Un enfoque de machine learning para apoyar la identificación de la deuda técnica en arquitectura

• Pérez-Gutiérrez, Boris Rainiero ^[1] ; Correal, Darío Ernesto ^[2] ; Vera-Rivera, Fredy Humberto ^[1]
  1. [1] Universidad Francisco de Paula Santander

     Universidad Francisco de Paula Santander

     Colombia

     
  2. [2] Universidad de Los Andes

     Universidad de Los Andes

     Colombia

     
• Localización: Mundo FESC, ISSN-e 2216-0388, ISSN 2216-0353, Vol. 12, Nº. 23, 2022, págs. 144-157
• Idioma: español
• Títulos paralelos:
  • A machine learning approach to support the identification of architectural technical debt
• Enlaces
  • Texto completo (pdf)
  • Texto completo
• Resumen
  • español

    Antecedentes: Las decisiones tomadas por los arquitectos para favoreces objetivos a corto plazo y en posible detrimento de la calidad del software a largo plazo, se conoce como Deuda Técnica en Arquitectura. Este tipo de deuda técnica es difícil de identificar porque está relacionada con los atributos de calidad no visibles para el cliente, como la mantenibilidad y capacidad de evolucionar del sistema. Objetivo: Es por esto que, en este artículo, se un modelo supervisado de machine learning para apoyar la identificación de la deuda técnica en arquitectura que se ubique en la etapa de diseño de la arquitectura. Métodos: Esta propuesta se apoya en la información recogida de los artefactos producidos durante el diseño de la arquitectura para construir un dataset que permita evaluar diferentes algoritmos de aprendizaje supervisado y así establecer el que ofrezca mejor exactitud. La identificación de la deuda técnica, dentro del marco de esta propuesta y a diferencia de las propuestas en la literatura, no considera el código fuente. Resultados: El desempeño del modelo fue evaluado a través de un caso real de la industria y permitió descubrir que tanto la exactitud como el recall presentan niveles aceptables. Conclusiones: Los datos utilizados para entrenar el modelo, si bien son apropiados, son susceptibles de seguir mejorando. Este enfoque permitirá a los arquitectos apoyar la identificación de ATD conscientes e inconscientes inyectados en sus arquitecturas.

  • English

    Decisions made by architects to favor short-term objectives and to the possible detriment of long-term software quality are known as Architectural Technical Debt. This type of technical debt is difficult to identify because it is related to quality attributes not visible to the customer, such as the maintainability and evolvability of the system. Objective: For this reason, in this paper, a supervised machine learning model is proposed to support the identification of technical debt in architecture that is located in the design stage of the architecture. Methods: This proposal relies on the information collected from the artifacts produced during the architecture design to build a dataset to evaluate different supervised learning algorithms and thus establish the one that offers the best accuracy. The identification of the technical debt, within the framework of this proposal and unlike those proposed in the literature, does not consider the source code. Results: The performance of the model was evaluated through a real industry case and allowed discovering that both accuracy and recall present acceptable levels. Conclusions: The data used to train the model, while appropriate, has room for further improvement. This approach will allow architects to support the identification of conscious and unconscious ATD injected into their architectures.