Vorhersage von Fehlerwirkungen auf Basis statischer Analyse

Fehler sind in der Entwicklung von komplexen Software-Systemen unvermeidbar. Entwickler*innen sind daher unausweichlich mit Fehlern konfrontiert, deren Korrekturen zukünftige Ressourcen binden und daher in weiterer Folge notwendige Fehlerbehebungen mit Implementierungen neuer Funktionen konkurrieren. Zudem steigen die Korrekturkosten umso mehr, je später die Fehler im Projektfortschritt entdeckt werden. Um diesen Umstand entsprechend zu adressieren, wird die Software- Qualitätssicherung frühzeitig in den Software-Entwicklungsprozess eingebunden. Hierfür wird vor allem der Einsatz von statischer Analyse empfohlen, welche bereits in sehr frühen Konstruktionsphasen eingesetzt werden kann. Deren Ergebnisberichte sind jedoch typischerweise sehr umfangreich, zeigen viele Regelverletzungen auf und unterstützen durch mangelnde Priorisierung Entwicklungsteams nicht in geeignetem Ausmaß. Demzufolge wäre es von unmittelbarem Vorteil, wenn diejenigen Hinweise statischer Analyse frühzeitig identifiziert werden, welche in weiterer Folge zu Fehlerwirkungen bei der Anwendung der Software-Systeme führen, um resultierende Folgekosten für Korrekturen zu reduzieren. Gegenstand dieser Arbeit ist es daher, Fehlerberichte von Releases und Hinweise statischer Analyse gegenüberzustellen. Auf Basis dieser Korrelationen werden geeignete Methoden der künstlichen Intelligenz eingesetzt, um praxistaugliche Modelle für die Anwendung im produktiven Umfeld zu trainieren und die Vorhersage von zukünftigen Fehlerwirkungen effektiv zu ermöglichen.