Mobil Uygulamaların Evriminde Karmaşıklık, Boyut ve İç Kalite Gelişimi: Keşifsel bir Çalışma

Gezici, Bahar; Tarhan, Ayça; Chouseinoglou, Oumout

doi:10.17341/gazimmfd.460547

Cited by 2 publications

(1 citation statement)

References 46 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Döngüsel karmaşıklık, yazılımın mantıksal karmaşıklığının bir ölçüsüdür. Bu ölçü (CC veya V(G)), bağımsız yolların sayısını tanımlamak için kullanılır ve aşağıda verilen formüllerden biriyle hesaplanır [8].…”

Section: Mccabe öLçütleriunclassified

Yazılım Ürün Ölçütlerinin Uygulamalı İncelenmesi

YETİŞ

Daş

2022

Fırat Üniversitesi Mühendislik Bilimleri Dergisi

View full text Add to dashboard Cite

Yazılım sistemleri, yaşantımıza her geçen gün artarak dahil olmaktadır. Buna bağlı olarak yazılım geliştiricileri tarafından bir ihtiyaç için alternatif pek çok yazılım sistemi geliştirilmektedir. Kullanıcı istekleri doğrultusunda şekillenen sistemlerde çalışma performansı ve güncellenebilir yazılım seçenekler arasında eleyici özelliklerden bazılarıdır. Kod kalitesini belirlemek için metrik ya da ölçüt olarak tanımlanan değerlerden faydalanılır. Bu çalışmada, ürün ölçütlerinde yer alan kaynak kod ölçütleri ve sınıf tabanlı ölçütler açıklanmıştır. Kaynak kod ölçütlerinde yer alan McCabe ile sınıf tabanlı ölçütlerde yer alan Chidamber ve Kemerer, Brito e Abreu MOOD, Bansiya ve Davis QMOOD metrik kümeleri irdelenmiş ve sınıf tabanlı metrikler tablo halinde sunulmuştur. Metriklerin uygulama üzerinde gösterilmesi için Java tabanlı bir kütüphane uygulaması geliştirilmiştir. Geliştirilen masaüstü uygulamasının ölçütleri, Eclipse CodeMR eklentisi yardımıyla analiz edilmiştir. Yapılan analizler sonucunda riskli ölçütler tespit edilerek sonuçlar tablolar halinde sunulmuştur.

show abstract

Section: Mccabe öLçütleriunclassified

Yazılım Ürün Ölçütlerinin Uygulamalı İncelenmesi

YETİŞ

Daş

2022

Fırat Üniversitesi Mühendislik Bilimleri Dergisi

View full text Add to dashboard Cite

show abstract

Ağ trafiği analizi ile derin öğrenme tabanlı Android kötücül yazılım tespiti

Utku

2022

Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi

View full text Add to dashboard Cite

 An automatic malware detection system for Android  Comparative analysis for Android malware detection  Android malware detection using network traffic analysis Mobile devices, which are becoming more and more widespread today, have turned into hand-held computers thanks to the multimedia communication and applications. Today, the multimedia applications have been supported by traditional mobile phones. Users can use their mobile devices for many purposes such as internet access, online banking, social networks, file sharing and entertainment. The ability to perform transactions such as financial transactions, online shopping and sensitive data transfers on mobile devices with increased functionality makes mobile devices the target of attackers. In this study, a deep learning based malware detection system has been developed based on the interactions of mobile applications on the network. The developed LSTM-based deep learning model has been analyzed comparatively with NB, RF, SVM, MLP and CNN using accuracy, precision, recall and F-1 metrics. The experimental results showed that the developed LSTM-based deep learning model is more successful in malware detection than others with 95% accuracy.Figure A. Proposed LSTM model for Android malware classification Purpose: In this study, an automatic detection system for Android malware is proposed. To illustrate the results of the proposed LSTM based model, a comprehensive and comparative experimental study has been carried out. Theory and Methods:With the developed LSTM-based deep learning model, it is aimed to detect Android malware by using network traffic data. In addition, the proposed model compared with the existing deep learning algorithms (i.e., MLP and CNN) and conventional machine learning algorithms (i.e., NB, RF and SVM). Results:In experimental studies, the LSTM has shown a more successful classification performance in detecting malware compared to other models. Conclusion:Experimental results showed that the accuracy values of LSTM, CNN, ML SVM, RF and NB are 0.950, 0.911, 0.738, 0.562, 0.912 and 0.446, respectively. The developed LSTM-based model achieved more successful results for each of the accuracy, precision and recall and f-1 metrics compared to other models.

show abstract

Mobil Uygulamaların Evriminde Karmaşıklık, Boyut ve İç Kalite Gelişimi: Keşifsel bir Çalışma

Cited by 2 publications

References 46 publications

Yazılım Ürün Ölçütlerinin Uygulamalı İncelenmesi

Yazılım Ürün Ölçütlerinin Uygulamalı İncelenmesi

Ağ trafiği analizi ile derin öğrenme tabanlı Android kötücül yazılım tespiti

Contact Info

Product

Resources

About