Extraction and analysis of behavior practices based on GitLab MR information

Résumé

L’évolution constante de la technologie dans les logiciels, l'informatique et les télécommunications est sans aucun doute associée aux défis émergents concernant la capacité à fournir des logiciels plus rapidement et avec une meilleure qualité. L'adoption de DevOps par de nombreuses entreprises, dans différents domaines d'application, au cours de la dernière décennie a entraîné des progrès majeurs sur ces deux aspects. Cependant, pour atteindre les objectifs de DevOps, une approche systématique de l’amélioration continue des différentes phases du processus de livraison de logiciels doit être établie. Cette thèse porte sur l'amélioration de la phase de revue de code du processus à partir d'un cas d'étude industriel fourni par Kaloom. L'objectif global est d'étudier différentes techniques statistiques et d'apprentissage automatique (« machine learning ») qui peuvent être utilisées pour extraire et analyser des modèles de comportement à partir des données enregistrées par GitLab pendant la phase d'examen par les pairs de la demande de fusion (Merge Request (MR)). À cette fin, nous nous concentrons sur trois questions de recherche principales : QR1) Comment le délai d'exécution des MR évolue-t-il au cours des 21 jours d'un sprint, QR2) Quels sont les comportements des ingénieurs logiciels pendant les jours de sprint, et QR3) Quels sont exceptions et valeurs aberrantes dans les données IRM. Nos principales conclusions incluent qu'il n'y a pas de corrélation entre le délai d'exécution et la taille des MR dans les groupes étudiés, que les groupes avec des tests matériels ont un délai d'exécution moyen plus élevé, et qu'il existe une très faible corrélation de Spearman entre le délai d'exécution d'un MR et le jour où un MR a été créé ou fermé. De plus, grâce à l'analyse manuelle des MR d'exception, nous avons observé que certains MR sont commentés après la fusion et que ces MR sont souvent associés à des erreurs découvertes ultérieurement lors des différentes phases de test des produits.

Date	25 avr. 2022
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Francis Bordeleau (Directeur(-trice)) & Mohammed Sayagh (Codirecteur(-trice))