நியூக்ளியர் எனர்ஜி சயின்ஸ் & பவர் ஜெனரேஷன் டெக்னாலஜி ஜர்னல்

மென்பொருள் சோதனைக்கான குறைபாடு முன்கணிப்பு மாதிரிக்கான நடைமுறை அணுகுமுறை

சுஜாதா தண்டு, கிரண்மாய் ரேஜ், எம்.சுந்தர் ராஜ், நிலமாதப் மிஸ்ரா ,  டி.சிவகுமார், மற்றும் எஸ். மோகன்

மென்பொருள் பாதிப்புகளுக்கான முன்னறிவிப்பு, இயல்புநிலை நிறுவன மென்பொருள் வகைப்படுத்தலுக்கு முன்னணி பயனர்களால் சோதனை ஆட்டோமேஷன் செலவினங்களைக் குறைக்க முயல்கிறது. பல வணிகங்களில், நேரத்தை மிச்சப்படுத்தவும், தரத்தை மேம்படுத்தவும், சோதனை செய்யவும் மற்றும் கால அட்டவணையை பூர்த்தி செய்ய வள ஒதுக்கீட்டை மேம்படுத்தவும் மென்பொருள் குறைபாடுகளைத் தடுக்க குறைபாடு முன்கணிப்பாளர்கள் அடிக்கடி பயன்படுத்தப்படுகிறார்கள். அன்றாட வாழ்வில் புள்ளிவிவர தொகுப்பு குறைபாடு முன்கணிப்பு மாதிரிகளை செயல்படுத்துவது மிகவும் சவாலானது, இதன் விளைவாக பின்வரும் வெளியீடு அல்லது புதிய சிறந்த வகையான திட்டங்கள் மிகவும் வேறுபட்ட தரவு மற்றும் அளவீடுகள் மற்றும் முந்தைய தவறு தகவல்களுடன் எதிர்பார்க்கப்பட வேண்டும். இந்த ஆய்வில், சமீபத்திய மென்பொருள் பதிப்புகள் அல்லது நிறுவனங்களுக்கான தவறுகள் எவ்வாறு சரியாகக் கணிக்கப்படுகின்றன என்பதை எங்கள் அளவு நுட்பம் விளக்குகிறது. நாங்கள் 20 மென்பொருள் மேம்பாடு வெளியீடு தரவுத்தொகுப்புகள், 5 மாறிகள் ஆகியவற்றைப் பயன்படுத்தினோம் மற்றும் சுருக்க பகுப்பாய்வு, தொடர்புகள் மற்றும் பல்வேறு நேரியல் மாதிரிகள் ஆகியவற்றைப் பயன்படுத்தி 95% (CI) நம்பகத்தன்மையுடன் ஒரு மாதிரியை உருவாக்கினோம். R- சதுர மதிப்பு 0.91 மற்றும் அதன் நிலையான விலகல் இந்த பொருத்தமான பல நேரியல் பின்னடைவு பகுப்பாய்வில் 5.90 சதவீதம் ஆகும். மென்பொருள் சோதனைகளுக்கான குறைபாடு மாதிரியானது எண்ணற்ற சோதனைத் திட்டங்கள் மற்றும் வணிகரீதியான வரிசைப்படுத்தல்களில் உள்ள சிக்கல்களை எதிர்நோக்கப் பயன்படுத்தப்படுகிறது. உண்மையான மற்றும் கணிக்கப்பட்ட தவறுகளை ஒப்பிடுகையில், 90.76% துல்லியத்தைக் கண்டுபிடித்தோம்.