Tesis
Evolution-aware product-line reliability analysis
Fecha
2022-03-17Registro en:
SENA, Tobias Astoni. Evolution-aware product-line reliability analysis. 2021. 70 f., il. Dissertação (Mestrado em Informática) — Universidade de Brasília, Brasília, 2021.
Autor
Sena, Tobias Astoni
Institución
Resumen
Contexto: Como qualquer sistema de software, as linhas de produtos de software evoluem.
Ainda assim, a maioria do estado da arte das técnicas de análise de linha de produto não
considera esse fato e executa a análise do zero em cada etapa da evolução. No caso da
análise de confiabilidade, isso significa que, dependendo do cenário de evolução, os cál culos para as partes não afetadas do software são refeitos obtendo os mesmos resultados
parciais. Isso desperdiça recursos computacionais, o que é especialmente problemático
porque essas análises são demoradas, dado o desafio de lidar com o problema de explosão
de estado combinado com a variabilidade inerente às linhas de produtos.
Objetivo: Propomos um método implementado na ferramenta ReAnaE para realizar
análises incrementais de confiabilidade da linha de produtos, em que os resultados da
análise e artefatos são reutilizados sempre que possível ao longo do histórico de evolução
da linha de produtos.
Método: ReAnaE potencializa os esforços de análise anteriores, armazenando etapas
de análise intermediárias e traçando cenários de evolução para primitivas computacionais
da análise que afetam esses artefatos. A análise de impacto resultante facilita a reutilização
consistente de artefatos de análise anteriores e a atualização daqueles afetados pelo cenário
de evolução em questão.
Resultados: ReAnaE tem um desempenho melhor em termos de tempo e espaço do
que a ferramenta ReAna, alcançando melhorias de até 10 vezes para linhas de produtos
maiores, o que resulta em melhorias de até uma ordem de magnitude no número de
variantes que podem ser analisadas.
Conclusão: ReAnaE melhora em relação ao estado da arte em análise de confiabil idade de linha de produtos, tornando possível analisar modelos mais complexos de forma
eficiente.