Banca de DEFESA: KESSIA THAIS CAVALCANTI NEPOMUCENO

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : KESSIA THAIS CAVALCANTI NEPOMUCENO
DATA : 11/08/2022
HORA: 09:00
LOCAL: Virtual
TÍTULO:

A Machine Learning Approach to Escaped Defect Analysis

PALAVRAS-CHAVES:

Análise de Defeitos Escapados. Ranking. Automação. 
Aprendizagem de Máquina.

PÁGINAS: 70
RESUMO:

Encontrar defeitos em sistemas ou aplicações computacionais é uma das 
principais atividades na indústria de software. Isso impacta diretamente a 
qualidade e performance do produto final, gerando consequências para o 
usuário e o fornecedor. Uma das situações atreladas às atividades de 
detectar defeitos, é quando o defeito não é percebido na etapa que ele 
deveria ser detectado, e então é incorporado ao produto. Chamamos este 
acontecimento de defeito escapado, uma vez que o defeito foi escapado pelo 
testador daquela etapa. A fim de mitigar ou eliminar os defeitos escapados, 
é comum se ter um setor responsável pelas suas análises. Esse setor analisa 
e avalia os bugs perdidos com o intuito de entender o contexto em que eles 
estão inseridos e corrigir as falhas. Assim a falha não volta a acontecer e 
temos um ganho na qualidade do produto e performance  dos testes.
A análise de defeitos escapados também é uma forma de medir o desempenho da 
equipe de testes, bem como o lançamento de novos produtos e serviços. 
Entretanto, apesar de ser uma atividade importante, ela exige recursos como 
tempo, equipamentos, treinamentos e outros. Portanto, nem sempre é possível 
ser aplicada de forma constante e precisa.
Neste trabalho, construímos um sistema de aprendizagem de máquina para 
automatizar o processo de análise de defeitos escapados. Utilizamos Bug 
Reports reais da indústria como dados históricos no nosso modelo. Esses 
documentos de Bug Report representam os defeitos rotulados como defeito 
escapado e defeito não escapado.  Os dados dos campos do Bug Report foram 
coletados, tratados e utilizados como entrada pro nosso modelo, o qual 
utilizou o Random Forest como classificador principal. Como resultado, 
obtivemos o ranking dos Bug Reports com maior probabilidade de ser um 
defeito escapado. Com isso, é possível que os testadores da indústria de 
software concentrem e direcionem os esforços nos Bugs Reports com maior ou 
menor chance de ser um defeito escapado. Dessa forma, eles conseguem 
otimizar recursos de operação de trabalho.
Para medir o desempenho do classificador, utilizamos a Curva ROC e uma nova 
métrica que propomos, a curva de custo-benefício. Em ambas as métricas, 
obtivemos resultados significativos e promissores.

MEMBROS DA BANCA:
Presidente - 2331188 - ALEXANDRE CABRAL MOTA
Externo à Instituição - ANDRÉ CÂMARA ALVES DO NASCIMENTO - UFRPE
Interno - 1463105 - RICARDO BASTOS CAVALCANTE PRUDENCIO