Banca de QUALIFICAÇÃO: MARCOS ALEXANDRE DE MELO MEDEIROS

Uma banca de QUALIFICAÇÃO de DOUTORADO foi cadastrada pelo programa.
STUDENT : MARCOS ALEXANDRE DE MELO MEDEIROS
DATE: 29/08/2025
TIME: 08:30
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 costuma ser complexo, especialmente ao lidar com grandes volumes de dados. Pesquisas recentes propuseram métodos para agrupar relatórios de falhas por similaridade e usar informações de rastreamento de pilha para auxiliar na localização de bugs. Embora essas técnicas tenham mostrado resultados promissores em estudos retrospectivos, principalmente com projetos de código aberto, pouco se sabe sobre seu impacto prático em ambientes de desenvolvimento de software do mundo real. Esta tese investiga o uso de uma abordagem de mineração de relatórios de falhas baseada em rastreamento de pilha para auxiliar na localização de bugs e no 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 com bugs, alcançando mais de 90\% de recall e aproximadamente 82\% de precisão média. O feedback dos desenvolvedores revelou que fatores como requisitos críticos de negócios e reprodutibilidade de erros influenciam a priorização de grupos de falhas e que a lista classificada de arquivos e métodos suspeitos permanece útil mesmo quando a causa raiz está fora do escopo previsto. Com base nesses resultados, a tese também explora como os Large Language Models (LLMs) podem complementar a localização de bugs baseada em relatórios de falhas, fornecendo sugestões automatizadas para a correção de defeitos. Ao combinar a análise de relatórios de falhas com recursos de LLM, este trabalho visa aumentar a eficiência dos processos de resolução de bugs em projetos de software do mundo real

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