Dissertação

Extremely Imbalanced Smell-based Defect Prediction EVALUATED

Um dos maiores requisitos para uma entrega rápida de software em continuous integration/continuous delivery é a capacidade para encontrar bugs de forma eficiente. Por essa razão, multiplas soluções foram introduzidas na literatura. Por exemplo, métodos de defect prediction baseados em bad code smells extraídos de cada versão de software. No entanto, estes métodos não consideram o problema em que pode existir uma percentagem extremamente superior de módulos não defeituosos, comparado a módulos defeituosos. Desta forma, nesta tese, introduzimos um novo modelo com o algoritmo de autoencoder que usa design smells e implementation smells para detetar módulos defeituosos portanto, treinámos cinco autoencoders com arquiteturas diferentes. Adicionalmente, para avaliarmos a nossa abordagem, nós comparamos cada modelo de autoencoder com a mesma arquitetura, treinados com traditional object-oriented metrics e a junção de ambas as features. A nossa análise não demonstrou resultados promissores, na medida em que, a utilização de smells e a junção das features não forneceu uma melhoria comparativamente à utilização de metrics. Todavia, nós introduzimos um ponto de partida para smell-based defect prediction no contexto de dataset imbalance e introduzimos uma baseline para trabalho futuro.
Software, Defect Prediction, Code Smells, Data Imbalance

Setembro 11, 2019, 18:0

Documentos da dissertação ainda não disponíveis publicamente

Orientação

ORIENTADOR

Rui Filipe Lima Maranhão de Abreu

Departamento de Engenharia Informática (DEI)

Professor Associado