Predicción de defectos de software y reparación automática basada en aprendizaje automático

Los defectos de software pueden tener un impacto significativo en la calidad, la fiabilidad y los costos de desarrollo si no se abordan adecuadamente. Con la creciente complejidad del software moderno, los métodos de prueba tradicionales luchan por mantenerse al día. El aprendizaje automático y el aprendizaje profundo han surgido como enfoques nuevos y prometedores para la predicción de defectos de software (PDS) y la reparación automática. Estos enfoques aprovechan datos históricos para identificar patrones asociados con defectos. Los modelos de aprendizaje profundo pueden aprender automáticamente representaciones de características complejas a partir de código en bruto. Sin embargo, los datos de defectos desbalanceados pueden sesgar los modelos, lo que requiere técnicas como la ampliación de datos o el aprendizaje sensible al costo. Las fugas de memoria son un defecto común que puede agotar gradualmente los recursos si no se repara. Las redes de memoria a largo y corto plazo (LSTM) son adecuadas para el análisis secuencial de código y pueden aprovechar las dependencias a largo plazo para aprender patrones complejos e identificar escenarios de fuga. Esta investigación tiene como objetivo avanzar en la PDS y la reparación a través de técnicas de aprendizaje automático.