Використання ансамблю моделей прогнозування відмов для оцінки надійності програмного забезпечення

Abstract

У роботі досліджено проблему прогнозування дефектності програмного забезпечення на основі моделей машинного навчання, статичних ансамблевих методів та запропонованого адаптивного ансамблю з використанням фільтра Калмана. Проаналізовано можливості базових моделей (логістична регресія, Random Forest, XGBoost, LSTM) та їх обмеження при роботі з шумовими та нерівномірними даними. Запропоновано новий підхід, у якому ваги ансамблю визначаються динамічно відповідно до точності окремих моделей на кожному кроці прогнозування. Метод протестовано на наборах даних NASA MDP (KC1, KC2, JM1). За результатами експериментів адаптивний ансамбль забезпечує приріст F1-score на 12–18 % та AUC на 8–15 % порівняно з окремими моделями та статичними ансамблями, демонструючи високу стійкість, точність і здатність до адаптації у складних умовах. Розроблений підхід рекомендовано для застосування в системах забезпечення якості ПЗ та процесах раннього виявлення дефектів.