Un enfoque para la predicción de fallos en sistemas basados en SOA utilizando técnicas de aprendizaje automático

Propósito La predicción de fallos de software es un concepto importante que se puede aplicar en una etapa temprana del ciclo de vida del software. La predicción efectiva de fallos puede mejorar la confiabilidad y la capacidad de prueba de los sistemas de software. A medida que los sistemas basados en arquitectura orientada a servicios (SOA) se vuelven cada vez más complejos, la interacción entre los servicios participantes aumenta con frecuencia. Los servicios componentes pueden generar informes enorme y información sobre fallos. Aunque una considerable investigación se ha centrado en desarrollar modelos de predicción de propensión a fallos en sistemas orientados a servicios (SOS) utilizando técnicas de aprendizaje automático (ML), ha habido poco trabajo en la evaluación de la eficacia de las métricas de código fuente para la predicción de fallos. El artículo tiene como objetivo discutir este tema. Diseño/metodología/enfoque En este artículo, los autores han propuesto un marco de predicción de fallos para investigar la predicción de fallos en SOS utilizando métricas de servicios web. La eficacia del modelo se ha explorado aplicando seis técnicas de ML, a saber, Naïve Bayes, Redes Artificiales (ANN), Aumento Adaptativo (AdaBoost), árbol de decisión, Bosques Aleatorios y Máquina de Soporte Vectorial (SVM), junto con cinco técnicas de selección de características para extraer las métricas esenciales. Los autores han explorado la precisión, la exactitud, la recuperación, la medida f y las curvas de características operativas del receptor de los valores del área bajo la curva como medidas de rendimiento. Hallazgos Los resultados experimentales muestran que el sistema propuesto puede clasificar la propensión a fallos de los servicios web, ya sea que el servicio sea defectuoso o no defectuoso, como una salida de valor binario automáticamente y de manera efectiva. Limitaciones/implicaciones de la investigación Una posible amenaza a la validez interna en el estudio son los efectos desconocidos de fallos no descubiertos. Específicamente, los autores han inyectado fallos posibles en las clases utilizando la herramienta Java C3.0 y solo se inyectan fallos corregidos en las clases. Sin embargo, considerando la comunidad de desarrollo, prueba y uso de Java C3.0, los autores pueden generalizar que los fallos no descubiertos deberían ser pocos y tener un menor impacto en los resultados presentados en este estudio, y que los resultados pueden estar limitados a las métricas de complejidad investigadas y a las técnicas de ML utilizadas. Originalidad/valor En la literatura, solo se han observado unos pocos estudios que se concentran directamente en la predicción de propensión a fallos basada en métricas de SOS utilizando técnicas de ML. Sin embargo, la mayoría de las contribuciones se refieren a la predicción de fallos de sistemas generales en lugar de SOS. La mayoría de ellos han considerado la confiabilidad, la cambiabilidad, la mantenibilidad utilizando un enfoque basado en registros/historial y modelado matemático en lugar de la predicción de fallos en SOS utilizando métricas. Así, los autores han ampliado las contribuciones mencionadas aplicando técnicas de ML supervisadas sobre métricas de servicios web y midiendo su capacidad empleando métodos de inyección de fallos.