. Tong, H., Zhang, D., Liu, J., Xing, W., Lu, L., Lu, W., Wu, Y. (2024). MASTER: Multi-Source Transfer Weighted Ensemble Learning for Multiple Sources Cross-Project Defect Prediction. IEEE Transactions on Software Engineering, 50 (5), 1281–1305. https://doi.org/10.1109/tse.2024.3381235
  21. Elsabagh, M. A., Emam, O. E., Gafar, M. G., Medhat, T. (2023). Handling uncertainty issue in software defect prediction utilizing a hybrid of ANFIS and turbulent flow of water optimization algorithm. Neural Computing and Applications, 36 (9), 4583–4602. https://doi.org/10.1007/s00521-023-09315-0
  22. Lakshmi, P. J., Krishna, T. V. S., Kumar, N. B., Rao, D. S. N. M., Hosseinpour, A., Lenin, N. C. (2025). Improving Software Fault Prediction With a Hybrid DE-WOA Optimizer and ANFIS-Enhanced Ensemble Learning. IEEE Access, 13, 158194–158209. https://doi.org/10.1109/access.2025.3603980
  23. Azzeh, M., Elsheikh, Y., Alqasrawi, Y. (2024). Software defect density prediction using grey system theory and fuzzy logic. Soft Computing, 28 (21-22), 12897–12916. https://doi.org/10.1007/s00500-024-10324-x
  24. Azzeh, M., Abdel-Rahman, M. J. (2026). Cross-project software defects prediction using fuzzy embedding and deep learning. Information and Software Technology, 190, 107968. https://doi.org/10.1016/j.infsof.2025.107968
  25. Behera, A. K., Panda, M., Dehuri, S. (2024). A recurrent ANFIS tuned by modified differential evolution for efficient prediction of software reliability. Evolutionary Intelligence, 17 (5-6), 3469–3482. https://doi.org/10.1007/s12065-024-00940-9
  26. Chatterjee, S., Saha, D. (2024). IT2F-SEDNN: an interval type-2 fuzzy logic-based stacked ensemble deep learning approach for early phase software dependability analysis. Innovations in Systems and Software Engineering, 21 (2), 727–746. https://doi.org/10.1007/s11334-024-00563-4
  27. Rakytyanska, H. (2015). Fuzzy classification knowledge base construction based on trend rules and inverse inference. Eastern-European Journal of Enterprise Technologies, 1 (3 (73)), 25–32. https://doi.org/10.15587/1729-4061.2015.36934
  28. Rakytyanska, H. (2017). Optimization of fuzzy classification knowledge bases using improving transformations. Eastern-European Journal of Enterprise Technologies, 5 (2 (89)), 33–41. https://doi.org/10.15587/1729-4061.2017.110261
  29. Rakytyanska, H., Prus, B. (2024). Constructing Prototype-Based Granular Fuzzy Rules for Scene Classification on Mobile Devices. Vol. 1. Lecture Notes in Data Engineering, Computational Intelligence, and Decision-Making, 194–218. https://doi.org/10.1007/978-3-031-70959-3_10
Розробка методу крос-проєктного навчання для прогнозування дефектів програмного забезпечення на основі нечітких алгоритмічних моделей

##submission.downloads##

Опубліковано

2026-06-30

Як цитувати

Ракитянська, Г. Б., & Прус, Б. В. (2026). Розробка методу крос-проєктного навчання для прогнозування дефектів програмного забезпечення на основі нечітких алгоритмічних моделей. Eastern-European Journal of Enterprise Technologies, 3(2 (141), 45–55. https://doi.org/10.15587/1729-4061.2026.362735

Номер

Том 3 № 2 (141) (2026): Інформаційні технології. Системи управління в промисловості

Розділ

Інформаційні технології

Ліцензія

Авторське право (c) 2026 Hanna Rakytyanska, Bohdan Prus

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.