Use este identificador para citar ou linkar para este item:
http://hdl.handle.net/1843/ESBF-97CNV4| Tipo: | Dissertação de Mestrado |
| Título: | Detecção de anomalias de código usando métricas de software |
| Autor(es): | Juliana Padilha |
| Primeiro Orientador: | Eduardo Magno Lages Figueiredo |
| Primeiro membro da banca : | Marco Tulio de Oliveira Valente |
| Segundo membro da banca: | Cláudio Nogueira Sant`Anna |
| Terceiro membro da banca: | Paulo Cesar Masiero |
| Resumo: | Métricas são tradicionalmente utilizadas para avaliar a qualidade e manutenibilidade do software, apoiando a identificação de anomalias no código. Recentemente, métricas de interesse foram propostas com este objetivo. Um interesse é algo que se queira tratar como uma unidade conceitual modular, como requisitos funcionais e não funcionais e idiomas de programação. Enquanto as métricas tradicionais quantificam as propriedades de módulos, as métricas de interesse quantificam propriedades de interesse, tais como espalhamento e entrelaçamento. Apesar das métricas de interesse já terem sido utilizadas em estudos experimentais, ainda falta conhecimento empírico quanto à sua eficácia na identificação de anomalias de código. Esta dissertação investiga se métricas de interesse podem fornecer indicadores úteis para a detecção de cinco anomalias de código: Divergent Change, Shotgun Surgery, God Class, Feature Envy e God Method. Para isso, foram realizados dois estudos experimentais. No primeiro estudo, utilizamos um conjunto de 54 participantes de duas instituições diferentes para detecção de trêsanomalias em classes em dois sistemas. No segundo estudo, baseado na detecção de anomalias em métodos, utilizamos um conjunto de 47 participantes de duas instituições com o objetivo de detectar casos de duas anomalias em um sistema. Em ambos os estudos, os participantes analisaram métricas tradicionais e de interesse para auxiliar nesta investigação. Os resultados indicaram que as métricas de interesse apoiam os desenvolvedores a detectar alguma destas anomalias de código. Por exemplo, os nossos resultados revelaram que a métrica Número de Interesse por Componente é uma boa indicadora para o Divergent Change. No entanto, uma análise conjunta das métricas tradicionais e de interesse muitas vezes é necessária para detectar God Class e o Shotgun Surgery. Em relação os resultados das anomalias em métodos, eles indicaram que a métrica NCO é uma boa indicadora para o God Method. Com base nos resultados destes dois estudos, realizamos a elaboração de método quantitativo apoiado por uma ferramenta para detectar automaticamente anomalias de código |
| Abstract: | Metrics have traditionally have been used to evaluate the maintainability of software programs by supporting identification of symptoms of bad smells. Recently, concern metrics have also been proposed with this purpose. While traditional metrics quantify properties of sotware modules, concern metrics quantify concern properties, such asthe scattering and tangling of concerns realized in a program. Despite being increasingly used in experimental studies, although lack empirical knowledge as to their effectiveness in identifying bad smells. This work investigates whether concern metrics may provide useful indicators for detecting five bad smells: Divergent Change, Shotgun Surgery, God Class, Feature Envy and God Method. For this, two experimentalstudies were performed. In the first study, we used a set of 54 participants from two different institutions for detecting three bad smells in classes in two systems. In the second study, based on detection of bad smells in methods, we used a set of 47 participants from two institutions in order to detect two bad smells in of one system. Inboth studies, participants analyzed traditional and concern metrics to assist bad smell detection. The results indicated that the concern metrics support developers detect these bad smells. In addition, our results showed that the Number of Concern per Component metric is a good indicator for the Divergent Change. However, elaborated joint analysis of traditional metrics and concern is often necessary to detect God Classand Shotgun Surgery. Regarding the results of bad smells in methods, they indicated that the Number of Concern per Operations metric is a good indicator for the God Method. Based on the results of these two studies, we propose a quantitative method for supporting a automated detection bad smells |
| Assunto: | Computação Engenharia de software |
| Idioma: | Português |
| Editor: | Universidade Federal de Minas Gerais |
| Sigla da Instituição: | UFMG |
| Tipo de Acesso: | Acesso Aberto |
| URI: | http://hdl.handle.net/1843/ESBF-97CNV4 |
| Data do documento: | 7-Mar-2013 |
| Aparece nas coleções: | Dissertações de Mestrado |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| julianapadilha.pdf | 23.28 MB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.