Agenda de Defesas
- UFPE/
- Research/Innovation/
- Defense Schedule/
- Pós em Computação promove defesa de dissertação de mestrado na manhã desta sexta-feira (26)
Events Events
Pós em Computação promove defesa de dissertação de mestrado na manhã desta sexta-feira (26)
O trabalho contou com a orientação do professor Adriano Lorena Inacio de Oliveira
O Programa de Pós-Graduação em Ciência da Computação da UFPE promove defesa de dissertação de mestrado de Dinaldo Andrade Pessoa na próxima sexta-feira (26), a partir das 19h. A apresentação acontecerá de forma remota, através da plataforma Google Meet, e os interessados em assistir devem enviar e-mail solicitando acesso para fsss@cin.ufpe.br. É recomendado aos que se entre na “sala virtual” com o microfone e câmera desligados.
Com título “Batch Algorithms and Fixed Detection Rates for Online Just-In-Time Software Defect Prediction”, o trabalho contou com a orientação do professor Adriano Lorena Inacio de Oliveira, vinculado ao Centro de Informática (CIn) da Universidade. O professor George Gomes Cabral ligado ao Departamento de Computação da UFRPE atuou como coorientador da pesquisa. Além de Adriano Oliveira, a banca avaliadora também contará com os professores George Darmiton da Cunha Cavalcanti (UFPE/CIn) e Luiz Eduardo Soares de Oliveira (UFPR/Departamento de Informática).
Resumo
Just-In-Time Software Defect Prediction (JIT-SDP) tem o objetivo de identificar a presença de defeitos em mudanças de código no momento do commit ao invés de inspecionar módulos (i.e., arquivos e pacotes) de maneira off-line, como é realizado em Software Defect Prediction (SDP) tradicional. Em uma aplicação real de JIT-SDP, as predições devem ser feitas de forma on-line para que o desenvolvedor seja informado sobre a presença de defeito logo após a mudança de código ser submetida, provendo ao desenvolvedor a oportunidade de inspecionar a mudança enquanto ela ainda está fresca em sua mente. Por outro lado, o treinamento do modelo pode ser feito de forma on-line ou em lote, uma vez que este domínio de problema não possui requisitos de tempo real. Independentemente do tipo de treinamento, é importante notar que a mudança de código não é rotulada imediatamente após a sua submissão para o repositório de código fonte. O tempo de rotulagem pode levar dias ou meses, dependendo do tempo gasto pela equipe de desenvolvimento de software para descobrir e corrigir cada erro. Então, o modelo deve esperar um tempo para confiar no rótulo de uma mudança de código. E este período de tempo é conhecido como latência de verificação. Outro desafio enfrentado por um modelo de JIT-SDP é a flutuação da taxa de desbalanceamento das classes ao longo do tempo. Este tipo de mudança de conceito é conhecido como evolução no desbalanceamento das classes. Este trabalho investiga o uso de algoritmos em lote para lidar com JIT-SDP no contexto de latência de verificação e evolução no desbalanceamento das classes. Em comparação com o estado da arte, que é baseado em algoritmos on-line, nossa abordagem alcançou melhorias entre +2% e +11% em 9 das 10 bases de dados investigadas, em termos de g-mean. Em apenas uma base de dados, nossa abordagem obteve um resultado inferior ao da abordagem estado da arte, uma baixa de -2% em termos de g-mean. Além disso, este trabalho investiga a performance preditiva em um contexto no qual o modelo é restrito a retornar uma taxa de predição de defeito fixa. Mais especificamente, a taxa de predição de defeito é uma taxa on-line que corresponde ao número de predições que retornam a classe de defeito dividido pelo total de predições em um intervalo de tempo. E a taxa de predição de defeito fixa significa restringir o modelo para manter a taxa especificada ao longo do tempo. Dito isso, os resultados dos experimentos mostraram que, submetido a esta restrição, métodos com mais capacidade de manter a taxa de predição de defeito próximo à taxa de predição fixa definida pela otimização de hiperparâmetros também obtém uma melhor performance preditiva nos dados de teste, i.e., há uma correlação significativa entre esta capacidade e a performance preditiva. O coeficiente de correlação entre elas é 0,44.