Predição de falhas em sistemas abertos de requisição de software

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorCarvalho, Aline Marins Paes-
Autor(es): dc.contributorCarvalho, Alexandre Plastino de-
Autor(es): dc.contributorOliveira, Daniel Cardoso Moraes de-
Autor(es): dc.creatorPaim, Lucas Pinheiro-
Data de aceite: dc.date.accessioned2024-07-11T17:47:07Z-
Data de disponibilização: dc.date.available2024-07-11T17:47:07Z-
Data de envio: dc.date.issued2018-02-19-
Data de envio: dc.date.issued2018-02-19-
Data de envio: dc.date.issued2018-
Fonte completa do material: dc.identifierhttps://app.uff.br/riuff/handle/1/5755-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/757432-
Descrição: dc.descriptionSistemas de Gerenciamento de Requisições online são ferramentas que podem ser utilizadas para acompanhar e apoiar o ciclo de vida de um software. É através dessas ferramentas que usuários, desenvolvedores e administradores podem reportar defeitos em um software ou podem solicitar melhorias a partir da criação de uma requisição. Porém, a quantidade de solicitações de um projeto pode ser muito grande e o esforço para analisar todas as requisições pode se tornar inviável. Decidir qual requisição deve ser priorizada, aceita ou rejeitada se torna uma tarefa complexa. Nesse cenário, assumindo que uma requisição possui uma falha uma ferramenta que possa classificar o tipo falha poderia ser útil. Uma requisição com grandes chances de se tornar uma falha poderia ser revisada com objetivo de mitigar esse risco. Esse trabalho extrai e analisa dados históricos de requisições de um projeto real chamado Mozilla Firefox que possuem alguma falha e utiliza técnicas e algoritmos de Aprendizado de Máquina para construção de um modelo de previsão de tipos de falhas de software, a partir de requisições feitas no Sistema de Gerenciamento Online chamado Bugzilla. Além de atributos estruturais, como quantidade de participantes, data transcorrida entre a requisição e a associação de um desenvolvedor, comentários feitos pelos participantes da discussão também são levados em consideração. Parte dos dados das requisições são utilizados para treinamento do modelo e outra parte para avaliação. Os resultados experimentais obtidos a partir dos dados não utilizados para o treinamento são satisfatórios e mostram que esse modelo poderia apoiar administradores no momento de tomar decisões-
Descrição: dc.descriptionOnline Feature Request Management Systems are tools used to follow and support the life cycle of a software. From such tools, the stakeholders can report bugs or create feature requests. However, the number of possible bugs and requests in a large project can be massive and the necessary time and effort to analyze all of them may not be feasible. Deciding which request should be prioritized, accepted or rejected can turn into a complex task. In this scenario, assuming that a request have some failure, a tool that can predict the type of a possible failure in a request would be useful. One request with high chances of becoming a failure could be revised in order to mitigate this risk. This work extracts and analyzes historical feature requests and bug reports data of a real project called Mozilla Firefox and then uses Machine Learning techniques and algorithms to create a model to predict software failures in a Feature Request Management System called Bugzilla. Besides structural attributes such as number of participants in the discussion and date of an assignment, the words included at the comments are also taken into account. Part of the original data is used to train the model and the other part is used to make predictions from the induced models. The predictive experimental results are satisfactory and show that this model could be useful to support the stakeholders to take decisions-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Direitos: dc.rightsopenAccess-
Direitos: dc.rightshttp://creativecommons.org/licenses/by-nc-nd/3.0/br/-
Direitos: dc.rightsCC-BY-SA-
Palavras-chave: dc.subjectSistemas abertos de requisição de software-
Palavras-chave: dc.subjectAprendizado de máquina-
Palavras-chave: dc.subjectMineração de dados-
Palavras-chave: dc.subjectDesenvolvimento de software-
Palavras-chave: dc.subjectAprendizado de máquina-
Palavras-chave: dc.subjectMineração de dados (computação)-
Palavras-chave: dc.subjectMineração de texto-
Palavras-chave: dc.subjectOpen request management systems-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectData mining-
Palavras-chave: dc.subjectText mining-
Palavras-chave: dc.subjectDimensionality reduction-
Título: dc.titlePredição de falhas em sistemas abertos de requisição de software-
Tipo de arquivo: dc.typeTrabalho de conclusão de curso-
Aparece nas coleções:Repositório Institucional da Universidade Federal Fluminense - RiUFF

Não existem arquivos associados a este item.