Uma abordagem baseada em testes automáticos de software para diagnóstico de faltas em grades computacionais.

• Ano de defesa: 2010
• Autor(a) principal: DUARTE, Alexandre Nóbrega.
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Campina Grande; Brasil; Centro de Engenharia Elétrica e Informática - CEEI; PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO; UFCG
• Palavras-chave em Português: Faltas em Grades Computacionais; Falhas em Softwares; Grade Computacional; Testes Automáticos de Software; Teste de Software; Engenharia de Software; Softwares - Testing; Grid Computing; Diagnóstico Colaborativo de Faltas - Software; Ciencias da Computação.
• Link de acesso: https://dspace.sti.ufcg.edu.br/handle/riufcg/2471

Muito tem se pesquisado nos últimos anos sobre tratamento de falhas com o objetivo de aumentar a confiabilidade de infraestruturas de grade computacional. Idealmente, um usuário de grade deve ser capaz de submeter um conjunto de tarefas para execução em tal infraestrutura, aguardar pelo término da execução e, em seguida, obter o resultado das suas tarefas da mesma forma que faria caso utilizasse uma única máquina de grande poder computacional. Na prática, porém, não é isso o que vem ocorrendo com usuários das maiores grades computacionais disponíveis atualmente. Não é incomum observar altas taxas de falha nas tarefas submetidas para grades computacionais. Usuários de grades vêem a execução de suas tarefas falhar e não recebem qualquer informação que possa ajudá-los a entender porque suas tarefas falharam. Muitas vezes o usuário não consegue sequer identificar se sua tarefa falhou por um defeito no software de sua aplicação, ou por um problema em um serviço de grade localizado do outro lado do globo. Esta tese propõe e avalia um mecanismo baseado na utilização de testes automáticos de software para detectar falhas na execução de aplicações neste tipo de infraestrutura e diagnosticar as causas de tais falhas. Resultados experimentais demonstraram uma taxa de acerto de 93, 99% ± 5, 63%, com um nível de confiança de 95%, ou de 93, 99% ± 7, 52%, com um nível de confiança de 99%, nos diagnósticos efetuados por uma ferramenta implementada de acordo com o mecanismo proposto.