Banca de DEFESA: MARCOS ALEXANDRE DE MELO MEDEIROS

Uma banca de DEFESA de DOUTORADO foi cadastrada pelo programa.
STUDENT : MARCOS ALEXANDRE DE MELO MEDEIROS
DATE: 12/08/2026
TIME: 18:00
LOCAL: Google Meet
TITLE:

Melhorando a Localização e Correção de Bugs Usando Relatórios de Falhas e Modelos de Linguagem de Grande Escala

 

KEY WORDS:

Localização de bugs, Correção de bugs, Relatórios de Falhas, LLMs

PAGES: 87
BIG AREA: Ciências Exatas e da Terra
AREA: Ciência da Computação
SUBÁREA: Metodologia e Técnicas da Computação
SPECIALTY: Engenharia de Software
SUMMARY:

Relatórios de falhas e rastreamentos de pilha são amplamente utilizados por desenvolvedores para investigar as causas raiz de falhas de software. No entanto, identificar o código-fonte defeituoso com base nesses relatórios é frequentemente complexo, especialmente ao lidar com grandes volumes de dados. Pesquisas recentes propuseram métodos para agrupar relatórios de falhas por similaridade e utilizar informações de rastreamentos de pilha para auxiliar na localização de bugs. Embora essas técnicas tenham apresentado resultados promissores em estudos retrospectivos, majoritariamente com projetos de código aberto, pouco se sabe sobre seu impacto prático em ambientes reais de desenvolvimento de software. Esta tese investiga o uso de uma abordagem de mineração de relatórios de falhas baseada em rastreamentos de pilha para apoiar a localização de bugs e o reparo de programas em um contexto industrial. Ao longo de 18 meses, a abordagem de localização de bugs foi aplicada em colaboração com equipes de desenvolvimento responsáveis por três sistemas web Java de grande escala. Mais de 750.000 relatórios de falhas foram agrupados, e mais de 130 tarefas reais de correção de bugs foram abertas e analisadas. Nossos resultados indicam que a abordagem reduz efetivamente o esforço cognitivo necessário para localizar componentes defeituosos, alcançando mais de 90% de revocação e aproximadamente 82% de precisão média. O feedback dos desenvolvedores revelou que fatores como requisitos críticos de negócio e reprodutibilidade de erros influenciam a priorização dos grupos de falhas, e que a lista ordenada de arquivos e métodos suspeitos permanece útil mesmo quando a causa raiz está fora do escopo previsto.  A tese também explora como Modelos de Linguagem de Grande Escala (LLMs) podem complementar a localização de bugs baseada em relatórios de falhas, fornecendo sugestões automatizadas de correção de defeitos. Por meio de um estudo retrospectivo de 38 bugs em sistemas Java Enterprise de grande escala, avaliamos as características estruturais e a eficácia das respostas de localização e reparo geradas por LLMs sob diferentes configurações de prompt e modelos. Verificamos que um único fragmento de código de uma única classe é o tipo de resposta mais frequente, e que tanto a combinação de prompts quanto a escolha do modelo influenciam as características estruturais das respostas. Comparando quatro combinações de prompts em cinco modelos de LLM em um subconjunto do nosso dataset, identificamos o modelo de melhor desempenho e as informações contextuais que mais efetivamente apoiam a localização e o reparo de bugs. Avaliado no dataset completo, o modelo de melhor desempenho alcançou 71% de acurácia de localização e 52% de acurácia de reparo, demonstrando que a combinação de mineração de relatórios de falhas com reparo baseado em LLMs pode efetivamente apoiar a localização e correção de bugs em fluxos de trabalho de manutenção industrial. Com base nessas descobertas, conduzimos um terceiro estudo, ainda em andamento, que aplicou a abordagem ao fluxo de trabalho cotidiano de correção de bugs de três equipes de desenvolvimento. Os resultados preliminares indicam uma precisão de localização de 40% e uma taxa de 20% de correções válidas. No entanto, os desenvolvedores relataram que as sugestões foram diretamente úteis ou ajudaram a orientar suas investigações na maioria dos casos, o que aponta para a necessidade de validação adicional

COMMITTEE MEMBERS:
Externo à Instituição - CHRISTOPH TREUDE - UA
Externo à Instituição - DANIEL ALENCAR DA COSTA - UO
Interno - 1671962 - EDUARDO HENRIQUE DA SILVA ARANHA
Externo ao Programa - 2274774 - EIJI ADACHI MEDEIROS BARBOSA - UFRNInterna - 1709820 - ROBERTA DE SOUZA COELHO
Externo à Instituição - RODRIGO BONIFACIO DE ALMEIDA - UnB
Presidente - 1644456 - UIRA KULESZA