Ent?te

Logo du LIFL

Depuis le 1er janvier 2015 le LIFL et le LAGIS forment le laboratoire CRIStAL

  1. Formation doctorale

Thèse de

Boris Baldassari

mardi 1 juillet 2014
Inria Lille

Maisqual : Amélioration de la qualité logicielle par fouille de données.

Monsieur Philippe PREUX, Professeur à l’Université de Lille 3, Directeur de thèse Monsieur Benoît BAUDRY, Chargé de recherche à l’INRIA de Rennes, HDR Madame Laurence DUCHIEN, Professeur à l’Université de Lille 1 Monsieur Flavien HUYNH, Ingénieur logiciels à Squoring Technologies SAS de Toulouse, Docteur Madame Pascale KUNTZ, Professeur à l’Université de Nantes Monsieur Martin MONPERRUS, Maître de conférences à l’Université de Lille 1

Les référentiels utilisés dans le développement logiciel 
offrent une quantité importante d'information sur les outils, méthodes 
et pratiques de développement. Cette information est globalement peu 
utilisée car elle est difficile d'accès (référentiels répartis, issus 
d'une grande variété d'outils différents), elle est de nature spécifique 
(semi-structurée, distributions non normales, données incomplète ou 
incohérente au premier abord..), et son interprétation est soumise à 
nombre de contraintes et connaissances propres au domaine.

L'effort de recherche fait au sein de Maisqual s'attaque à ces 
problèmes, en utilisant les techniques issues de la fouille de données 
pour apporter des éléments de réponses objectifs aux interrogations et 
difficultés rencontrées lors du développement logiciel et lors de 
l'évaluation de qualité pour les systèmes et produits logiciels.

Nous avons donc identifié et formalisé quelques-unes de ces 
problématiques courantes, et répertorié les méthodes de fouille de 
données pouvant apporter des éléments de réponse. Plusieurs projets 
logiciels libres ont été analysés, en travaillant à la fois sur les 
métriques issues du code source du produit et sur les informations 
issues du processus de développement (gestion de configuration, listes 
de diffusion). De par la nature des données et les volumes considérés, 
il appert que certaines techniques sont plus appropriées que d'autres, 
notamment les techniques de classification non supervisées, l'analyse 
par régression, et la détection d'outliers. Pour une même méthode, 
certains algorithmes sont également plus robustes ou plus précis en 
fonction des données considérées.

Les résultats de ce travail sont perceptibles à plusieurs niveaux. 
Premièrement, nous avons établi un lien entre recherche académique et 
industrie : certaines techniques ont directement été intégrées au 
produit SQuORE ou ont été mises à disposition sous forme de scripts 
utilisables par les consultants lors des missions en clientèle. Le 
travail effectué sur l'extraction et l'analyse des métriques logicielles 
et sur les modèles de qualité a également contribué à la pertinence de 
l'outil SQuORE. Le cadre méthodologique développé pour nos analyses, 
permettant de garder une sémantique sûre malgré la transformation 
métrologique, est un autre apport au domaine. Enfin plusieurs data sets 
logiciels complets ont été produits et publiés sous licence libre pour 
que les communautés scientifique et industrielle en bénéficient.

Ours

UMR 8022 - Laboratoire d'Informatique Fondamentale de Lille - Copyright © 2012 Sophie TISON - Crédits & Mentions légales

Page respectant XHTML et CSS.

Pour tout commentaire / Comments and remarks : webmaster