ESCUELA SUPERIOR DE INGENIERÍA

Transcripción

1 ESCUELA SUPERIOR DE INGENIERÍA INGENIERÍA EN INFORMÁTICA GAMERAHOM, UN GENERADOR DE MUTANTES DE ORDEN SUPERIOR PARA COMPOSICIONES WS-BPEL Emma Blanco Muñoz Cádiz, Enero del 2012

2

3 ESCUELA SUPERIOR DE INGENIERÍA INGENIERÍA EN INFORMÁTICA GAMERAHOM, UN GENERADOR DE MUTANTES DE ORDEN SUPERIOR PARA COMPOSICIONES WS-BPEL Departamento: Directores del Proyecto: Autora del Proyecto: Lenguajes y Sistemas Informáticos Juan José Domínguez Jiménez Antonio García Domínguez Emma Blanco Muñoz Cádiz, Enero del 2012 Fdo.: Emma Blanco Muñoz

4 Copyright c 2011 Emma Blanco Muñoz Licensed under the Apache License, Version 2.0 (the License ); you may not use this file except in compliance with the License. You may obtain a copy of the License at Unless required by applicable law or agreed to in writing, software distributed under the License is distributed on an AS IS BASIS, WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. See the License for the specific language governing permissions and limitations under the License.

5 Agradecimientos...

6

7 Índice general 1. Introducción Motivación Objetivos Alcance Glosario Acrónimos Definiciones Visión general Desarrollo del Calendario Iteraciones Estudio del dominio del problema Elicitación de requisitos Implementación del algoritmo principal Implementación de operadores Pruebas & Calidad Documentación Diagrama de Gantt Esfuerzos

8 2 ÍNDICE GENERAL 3. Antecedentes Servicios Web El lenguaje WS-BPEL Algoritmos genéticos Elementos y operadores de un AG Esquema de un AG básico Renovación de la población de los AG Prueba de mutaciones Mutación evolutiva Descripción general del Proyecto Perspectiva del producto Entorno de los productos Interfaces de sistema Interfaces de usuario Funciones del producto Características de los usuarios Restricciones generales Control de versiones Lenguajes de programación y tecnologías Herramientas de desarrollo Sistemas operativos y hardware Bibliotecas y módulos usados Requisitos para futuras versiones Desarrollo del Proyecto Metodología de desarrollo

9 ÍNDICE GENERAL Origen Características Herramientas de modelado usadas BOUML Especificación de los requisitos del sistema Requisitos de interfaces externas Requisitos funcionales Requisitos de información Requisitos de reglas de negocio Atributos del sistema software Análisis del sistema Historias de usuario Casos de uso Modelo conceptual de datos del dominio Diseño del sistema Arquitectura del sistema Detalles de diseño Implementación Evaluación de la calidad Sonar Jenkins Plan de pruebas Resultados Conclusiones 123 A. Manual del usuario 125

10 4 ÍNDICE GENERAL B. Manual del desarrollador 127 B.1. Instalación de herramientas B.2. Puesta a punto del proyecto B.3. Ejecución del proyecto C. Ejemplos 131 C.1. Fichero BPEL de LoanRPC C.2. Fichero de pruebas BPTS de LoanRPC C.3. Análisis de LoanRPC.bpel Bibliografía 147

11 Índice de figuras 2.1. Modelo de ciclo de vida incremental Diagrama de Gantt Actividades desarrolladas por esfuerzos Comparación entre orquestación y coreografía de servicios Cruce de un punto Cruce de dos puntos Cruce uniforme Mutación Componentes de GAmera Diagrama de casos de uso de GAmeraHOM Diagrama de casos de uso de operadores genéticos Modelo conceptual de datos Diagrama de actividades del AG Diagrama de clases del lanzador del AG Diagrama de clases del executor Diagrama de clases del análisis inicial y el HOF Diagrama de clases del resultado de la ejecución Diagrama de clases de los individuos y su población

12 6 ÍNDICE DE FIGURAS Primer orden (A) y orden superior (B) Individuos idénticos Diagrama de clases de los operadores genéticos Diagrama de clases de los generadores de individuos Diagrama de clases de los operadores de selección Diagrama de secuencia de generación de individuos Diagrama de secuencia de selección de individuos Diagrama de clases de las condiciones de parada Diagrama de clases de los loggers Sonar - Cuadro de mandos Sonar - Pruebas Sonar - Violación Sonar - Evolución de gamera2-core Sonar - Distribuciones Sonar - Nube con el método Quickwins Sonar - Diseño de gamera2-core Sonar - Librerías externas de gamera2-core Jenkins

13 Listados de código 3.1. Proceso BPEL: Hola mundo Fichero de configuración YAML Configuración YAML para los operadores genéticos Configuración YAML para los generadores de individuos Configuración YAML para los operadores de selección Configuración YAML para las condiciones de parada Configuración YAML para los loggers HOF de la ejecución de LoanRPC

14

15 Capítulo 1 Introducción Este Proyecto Fin de Carrera se desarrolla gracias a una Beca de Colaboración con el Departamento de Lenguajes y Sistemas Informáticos, concedida por el Ministerio de Educación durante el curso académico 2010/11. Esta beca ha permitido tomar contacto con las tareas de investigación del grupo UCASE de Ingeniería del Software (TIC-025), en régimen de compatibilidad con los estudios del último curso de Ingeniería Informática Motivación Los primeros computadores sólo podían ejecutar un único programa al mismo tiempo. Con su evolución, posibilitando la ejecución de varias tareas simultáneas, unido a la aparición de las redes, hizo necesario contar con un sistema de comunicación entre ellos, de modo que dos computadores distintos que ejecutasen dos programas diferentes pudieran comunicarse entre sí. La unión entre computadores se salvó gracias a Internet, pero el que dos programas diferentes se comunicasen estaba sujeto a que su estructura interna fuese perfectamente compatible, y en caso de que así no lo fuera, no habría interacción posible. A raíz de lo anterior, surgieron los Web Services (WS, en adelante) que permiten que un programador pueda crear un WS para transferir datos sin necesidad de conocer las aplicaciones que harán uso de él, ni los programas de los que depende. Únicamente deberá ser utilizado por aquellas aplicaciones que quieran recibir esos datos, lo que quiere decir que podrán existir transferencias de datos entre distintas aplicaciones que funcionen en distintos computadores, con distintos sistemas operativos y que pertenezcan a diferentes empresas.

16 10 Introducción Una definición más precisa para los WS, según el W3C [1], es que son aplicaciones software identificadas por un URI, cuyas interfaces se pueden definir, describir y descubrir mediante documentos XML. Un WS soporta interacciones directas con otros agentes software utilizando mensajes XML intercambiados mediante protocolos basados en Internet. Los WS nos permiten trabajar colaborativamente, en donde el software puede estar distribuido en diferentes servidores. Dentro de este contexto, surge el lenguaje WS-BPEL, un estándar definido por OASIS [2] que permite especificar interacciones entre WS y ofrecerlos a su vez como WS, siendo éstos sus únicos métodos de entrada y/o salida. La maduración y la adopción de los WS por parte de muchas empresas es la culminación de décadas de avance tecnológico. Muchas organizaciones, como los bancos, les brindan a sus socios WS que pueden utilizar para combinar sus negocios de manera más efectiva que antes. Los beneficios de esta cooperación cercana entre las organizaciones son evidentes cada vez que uno compra por Internet. Está claro que el futuro de la informática comercial se encuentra en la colectividad. Si nos detenemos a pensar el amplio uso que los WS tienen hoy en día [3], es condición sine qua non prestar especial atención a la prueba de este tipo de software, una de las áreas que abarca el grupo UCASE. La prueba de mutaciones [4, 5, 6] es una técnica de prueba que ha sido ampliamente utilizada en una gran diversidad de lenguajes de programación. De hecho, ya existen varios sistemas de generación de mutantes [7], como por ejemplo: MuJava [8], SQLMutation [9], entre otros [10, 11]. Sin embargo, la mayoría de estas herramientas son de primer orden, únicamente Milu genera mutantes de orden superior para C [12]. Este trabajo se enmarca dentro de la línea de investigación dedicada a las técnicas de prueba de software para composiciones WS-BPEL y en la que se dispone de las siguientes herramientas: Un conjunto de operadores de mutación para WS-BPEL [13, 14]. MuBPEL, un sistema de generación y ejecución de mutantes. La mutación evolutiva, una técnica de reducción del coste computacional de la prueba de mutaciones [15]. GAmera, un generador de mutantes de primer orden que implementa la técnica de la mutación evolutiva para WS-BPEL [16].

17 1.2 Objetivos 11 GAmera, el primer generador de mutantes basado en un algoritmo genético [17], es una herramienta realizada previamente por UCASE [16]. Escrito en C++ y con una estructura correspondiente a la de un sistema monolítico, dificulta el mantenimiento del código, impide que se amplíe el algoritmo fácilmente y, además, el formato de configuración depende del diseño. Junto a ésto, el uso de aritmética de precisión limitada puede dar problemas a la larga y el lenguaje C++ y Make no se integran adecuadamente con el resto de los proyectos Objetivos Teniendo en cuenta que un mutante de orden superior se crea aplicando una secuencia de operadores de primer orden al programa original [18], nuestro objetivo será: Desarrollar el primer generador de mutantes de orden superior para composiciones WS-BPEL que implemente la mutación evolutiva y que bautizaremos como GAmeraHOM. Deberá realizarse bajo Java SE 6, usar Maven como sistema de compilación, emplear el uso de aritmética arbitraria y usar un formato YAML para la configuración. Para todo ello, se necesita: Un algoritmo genético lo suficientemente genérico para que sea fácilmente adaptable a otros lenguajes de programación. Componentes intercambiables y configurables. Fichero YAML configurable para posteriores estudios del algoritmo. Definir la nueva estructura de los individuos que compongan la población. Adaptar los operadores de cruce y de mutación a la nueva estructura Alcance Por limitaciones de tiempo, el presente trabajo recoge únicamente el desarrollo del algoritmo genético con sus nuevos operadores, dejando para un posterior estudio de investigación las estadísticas sobre la efectividad de la técnica y sobre la calidad de los mutantes generados.

18 12 Introducción 1.4. Glosario Acrónimos AG Algoritmo Genético API Application Programming Interface BSD Berkeley Software Distribution BPEL Business Process Execution Language BPTS BPELUnit Test Suite CASE Computer Aided Software Engineering CPAN Comprehensive Perl Archive Network CSV Comma-Separated Values CVS Concurrent Versions System DPX Double Point Crossover EMT Evolutionary Mutation Testing FTP File Transfer Protocol GPL GNU General Public License GNU GNU is Not Unix HOF Hall of Fame HOM Higher Order Mutants HTTP Hypertext Transfer Protocol IBM International Business Machines ICE-B International Conference on e-business ICETE International Joint Conference on e-business and Telecommunications IDE Integrated Development Environment IEEE Institute of Electrical and Electronics Engineers

19 1.4 Glosario 13 INVEST Independent, Negotiable, Valuable, Estimable, Small and Testable J2SE Java 2 Standard Edition JDT Java Development Toolkit JISBD Jornadas de Ingeniería del Software y Bases de Datos LCOM Lack of Cohesion of Methods MIME Multipurpose Internet Mail Extensions MVJ Máquina Virtual de Java OASIS Organization for the Advancement of Structured Information Standards PEAR PHP Extension and Application Repository PHP PHP Hypertext Pre-processor POM Project Object Model RAM Random Access Memory RFC Request For Comments RPC Remote Procedure Call SCM Software Configuration Management SCV Sistema de Control de Versiones SLF4J Simple Logging Facade for Java SMTP Simple Mail Transfer Protocol SOA Arquitectura Orientada a Servicios SOAP Simple Object Access Protocol SPM Single Point Mutation SPX Single Point Crossover SQUALE Software Quality Assessment based on Lifecycle Expectations StAX Streaming API for XML UDDI Universal Description, Discovery and Integration

20 14 Introducción UML Unified Modeling Language UPX Uniform Point Crossover URI Uniform Resource Identifier URL Uniform Resource Locator UTF Unicode Transformation Format W3C World Wide Web Consortium WS Web Service WS-BPEL Web Services Business Process Execution Language WS-CDL Web Services Choreography Description Language WSDL Web Services Description Language WSFL Web Services Flow Language WSS Web Services Security XLANG XML Language XML extensible Markup Language XML-RPC XML Remote Procedure Call XP extreme Programming XPath XML Path Language XSLT Extensible Stylesheet Language Transformations YAML YAML Ain t Another Markup Language Definiciones ActiveBPEL Motor que implementa la versión 2.0 del estándar WS-BPEL licenciado bajo GPLv2. Algoritmos genéticos Técnicas de búsqueda probabilística basadas en la teoría de la evolución y la selección natural, es decir, supervivencia de los mejores y carácter hereditario de las características. Se favorecen a los mejores y se generan nuevos individuos (recombinación y mutación de información).

21 1.4 Glosario 15 Aptitud Evaluación cuantitativa de cada individuo del algoritmo genético, de modo que sirva de comparación de cuán bueno es un individuo con respecto a otro. Codificación Procedimiento en el que se define la correspondencia de cada punto del dominio del problema con cada individuo del algoritmo genético, es decir, es la forma de especificar la representación de una solución del problema dentro del algoritmo genético. Fitness Véase aptitud. Individuo Posible solución al problema que se pretender resolver por medio del algoritmo genético. Inicialización Proceso mediante el que se construye la población inicial con la que se arranca el bucle básico del algoritmo genético. Jetty Servidor HTTP 100 % basado en Java y un contenedor de Servlets escrito en Java. Mutante Código resultante de hacer pequeñas modificaciones sintácticas en el programa original. Mutantes de orden superior Mutantes que contienen más de una diferencia con respecto al programa original. Mutantes de primer orden Mutantes que contienen una única diferencia con respecto al programa original. Mutantes equivalentes Mutantes que siempre provocan la misma salida que el programa original. Operadores genéticos Operadores con los que se lleva a cabo la reproducción en un algoritmo genético. Todos los algoritmos genéticos utilizan como mínimo el operador de cruce y de mutación, aunque no son los únicos posibles. Mutaciones Conjunto de reglas predefinidas que introducen pequeños cambios sintácticos en un programa, sin que éste pierda su validez sintáctica, basados en los errores que suelen cometer los programadores, o bien con la pretensión de forzar ciertos criterios de cobertura del código. Parada Condiciones por las que se considera que el algoritmo genético ha dado con una solución aceptable, o, en su defecto, ha fracasado en la búsqueda y no tiene sentido continuar.

22 16 Introducción Proceso de negocio Conjunto de tareas relacionadas lógicamente llevadas a cabo para lograr un resultado de negocio definido. Cada proceso de negocio tiene sus entradas, funciones y salidas. Las entradas son requisitos que deben tenerse antes de que una función pueda ser aplicada. Cuando una función es aplicada a las entradas de un método tendremos ciertas salidas resultantes. Pruebas de caja blanca Técnica de prueba que consiste en centrarse en la estructura interna (implementación) del programa para elegir los casos de prueba. Constituye el llamado enfoque estructural, frente al denominado enfoque funcional o de caja negra. Pruebas de caja negra Técnica de prueba que consiste en centrarse en lo que se espera de un módulo, es decir, intenta encontrar casos en que el módulo no se atiene a su especificación. El probador se limita a suministrarle datos como entrada y estudiar la salida, sin preocuparse de lo que pueda estar haciendo el módulo por dentro. Las pruebas de caja negra se apoyan, por tanto, en la especificación de requisitos del módulo. Constituye el llamado enfoque funcional, frente al denominado enfoque estructural o de caja blanca. Pruebas de mutaciones Técnica de prueba de caja blanca del software basada en errores. Consiste en generar un gran número de programas, denominados mutantes, a partir de un programa original aplicando al código fuente los llamados operadores de mutación. Salón de la fama Registro de los mejores individuos encontrados por el algoritmo genético desde la primera generación. Selección Proceso con el que se van eligiendo los individuos más aptos para que vayan participando de las distintas generaciones del algoritmo genético. Servicio Web Permiten el intercambio de información en sistemas distribuidos heterogéneos. Forman una arquitectura que permite describir, publicar, descubrir, solicitar e invocar diferentes servicios empleando la infraestructura de Internet. El lenguaje WS-BPEL, especifica el comportamiento de un proceso de negocio basado en interacciones con WS Visión general Tras esta introducción, hemos conocido cuáles son los objetivos que se pretenden cubrir con este proyecto, el problema que se quiere resolver y una lista de

23 1.5 Visión general 17 acrónimos y definiciones utilizadas a lo largo de este documento y que nos ayudarán a su comprensión. El resto del PFC se encuentra estructurado tal y como se explica a continuación: 1. En la sección Antecedentes se explicarán los conocimientos básicos sobre los que se asienta este proyecto, para que cualquier persona pueda comprender el contenido de esta memoria. 2. A continuación, en el Desarrollo del Calendario se explica cómo se han planificado y se han ido desarrollando las tareas a lo largo del período de desarrollo del proyecto, así como la cantidad de esfuerzo que se ha dedicado aproximadamente a cada una de las etapas. 3. Le sigue la Descripción general del Proyecto que responde a la pregunta qué hace este proyecto, en donde encontraremos la perspectiva y funciones principales de GAmeraHOM, las características de los usuarios que vayan a utilizar la aplicación, las restricciones generales, dependencias y requisitos para futuras versiones. 4. El Desarrollo del Proyecto profundizará en la respuesta a cómo lo hace, detallando la metodología de desarrollo empleada, la especificación de requisitos y análisis del sistema, resumirá los aspectos más destacables de la implementación del software y hará mención especial a la calidad del software. 5. La sección Resultados mostrará el desarrollo de la ejecución de una composición con GAmeraHOM. 6. Por último, se incluirán las conclusiones, una serie de anexos a la memoria y manuales para la puesta en marcha de la aplicación.

24

25 Capítulo 2 Desarrollo del Calendario El presente PFC ha sido realizado en un periodo aproximado de catorce meses, concretamente desde noviembre del 2010 hasta enero del Ha requerido un gran esfuerzo de planificación, debido a que no se ha tenido una dedicación exclusiva a su elaboración. Durante los primeros seis meses, el Proyecto se compaginó con los estudios del segundo ciclo de Ingeniería Informática, en los dos meses siguientes se le unió una jornada laboral y durante el tiempo restante, únicamente se compatibilizó con el trabajo. La Beca de Colaboración con el grupo UCASE de Ingeniería del Software fue relevante en esta tarea, ya que además del esfuerzo diario dedicado al desarrollo de GAmeraHOM, se realizaban una serie de seminarios semanales formativos o magistrales, en los que se impartían cursos sobre herramientas útiles y afines al espíritu del grupo, o sesiones en las que se exponían los avances o dificultades encontradas en cada uno de los proyectos que se llevan a cabo Iteraciones En este Proyecto se ha aplicado el modelo de ciclo de vida incremental [19] (figura 2.1) ya que al no conocer el dominio del problema, fue necesario ir cumpliendo pequeños hitos e ir ampliando los requisitos en cada fase hasta completar el producto final. Bajo este modelo se entrega software por partes funcionales más pequeñas, pero reutilizables, llamadas incrementos. Este modelo brinda cierta flexibilidad para que durante el desarrollo se incluyan cambios en los requisitos por parte del usuario, como por ejemplo, un cambio que

26 20 Desarrollo del Calendario Figura 2.1: Modelo de ciclo de vida incremental se produjo en la estructura de elementos básicos del algoritmo genético, cuando ya se había comenzado el desarrollo. Un cambio de requisitos propuesto y aprobado puede analizarse e implementarse como un nuevo incremento o, eventualmente, podrá constituir una mejora de uno ya planeado. A continuación, se especifican y enumeran las distintas tareas que se han llevado a cabo para la elaboración del PFC. Estas tareas se pueden solapar en el tiempo y el comienzo de una tarea no tiene que coincidir necesariamente con el inicio de otra Estudio del dominio del problema Esta fase constituye casi todo el tiempo de realización del Proyecto, aunque es cierto que fue más intenso en los primeros meses, debido al bajo nivel de conocimiento sobre la materia. Podemos destacar las siguientes etapas: 1. Fue necesario buscar información sobre el funcionamiento de los algoritmos genéticos, que si bien en la carrera estos conocimientos se dan en la asignatura de Aprendizaje Automático, no fue hasta el segundo cuatrimestre cuando se impartió dicha asignatura. 2. Una vez comprendido este paso elemental, se dedicó un periodo de tiempo a leer artículos realizados por otros miembros del grupo de investigación que fueran en sintonía con el trabajo que se tendría que realizar para este Proyecto.

27 2.1 Iteraciones El lenguaje de implementación a usar, Java, se conocía previamente gracias a la asignatura de Diseño de Sistemas Software, por lo que no fue necesario emplear tiempo en este apartado. Aunque se tomó contacto con algunos lenguajes que de alguna manera afectarían al proyecto, tales como YAML, BPEL, entre otros. 4. En este punto, llegó el momento de comprender cómo trabajaba GAmera, el generador de mutantes de primer orden para composiciones WS-BPEL, escrito en C Una vez entendido todo el estado del arte, comenzamos a desarrollar el presente Proyecto. Artículos de investigación Podemos destacar la presentación y aceptación de dos artículos, que versan sobre este PFC, en dos congresos que tuvieron lugar en el año 2011: El artículo Towards higher-order mutant generation for WS-BPEL [20], aceptado como artículo reducido en el ICE-B, celebrado en Sevilla del 18 al 21 de julio, el cual se tuvo el honor de presentar personalmente en una sesión oral de veinte minutos. ICE-B es parte de ICETE y tiene como objetivo reunir a investigadores y profesionales interesados en la tecnología del comercio electrónico y sus aplicaciones actuales. La tecnología mencionada se refiere no sólo a cuestiones más tecnológicas de bajo nivel, tales como plataformas tecnológicas y servicios web, sino también a algunas cuestiones de más alto nivel, como el conocimiento del contexto y los modelos de empresa y también las peculiaridades de las diferentes posibles aplicaciones de esta tecnología. Éstas son todas las áreas de importancia teórica y práctica en el ámbito amplio de e-business, cuya creciente importancia puede verse en el aumento del interés de la comunidad de investigación de las tecnologías de la información. Según datos publicados en la propia Web [21], el ICE-B 2011 recibió 70 aportaciones, de las cuales el 10 % fueron aceptadas como artículos completos, el 23 % se presentó como artículos reducidos y el 16 % como pósteres. El artículo Propuesta de una arquitectura para la generación de mutantes de orden superior en WS-BPEL [22], aceptado como trabajo de investiga-

28 22 Desarrollo del Calendario ción emergente en las XVI JISBD, celebrado en La Coruña del 5 al 7 de septiembre. Las Jornadas de Ingeniería del Software y Bases de Datos (JISBD) constituyen el foro de encuentro imprescindible para quienes trabajan en uno de estos dos temas en la península o en Iberoamérica. Las JISBD se organizan de modo que proporcionen un marco propicio para debatir, intercambiar ideas, compartir experiencias y divulgar resultados, fomentando así la colaboración entre los distintos sectores y grupos de trabajo de estas áreas Elicitación de requisitos Esta iteración se dedica a establecer el flujo que va a seguir el algoritmo genético desde su población inicial, también conocida como generación cero, en el transcurso de las poblaciones sucesivas o generaciones próximas, hasta que se cumpla alguna condición de parada. Además, en esta etapa se estudia la estructura de los elementos básicos, tales como la forma de almacenar los individuos y las propias poblaciones. A medida que avanzaba el desarrollo del algoritmo, fue necesario modificar los componentes internos de ciertos elementos o ampliarlos conforme a las nuevas características que iban surgiendo Implementación del algoritmo principal En esta fase nos enfrentamos al núcleo de este Proyecto, donde se definirá el curso que seguirá el algoritmo genético durante su ejecución. Ha sufrido bastantes cambios para generalizar el algoritmo lo máximo posible, de modo que ante posibles ampliaciones o modificaciones, no se vea afectado Implementación de operadores GAmera contaba con un operador de mutación y un operador de cruce, pero al introducir la estructura de mutantes de orden superior, estos operadores tuvieron que ser modificados y ampliados para dar cabida a todas las posibilidades.

29 2.2 Diagrama de Gantt Pruebas & Calidad Esta etapa es muy importante, las pruebas son algo esencial en este Proyecto y hay que prestar especial atención a ellas. Por eso, ocupa gran parte del tiempo de realización de este PFC. Todo proyecto tiene como objetivo producir software de la mejor calidad posible, que cumpla, y si puede, supere las expectativas de los usuarios. Tendremos especial cuidado en lo que se refiere a funcionalidad, eficiencia, mantenibilidad y escalabilidad, ya que éste será un Proyecto que tendrá continuidad dentro del grupo de investigación y que se integrará con otras herramientas Documentación La memoria, si bien se ha intensificado su desarrollo durante los últimos meses, se ha ido recopilando desde que comenzó el estudio del dominio del problema, ya que siempre se ha tenido a mano para consultar dudas, refrescar ideas o para el desarrollo de los artículos de investigación Diagrama de Gantt Para representar las diferentes fases, tareas y actividades programadas como parte del Proyecto y para mostrar las lineas de tiempo de las diferentes actividades, se ha elaborado un diagrama de Gantt (figura 2.2) para poder visualizar con mayor facilidad el desarrollo del PFC con la duración de cada una de las actividades. Se ha considerado que un día ideal equivale a la cantidad de trabajo que puede realizarse en un día por una persona, sin distracción alguna y a máximo rendimiento. Se ha empleado la herramienta Gantt Project para dibujar el diagrama. Dicha aplicación está escrita en Java y se puede encontrar bajo la dirección. Puede observarse como la barra de progreso de la última actividad, marca aproximadamente un 90 %, pues en el momento en que se realizó la captura, la documentación no estaba completa.

30 24 Desarrollo del Calendario Figura 2.2: Diagrama de Gantt

31 2.3 Esfuerzos Esfuerzos En la siguiente tabla (figura 2.3) podemos encontrar de forma detallada el esfuerzo que se ha dedicado a cada tarea. La actividad que ha requerido más esfuerzo es la relacionada con el estudio del dominio del problema y la propia implementación, pues los requisitos nos estaban muy definidos desde el principio y había que hacer cambios de diseño frecuentemente. Figura 2.3: Actividades desarrolladas por esfuerzos

32

33 Capítulo 3 Antecedentes 3.1. Servicios Web El W3C define un Servicio Web (WS) como una aplicación software identificada por un URI cuyas interfaces se pueden definir, describir y descubrir mediante documentos XML [1]. Podemos decir que designa una tecnología que permite que las aplicaciones se comuniquen en una forma que no depende de la plataforma, ni del lenguaje de programación. Un WS es una interfaz de software que describe un conjunto de operaciones a las cuales se puede acceder por la red a través de mensajería XML estandarizada. Usa protocolos basados en el lenguaje XML con el objetivo de describir una operación para ejecutar o intercambiar datos con otro WS. Un grupo de Servicios Web que interactúa de esa forma define la aplicación de un WS específico en una Arquitectura Orientada a Servicios. SOA establece un marco de diseño para la integración de aplicaciones independientes, de manera que desde la red pueda accederse a sus funcionalidades, las cuales se ofrecen como servicios. Según Thomas Erl [23], el paradigma de la arquitectura orientada a servicios se basa en los siguientes principios: 1. Los servicios deben ser construidos pensando en su reutilización, dentro de la misma aplicación o fuera. 2. Los servicios deben proporcionar un contrato formal, de forma que el consumidor del servicio accederá a éste mediante el contrato, sin conocer nada sobre la implementación del propio servicio. En el caso de los WS, este contrato se logrará con la definición de interfaces con WSDL.

34 28 Antecedentes 3. Los servicios tiene que tener un bajo acoplamiento, es decir deben ser independientes entre ellos. 4. Todo servicio debe ser construido de tal manera que pueda ser utilizado para construir servicios genéricos de más alto nivel, el cual estará compuesto de servicios de más bajo nivel. En el caso de los WS, esto se logrará mediante el uso de los protocolos para orquestación (WS-BPEL) y coreografía (WS- CDL). 5. Los servicios deberán tener su propio entorno de ejecución. 6. Los servicios no deberán guardar información, sólo contendrán lógica. 7. Los servicios deben darse a conocer, para no realizar servicios cuya funcionalidad ya exista. En el caso de los WS, se logra publicando los interfaces de los servicios en registros UDDI. Los WS son la forma más habitual de implementar SOA. Son aplicaciones que utilizan estándares para el transporte, codificación y protocolo de intercambio de información permitiendo la intercomunicación entre sistemas de cualquier plataforma. Los WS se construyen a partir de varios estándares abiertos basados en XML, proporcionando una integración perfecta e interoperabilidad entre aplicaciones software a través la red [24], de los que podemos destacar los siguientes: WS Protocol Stack Conjunto de servicios y protocolos utilizados para definir, localizar, implementar y hacer que un WS interactúe con otro. XML Formato estándar para los datos que se vayan a intercambiar. SOAP/XML-RPC Protocolos sobre los que se establece el intercambio de datos. WSDL Lenguaje de la interfaz pública para describir las funcionalidades de un WS. Es una descripción basada en XML de los requisitos funcionales necesarios para establecer una comunicación con los WS. UDDI Protocolo para publicar la información de los WS. Permite comprobar qué WS están disponibles, al ser accedido por los mensajes SOAP y dar paso a documentos WSDL, en los que se describen los requisitos del protocolo y los formatos del mensaje solicitado para interactuar con los WS del catálogo de registros.

35 3.2 El lenguaje WS-BPEL 29 WSS Protocolo de comunicaciones, aceptado como estándar por OASIS, que suministra un medio para aplicar seguridad a los WS. El protocolo garantiza la autenticación de los actores y la confidencialidad de los mensajes enviados. Orquestación vs. Coreografía de servicios La orquestación y la coreografía se suelen ver como dos aproximaciones para la composición de WS, que tienen mucha relación con los conceptos musicales y por eso, se han heredado sus significados. Sin embargo, hay mucha confusión con estos términos hasta llegar a tomarlos como sinónimos. La tarea de componer WS básicos para crear WS más complejos se conoce como composición de WS. Aquí es donde entra en juego la coreografía, con foco en la interacción entre servicios (equivalente a los bailarines) y la orquestación (equivalente a los instrumentos de la orquesta), con foco en la implementación y ejecución de servicios. Podemos deducir que la principal diferencia entre orquestación y coreografía es el alcance: La orquestación trata de la descripción y ejecución de un mismo y único punto de vista global del modelo (instrumentación). La coreografía trata de la descripción y guía de un modelo global proyectado en base a cada participante (bailarines). En la figura 3.1, podemos ver cómo la orquestación permite diseñar procesos de negocio ejecutables que pueden interactuar (a nivel de mensaje) tanto con software interno como externo, y la coreografía, que permite trazar las secuencias de mensajes que se suceden entre todas las partes participantes del proceso de negocio en lugar de centrarse en los mensajes que se intercambian entre los diversos programas de software que implementan los procesos de negocio El lenguaje WS-BPEL WS-BPEL, o especificación del lenguaje de ejecución de procesos de negocio en WS, pertenece a la capa de componentes establecida en SOA y es, en conjunto con WS-CDL, una alternativa para la implementación y manejo de WS.

36 30 Antecedentes Figura 3.1: Comparación entre orquestación y coreografía de servicios WS-BPEL surge como necesidad de ser el integrador o el engranaje para las diversas tecnologías que funcionan bajo SOA, pero que no logran una interoperabilidad al 100 %, lo que restringe su funcionamiento y adaptabilidad. WS-BPEL nace tomando propiedades de dos lenguajes propietarios: WSFL desarrollado por IBM y XLANG desarrollado por Microsoft, ambos lenguajes orientados a la descripción de WS. WS-BPEL 2.0 fue elegido estándar oficial por OASIS en Abril de Puesto que WS-BPEL es un lenguaje formal, se supone que la semántica es inequívoca. Por tanto, la codificación es esencial para lograr dicha portabilidad. Por esta razón, WS-BPEL se basa en el lenguaje de marcado extensible (XML), que fue diseñado especialmente para ofrecer la portabilidad a través de una codificación de plataforma neutral. WS-BPEL tiene como objetivo primordial la orquestación de WS, es decir, la definición de un nuevo WS a partir de WS existentes, en la que el motor BPEL utilizado es el responsable del control. El motor que respeta el estándar WS-BPEL 2.0 es ActiveBPEL. La estructura de un proceso WS-BPEL se divide en cuatro secciones: 1. La definición de relaciones con los socios externos (partnerlinks), que incluye los clientes que utilizan el proceso de negocio y los WS a los que llama el proceso. 2. La definición de las variables que usa el proceso, usadas para guardar los mensajes recibidos y enviados por el proceso de negocio y para almacenar los resultados intermedios de la lógica de las composiciones.

37 3.2 El lenguaje WS-BPEL La definición de los distintos tipos de manejadores que puede utilizar el proceso, tales como manejadores de fallos y de eventos. 4. La descripción del comportamiento del proceso de negocio A continuación, se presenta el típico ejemplo Hola mundo como proceso de negocio que llamará a un WS con una variable de entrada con el nombre del consumidor del servicio y dicho servicio responderá saludando al interesado. Listado 3.1: Proceso BPEL: Hola mundo 1 <?xml version="1.0" encoding="utf-8"?> 2 3 <process 4 name="holamundobpel" 5 targetnamespace=" HolaMundoBPEL" 6 xmlns=" executable" 7 xmlns:xsd=" 8 xmlns:tns=" <import 11 namespace=" 12 location="holamundobpel.wsdl" 13 importtype=" 14 <import 15 namespace=" 16 location="holamundowsservice.wsdl" 17 importtype=" <!-- 20 //////////////////////////////////////////////////////////// 21 PARTNERLINKS 22 Lista de servicios que participan en este proceso BPEL 23 //////////////////////////////////////////////////////////// 24 --> <partnerlinks> 27 <partnerlink name="holamundowspl" 28 xmlns:tns=" 29 partnerlinktype="tns:holamundowspl" partnerrole=" receptorrole"/> 30 <partnerlink name="holamundibpelpl" 31 xmlns:tns=" 32 partnerlinktype="tns:holamundobpelpl" 33 myrole="holamundobpelporttyperole"/> 34 </partnerlinks> 35

38 32 Antecedentes 36 <!-- 37 //////////////////////////////////////////////////////////// 38 VARIABLES 39 Lista de mensajes y documentos XML usados dentro de este 40 proceso BPEL 41 //////////////////////////////////////////////////////////// 42 --> <variables> 45 <variable name="varobtenercadenasalida" 46 xmlns:tns=" 47 messagetype="tns:obtenercadenaresponse"/> 48 <variable name="varobtenercadenaentrada" 49 xmlns:tns=" 50 messagetype="tns:obtenercadena"/> 51 <variable name="varbpelsalida" 52 xmlns:tns=" 53 messagetype="tns:holamundobpeloperationreply"/> 54 <variable name="varbpelentrada" 55 xmlns:tns=" 56 messagetype="tns:holamundobpeloperationrequest"/> 57 </variables> <!-- 60 //////////////////////////////////////////////////////////// 61 ORQUESTACION 62 Conjunto de actividades que coordinan el flujo de mensajes 63 a traves de los servicios integrados en este proceso de 64 negocio 65 //////////////////////////////////////////////////////////// 66 --> <sequence> 69 <receive name="inicio" createinstance="yes" 70 partnerlink="holamundibpelpl" 71 operation="holamundobpelop" 72 xmlns:tns=" 73 porttype="tns:holamundobpelporttype" variable=" varbpelentrada"/> 74 <assign name="asignacion-01"> 75 <copy> 76 <from> 77 $varbpelentrada.entrada/h 78 </from> 79 <to> 80 $varobtenercadenaentrada.parameters/h 81 </to> 82 </copy> 83 <copy>

39 3.3 Algoritmos genéticos <from> 85 $varbpelentrada.entrada/m 86 </from> 87 <to> 88 $varobtenercadenaentrada.parameters/m 89 </to> 90 </cop1y> 91 </assign> 92 <invoke name="obtenercadena" 93 partnerlink="holamundowspl" operation="obtenercadena" 94 xmlns:tns=" 95 porttype="tns:holamundows" 96 inputvariable="varobtenercadenaentrada" 97 outputvariable="varobtenercadenasalida"/> 98 <assign name="asignacion-02"> 99 <copy> 100 <from> 101 $varobtenercadenasalida.parameters/return 102 </from> 103 <to> 104 $varbpelsalida.salida/return 105 </to> 106 </copy> 107 </assign> 108 <reply name="fin" 109 partnerlink="holamundibpelpl" 110 operation="holamundobpelop" 111 xmlns:tns=" 112 porttype="tns:holamundobpelporttype" 113 variable="varbpelsalida"/> 114 </sequence> 115 </process> 3.3. Algoritmos genéticos Los Algoritmos Genéticos (AG) son métodos adaptativos que pueden usarse para resolver problemas de búsqueda y optimización. Se llaman así porque se inspiran en la evolución biológica y su base genético-molecular. A lo largo de las generaciones, las poblaciones evolucionan siguiendo los principios de la selección natural y la supervivencia de los más fuertes, postulados por Darwin [25]. En la naturaleza los individuos de una población compiten entre sí en la búsqueda de recursos tales como comida, agua y refugio. Incluso los miembros de una misma especie compiten a menudo en la búsqueda de un compañero.

40 34 Antecedentes Aquellos individuos con más éxito en la supervivencia y perpetuación de la especie generarán un gran número de descendientes. Por el contrario, individuos poco dotados producirán un menor número de descendientes. Ésto significa que los genes de los individuos mejor adaptados se propagarán en sucesivas generaciones hacia un número de individuos creciente. La combinación de buenas características provenientes de diferentes ancestros puede a veces producir superindividuos, cuya adaptación es mucho mayor que la de cualquiera de sus antepasados. De esta manera, las especies evolucionan logrando unas características cada vez mejor adaptadas al entorno en el que viven. Los principios básicos de los Algoritmos Genéticos fueron establecidos por Holland [26] y básicamente consiste en una población de individuos o soluciones potenciales al problema bajo análisis oportunamente codificadas, se hace evolucionar hacia una solución óptima en base a la presión que ejercen los operadores de selección, mutación y cruce, utilizando una función de aptitud, coste o fitness para medir la calidad de las soluciones y proceder iterativamente al reemplazo generacional. Los conceptos que pueden resumir a los AG son la supervivencia de los mejores y el carácter hereditario de las características. Esto significa que, por un lado, los AG favorecen a los mejores individuos, y por otro lado, generan nuevos individuos a través de la recombinación y la mutación de la información de los individuos existentes. Los AG no son aproximaciones secuenciales que consideran una única solución cada vez, sino que trabajan con una población de soluciones y procesan toda la información que ésta contiene de forma paralela. El aumento de interés por los AG se debe a que constituyen un método global y robusto de búsqueda de soluciones de problemas. De hecho, se han convertido en la técnica metaheurística más empleada [27], existiendo multitud de estudios previos referidos a su empleo, parametrización e implantación, así como herramientas informáticas genéricas adaptables a diferentes problemas [28, 29, 30]. Como puntos favorables a los AG se encuentran las siguientes características: Buen equilibrio alcanzado entre la eficiencia y eficacia para resolver problemas de grandes dimensiones. Trabajan con una codificación de parámetros, no con los parámetros propios. Utilizan un subconjunto del espacio total para obtener información sobre el universo de búsqueda, a través de las evaluaciones de la función a optimizar.

41 3.3 Algoritmos genéticos 35 No están sujetos a restricciones, es decir, no se necesitan conocimientos específicos sobre el problema a resolver. Utilizan operadores probabilísticos, en vez de los típicos operadores determinísticos de las técnicas tradicionales. Fácil ejecución en arquitecturas paralelas. Sin embargo, también tienen algunas limitaciones, aunque se pueden superar sin afectar a la validez de la evolución biológica: La representación del problema debe ser robusta para que tolere cambios aleatorios. La función objetivo debe considerarse cuidadosamente para que se pueda alcanzar una mayor aptitud y verdaderamente signifique una solución óptima para el problema dado. El tamaño de la población y los parámetros de reproducción deben ser adecuados. Si el tamaño de la población es demasiado pequeño, puede que el AG no explore suficientemente el espacio de soluciones para encontrar buenas soluciones. Si el ritmo de cambio genético es demasiado alto o el sistema de selección se escoge inadecuadamente, puede alterarse el desarrollo de esquemas beneficiosos y la población puede llegar a ser errónea, al cambiar demasiado rápido para que la selección llegue a producir convergencia. Por último, destacar que los AG no son recomendados para problemas resolubles de forma analítica, ya que el tiempo de computación sería mucho más bajo usando los métodos analíticos tradicionales Elementos y operadores de un AG Una vez comprendido qué es un algoritmo genético, sus pros y sus contras, es necesario entender una serie de conceptos para poder realizar un algoritmo genético. Codificación de las variables Buscando una analogía con la biología, los AG requieren que las posibles soluciones al problema, conocido como el conjunto de individuos, se codifique

42 36 Antecedentes en un cromosoma. Cada cromosoma tiene varios genes que corresponden a sendos parámetros del problema. Para poder trabajar con estos genes, es necesario codificarlos de alguna forma entendible para el ordenador. Este esquema de codificación es altamente dependiente de las características del problema que intentemos resolver. Podemos destacar los siguientes tipos de codificaciones: Binaria La información se codifica mediante una representación binaria. Punto flotante Los individuos quedan representados por números reales. Permutación La información de los individuos se representa mediante una secuencia ordenada de valores. La mayoría de las veces, una codificación correcta es la clave de una buena resolución del problema. Normalmente, la codificación es estática, pero en casos de optimización numérica, el número de bits dedicados a codificar un parámetro puede variar, o incluso lo que representen los bits dedicados a codificar cada parámetro. Algunos paquetes de algoritmos genéticos adaptan automáticamente la codificación según van convergiendo los bits menos significativos de una solución. Población inicial Habitualmente la población inicial se genera aleatoriamente, formando un conjunto de cromosomas que representan las posibles soluciones del problema. En caso de no hacerlo aleatoriamente es importante garantizar que, dentro de la población inicial, se tenga la diversidad estructural de estas soluciones para tener una representación de la mayor parte de la población posible o al menos evitar la convergencia prematura. Función de evaluación A cada uno de los cromosomas o individuos de la población se aplicará la función de evaluación de la aptitud para saber qué tan buena es la solución que se está codificando. La regla general para construir una buena función de evaluación es que debe reflejar el valor del individuo de una manera real, pero en muchos problemas

43 3.3 Algoritmos genéticos 37 de optimización combinatoria, donde existe gran cantidad de restricciones, buena parte de los puntos del espacio de búsqueda representan individuos no válidos. Para estos casos, se han propuesto varias soluciones. Una de ellas es la absolutista, en la que los individuos que no verifican las restricciones, no son considerados como tales, y se siguen efectuando cruces y mutaciones hasta obtener individuos válidos, o bien, a dichos individuos se les asigna una función objetivo igual a cero. Otra opción, consiste en reconstruir aquellos individuos que no verifican las restricciones por medio de un nuevo operador que se acostumbra a denominar reparador. Otro enfoque consiste en dividir la función de evaluación del individuo por una penalización que guarda relación con las restricciones que dicho individuo viola. Dicha cantidad puede simplemente tener en cuenta el número de restricciones violadas o bien el denominado costo esperado de reconstrucción, es decir el coste asociado a la conversión de dicho individuo en otro que no viole ninguna restricción. Si la computación de la función de evaluación fuese muy compleja, se realizaría una evaluación aproximada de la función de evaluación. Operador de selección Los algoritmos de selección serán los responsables de escoger los individuos que van a tener oportunidades de reproducirse y cuáles no. Además, como se trata de imitar lo que ocurre en la naturaleza, se ha de otorgar un mayor número de oportunidades a los individuos más aptos. Tras saber la aptitud de cada individuo, se procede a elegir los cromosomas que serán cruzados en la siguiente generación. Los cromosomas con mejor aptitud tienen mayor probabilidad de ser seleccionados. Existen varios mecanismos de selección, las más frecuentemente utilizadas son presentadas a continuación: Selección por ruleta También llamada selección proporcional a la función de aptitud o selección de Montecarlo, es la más habitual y permite que los mejores individuos sean elegidos con una mayor probabilidad, pero al mismo tiempo permite a los peores individuos ser elegidos, lo cual puede ayudar a mantener la diversidad de la población, en contraste con la selección por truncamiento. Sea N el número de individuos existentes y f i la aptitud o fitness del i-ésimo

44 38 Antecedentes individuo. La probabilidad asociada a su selección está dada por: p i = f i N j=1 f j El funcionamiento de selección de un individuo por este método es el siguiente: 1. Cálculo acumulado de las aptitudes de los individuos de la población, tal que así: 2. Generación de un número aleatorio rɛ[0, 1) 3. Selección del individuo I i que cumpla que q i 1 < r < q i. Un problema de la selección de ruleta se presenta ante los superindividuos, aquellos que poseen una aptitud excesivamente superior al resto. Esto provoca pérdida de diversidad y puede conducir a convergencia prematura, pues la mayor parte de los individuos seleccionados será una copia de los pocos predominantes. En este caso, es preferible utilizar selección basada en ranking o selección por torneo. Selección por truncamiento En esta selección los individuos son ordenados según su función de evaluación y se selecciona una proporción p de los individuos con mejor aptitud que es reproducida 1/p veces. Selección basada en ranking Los individuos se ordenan según su función de evaluación y luego son asignados con una segunda medida, inversamente proporcional a su posición en el ranking. Los valores de esta segunda asignación pueden ser lineales o exponenciales. Finalmente, los individuos son seleccionados proporcionalmente a esta probabilidad. Este método disminuye el riesgo de convergencia prematura que se produce cuando se utiliza selección por ruleta en poblaciones con unos pocos individuos con medidas de desempeño muy superiores a las del resto. Selección por torneo Esta selección se efectúa mediante un torneo o comparación entre un pequeño subconjunto de individuos, llamado el tamaño del torneo, elegidos al azar desde la población y donde se va eligiendo al mejor individuo de ese grupo hasta que el número de individuos seleccionados coincida con el tamaño de la población. Variando el número de individuos que participan en cada torneo se puede modificar la presión de selección. Cuando participan muchos individuos en cada torneo, la presión de selección es elevada y los peores individuos apenas tiene oportunidades de reproducción.

45 3.3 Algoritmos genéticos 39 Los beneficios de este tipo de selección son la velocidad de aplicación, dado que no es necesario evaluar ni comparar la totalidad de la población, y la capacidad de prevenir, en cierto grado, la convergencia prematura. La principal desventaja es la necesidad de establecer el parámetro correspondiente al tamaño del subconjunto. Operador de reproducción Una vez elegidos los progenitores, en esta fase tiene lugar la reproducción de los cromosomas, utilizando los operadores genéticos de cruce y de mutación, para formar la nueva población de individuos. Operador de cruce Este operador genera dos individuos nuevos, denominados hijos, a partir de dos individuos seleccionados previamente, denominados padres o progenitores. Tiene como objetivo que los hijos hereden parte de la información almacenada en cada uno de los dos padres. Al compartir las características buenas de dos individuos, la descendencia, o al menos parte de ella, debería tener una aptitud mayor que cada uno de los padres por separado. Generalmente este operador no se aplica a todos los pares de individuos que han sido seleccionados para reproducirse, sino que se aplica con una probabilidad aleatoria entre 0.5 y 1.0, denominada probabilidad de cruce. Si el operador de cruce no llega a aplicarse, entonces la descendencia se obtiene duplicando a los padres. Existen varios algoritmos de cruce, sin embargo los más utilizados se detallan a continuación: Cruce de un punto También conocida como SPX, consiste en cortar los cromosomas por un punto aleatoriamente seleccionado para formar dos partes diferenciadas, la cabeza y la cola, dando lugar a dos nuevos descendientes. De esta manera, ambos hijos heredan información de los progenitores como puede observarse en la figura 3.2. Cruce de dos puntos También llamada DPX, consiste en cortar los cromosomas por dos puntos aleatorios, los cuales no pueden corresponderse con los extremos de ninguno de los dos cromosomas. De modo que los descendientes estarán formados por la parte central de uno de los progenitores y el resto, por los laterales del otro progenitor (figura 3.3). Se pueden añadir más puntos de cruce dando lugar a operadores de cruce multipunto, pero diversos estudios desaconsejan esta técnica [31].

46 40 Antecedentes Figura 3.2: Cruce de un punto Figura 3.3: Cruce de dos puntos Cruce uniforme Comúnmente conocido como UPX, se basa en la realización de una máscara de cruce con valores binarios que nos servirá de base para generar a los dos descendientes (figura 3.4). Para generar el primero de ellos, si la primera posición de la máscara es un 1, el primer valor del descendiente se corresponderá con el primer valor del progenitor A, y en caso contrario, sería el primer valor del progenitor B, y así sucesivamente. Para generar el segundo descendiente, bastaría intercambiar los progenitores. Figura 3.4: Cruce uniforme Operador de mutación El operador de mutación se aplica a cada hijo de manera individual y consiste en la alteración aleatoria (normalmente con probabilidad pequeña) de cada gen componente del cromosoma (figura 3.5). Al igual que el operador de cruce, el diseño de este operador también está

47 3.3 Algoritmos genéticos 41 Figura 3.5: Mutación asociado al esquema de codificación empleado en el AG. En este sentido, el operador más empleado consiste en cambiar el valor de un gen por otro del rango de valores permitidos para ese gen. Si se trabaja con codificaciones binarias, bastaría con negar un bit y sino, bien se podría incrementar o decrementar a un gen una pequeña cantidad generada aleatoriamente, o multiplicar un gen por un valor aleatorio próximo a Esquema de un AG básico Los AG trabajan sobre una población de individuos, en la que cada uno de ellos representa una posible solución al problema que se desea resolver. Todo individuo tiene asociado un ajuste de acuerdo a la bondad con respecto al problema de la solución que representa (en la naturaleza el equivalente sería una medida de eficiencia del individuo en la lucha por los recursos). El funcionamiento del Algoritmo Genético Simple, también conocido como Canónico, se presenta en el pseudocódigo 1. Partimos de un contador de generaciones t que irá actualizándose conforme vayan surgiendo nuevas generaciones. En primer lugar, se crea una población inicial P t cuyo tamaño vendrá determinado por T P y será la que nos proporcione información para obtener la aptitud de los individuos. Las generaciones irán realizándose hasta que se cumpla un criterio de parada G. La población P t creada anteriormente, sufrirá varios cambios al someterse a un proceso de selección para determinar los progenitores que se van a reproducir y por otro lado, mediante el uso de operadores genéticos, como el cruce y la mutación, que serán aplicados conforme a su probabilidad de aplicación, p c y p m, respectivamente. Los descendientes resultantes, se insertarán en la población, junto con un individuo escogido de la población anterior P t 1. De este modo, el principio de selección natural se realiza por selección de progenitores (selección) y selección de

48 42 Antecedentes supervivientes para la próxima generación (sustitución). El siguiente paso sería evaluar la aptitud de la población en conjunto, y finalmente, tras cumplirse la condición de parada, escoger el mejor individuo ind que representará la mejor solución x al problema. Las condiciones de parada más usuales son las siguientes: Los mejores individuos de la población representan soluciones suficientemente buenas para el problema que se desea resolver. La población ha convergido, es decir, cuando el 95 % de la población tiene el mismo valor para él o dentro de un rango especificado. Se ha alcanzado el número de generaciones máximo. Pseudocódigo 1 Algoritmo genético canónico Entrada: T P p c p m G N Salida: x 1: t 0 2: P t crear_población_inicial(t P ) 3: evaluar_aptitud(p t ) 4: mientras t < G hacer 5: t t + 1 6: mientras P t < N hacer 7: P rogenitores selección_individuos_reproducción(p t 1 ) 8: Descendientes realizar_cruce(p c, P rogenitores) 9: Descendientes_mutados realizar_mutación(p m, Descendientes) 10: insertar_descendientes(p t, Descendientes_mutados) 11: fin mientras 12: mientras P t < T P hacer 13: Superviviente seleccionar_individuo() 14: insertar_individuo(p t, Superviviente) 15: fin mientras 16: evaluar_aptitud(p t ) 17: fin mientras 18: ind mejor_individuo() 19: devolver IN D Renovación de la población de los AG Los modos en que los individuos de la población de un AG van evolucionando se basan en distintas metáforas de la naturaleza:

49 3.4 Prueba de mutaciones 43 AG generacionales En cada generación se reemplaza la población por la nueva resultante de aplicar cruces y mutaciones con la población inicial. Es similar a la forma de reproducción de los insectos, en la que una generación pone huevos, se aleja geográficamente o muere y es sustituida por una nueva. AG permanente En cada generación se sustituyen solamente uno o dos miembros de la población. Utilizan el esquema generacional de los mamíferos, en el cual coexisten padres y sus descendientes, lo que permite que los hijos sean educados por sus progenitores, pero también, que a la larga, se genere competencia entre ellos. AG paralelos La población tiene una estructura espacial y tanto la reproducción, como la selección, se realizan de forma localmente distribuida. Es muy común en la naturaleza que no sólo exista una población evolucionando, sino que varias, normalmente aisladas geográficamente, vayan evolucionando de forma diferente y concurrente. Modelo de islas La población total se divide en subpoblaciones que evolucionan independientemente con un AG. Cada cierto número de generaciones, ocurren migraciones entre ellas, lo que les permite intercambiar material genético. Esta variación representa una fuente de diversidad genética. Sin embargo, si un gran número de individuos emigran en cada generación, ocurre una mezcla global y se eliminan las diferencias locales. Si la migración no es frecuente, es probable que se produzca convergencia prematura en las subpoblaciones. Modelo celular Se basa en colocar a cada miembro en una matriz, de modo que sólo podrá reproducirse con aquellos que tenga a su alrededor, generalmente de forma aleatoria o el más apto. El descendiente generado, pasará a ocupar una posición cercana Prueba de mutaciones La prueba de mutaciones [4, 5, 6] es una técnica de pruebas basada en introducir pequeños fallos sintácticos en el programa original mediante la aplicación de operadores de mutación. Los programas resultantes se reconocen como mutantes. Cada operador de mutación modela un tipo de errores que pueden cometer los

50 44 Antecedentes programadores. De modo que si una instrucción general es valor > 1000 y le aplicamos el operador relacional, que cambia el tipo de operador relacional, podemos obtener como mutante la instrucción valor < Si un caso de prueba es capaz de distinguir el programa original del mutante (sus salidas son diferentes) se dice que ese caso de prueba en particular, mata al mutante. Asimismo, si un caso de prueba no puede diferenciar el mutante del programa original, podemos decir que el mutante permanece vivo. En este caso donde el mutante produce la misma salida que el programa original, estamos ante un mutante equivalente. Para medir la calidad de un conjunto de casos de pruebas podemos usar su tasa de mutación que representa el porcentaje de mutantes muertos. La tasa de mutación viene dada por el cociente entre el número de mutantes muertos y el número de mutantes no equivalentes. T asa de Mutación = K M E 100 Donde K es el número de mutantes muertos, M es el número de mutantes producidos y la E es el número de mutantes equivalentes. Cuanto mayor sea el valor de la tasa de mutación, mayor calidad tendrá ese conjunto de casos de pruebas, ya que significará que será el que mate más mutantes. Sin embargo, el valor de E no se conoce a priori y es necesario estudiar los mutantes para identificar aquellos que sean equivalentes. Por otro lado, también podemos usar la prueba de mutaciones para generar nuevos casos de prueba que maten a los mutantes que sobrevivan y así, mejorar la calidad del conjunto de casos de prueba inicial. Esto permitiría aumentar nuestra tasa de mutación hasta el 100 %, lo que significaría que el conjunto de casos de prueba es adecuado para detectar todos los fallos modelados por los mutantes. Uno de los problemas de aplicar la prueba de mutaciones es la existencia de mutantes equivalentes, ya que no pueden diferenciarse del programa original al producir la misma salida que éste. Los mutantes equivalentes no deben ser confundidos con los mutantes resistentes, producidos al no encontrar un caso de prueba óptimo para detectarlos. La prueba de mutaciones es una técnica que implica un alto coste computacional debido a que existen bastantes operadores de mutación que generan muchos mutantes que luego tienen que ser comparados con el programa original y por ello surge la Mutación evolutiva [15].

51 3.4 Prueba de mutaciones Mutación evolutiva La prueba de mutaciones evolutiva o EMT está basada en un algoritmo evolutivo que no genera todos los mutantes, sino sólo aquellos de alta calidad conforme vaya necesitando el proceso de selección. Ésto reduce su número, favoreciendo a los vivos o potencialmente equivalentes y dificultando el proceso de matar mutantes. Estos mutantes de alta calidad pueden usarse para mejorar la calidad el conjunto de casos de prueba inicial. Como herramienta de prueba de la mutaciones evolutiva, el grupo UCASE desarrolló GAmera [16], el primer sistema generador de mutantes para composiciones WS-BPEL basado en un algoritmo genético. Como resultado de las pruebas, se pudo constatar que el uso de la mutación evolutiva es más efectivo que la mutación tradicional, especialmente en composiciones complejas [15].

52

53 Capítulo 4 Descripción general del Proyecto 4.1. Perspectiva del producto Entorno de los productos El presente Proyecto está formado por GAmeraHOM, un sistema generador de mutantes de orden superior para composiciones WS-BPEL. Se basa en GAmera (se verá en detalle en el apartado 4.1.1), una herramienta desarrollada por el grupo UCASE [16] que consiste en un generador de mutantes de primer orden para composiciones WS-BPEL, escrito en C++ y que en lugar de generar todos los mutantes posibles, sólo genera un subconjunto de ellos, es decir, implementa la técnica de la mutación evolutiva. GAmeraHOM es una herramienta genérica escrita en Java SE 6, que además de generar mutantes de orden superior y estar basado en la EMT, permite que el generador sea extensible y adaptable a cualquier otro lenguaje de programación con la mínima intervención del desarrollador. GAmeraHOM está dividido en tres componentes relacionados entre sí: gamera2-api Modelo de datos e interfaces genéricas. gamera2-bpel Soporte de WS-BPEL 2.0 para GAmeraHOM. gamera2-core Núcleo genérico y lanzador por línea de órdenes. Esta división garantiza que gamera2-bpel sólo dependa de gamera2-api y que gamera2-core no dependa en absoluto de gamera2-bpel.

54 48 Descripción general del Proyecto GAmeraHOM no termina con este proyecto, continuará progresando, añadiendo nuevas características e incorporando nuevas fases que permitan realizar una herramienta más eficiente aún, con el posterior estudio de los parámetros que hagan el algoritmo más óptimo. GAmera GAmera [16, 32] es la herramienta para la generación y ejecución automática de mutantes para composiciones de Servicios Web en WS-BPEL [2]. Incorpora un mecanismo de optimización que permite seleccionar un subconjunto de los mutantes totales que pueden generarse. Esto se logra mediante la utilización de un algoritmo genético que genera y selecciona sólo los mutantes de mayor calidad, reduciendo el coste computacional que implicaría la ejecución de todos los mutantes. Los resultados que proporciona esta herramienta permiten mejorar la calidad de los casos de prueba. GAmera está constituida por tres componentes principales cuya interacción podemos observar en la figura 4.1: Analizador: es el componente de la herramienta que actúa primero. Recibe como entrada la composición WS-BPEL a probar y determina los operadores de mutación que se le pueden aplicar. Generador de mutantes: es el siguiente componente que entra en acción, partiendo de la información que se recibe del analizador. La herramienta nos da la posibilidad de generar todos los mutantes posibles, o bien un subconjunto de éstos que va a ser seleccionado por el ya citado algoritmo genético. En este último caso, se llamará al componente denominado Generador genético de mutantes, que está compuesto a su vez por dos elementos. El primero es el algoritmo genético en sí, denominado Búsqueda genética de mutantes, en el que cada individuo representa a un mutante, capaz de generar y seleccionar de forma automática un conjunto de mutantes. Esta selección se realiza aplicando una función de aptitud que mide su calidad en función de si hay o no casos de prueba que lo matan. El segundo elemento es el Conversor, que transforma un individuo del algoritmo genético en un mutante WS-BPEL. Para realizar esta conversión, se utilizan hojas de estilos XSLT, una por cada operador de mutación.

55 4.1 Perspectiva del producto 49 Original WS BPEL 2.0 program Analizador Contador operadores mutación GENERADOR DE MUTANTES Mutantes potencial. equivalente Mutantes muertos Mutantes erróneos Algoritmo genético Conversor Casos de prueba Sistema de ejecución Mutante WS BPEL 2.0 Figura 4.1: Componentes de GAmera Sistema de ejecución: a medida que se van generando los mutantes, este tercer componente los ejecuta frente a un conjunto de casos de prueba, distinguiéndose tres posibles estados para cada mutante según la salida que producen: Muerto La salida del mutante es diferente a la del proceso original para al menos un caso de prueba. Vivo La salida del mutante es la misma que la del proceso original para todos los casos de pruebas suministrados. Equivalente La salida del mutante y la del programa original es siempre la misma para todos los casos de prueba. Resistente El conjunto de casos de prueba no es suficiente para detectarlo. Erróneo Se ha producido un error en el despliegue del mutante y no se ha podido ejecutar. La existencia de este estado permite determinar si el diseño e implementación de los operadores de mutación es adecuado, o bien, si se están generando mutantes que no se pueden desplegar. Para la ejecución del programa original y los mutantes, GAmera emplea el motor WS-BPEL 2.0, ActiveBPEL 4.1 [33] y BPELUnit [34], una biblioteca de pruebas unitarias para WS-BPEL que utiliza ficheros XML para describir los casos de prueba. GAmera permite visualizar los resultados obtenidos en la ejecución de los mutantes. Muestra el número total de mutantes generados, el de mutantes muertos, vivos y erróneos. También muestra estos valores para cada operador de mutación utilizado. A partir de estos valores se puede medir la calidad del conjunto de casos de prueba utilizado.

56 50 Descripción general del Proyecto Interfaces de sistema GAmeraHOM interacciona con MuBPEL, antes conocido como mutationtool, un sistema de generación y ejecución de mutaciones para WS-BPEL. Puede usarse para evaluar la calidad del conjunto de casos de prueba al comprobar si existen diferencias entre el programa original y el mutante generado. Los mutantes son versiones del programa original pero con alguna pequeña modificación sintáctica Interfaces de usuario La herramienta GAmeraHOM actualmente no presenta una interfaz gráfica. Para interactuar con esta herramienta se utilizará la terminal de GNU mediante líneas de órdenes. No obstante, uno de los próximos objetivos del grupo es adaptar la interfaz gráfica de MuBPEL a GAmeraHOM Funciones del producto Analizar una composición WS-BPEL para identificar qué instrucciones o elementos del programa original pueden mutarse. Parametrizar el algoritmo genético siguiendo una serie de características incluidas en un archivo de configuración. Aplicar varios operadores a la composición WS-BPEL original para generar tantos mutantes como se fijen en la configuración. Aplicar los operadores de selección, reproducción y generación aleatoria de individuos para producir individuos optimizados. Ejecutar la composición WS-BPEL sobre el conjunto de casos de prueba, para obtener si ha pasado con éxito o no cada uno de los casos. Ejecutar los mutantes y comparar hasta que se encuentre la primera diferencia entre la salida de la composición original y las salidas de las ejecuciones de las mutaciones. Ejecutar todos los mutantes y comparar la salida de la composición original con las salidas de las ejecuciones de las mutaciones.

57 4.3 Características de los usuarios 51 Normalizar los individuos, es decir, obtener una forma canónica de éstos. Generar información de carácter estadístico que proporcione información sobre el número de generaciones realizadas, el número de mutantes generados y un salón de la fama con los mejores individuos que se hayan generado durante el algoritmo genético Características de los usuarios Como ya hemos comentado, GAmeraHOM es un proyecto orientado a la investigación, así que los usuarios de esta aplicación serán aquellos que necesiten aplicar algoritmos genéticos para la prueba de software. En principio para composiciones WS-BPEL, pero extensible a otros lenguajes. Los usuarios, gracias a este proyecto, podrán analizar el comportamiento de mutar individuos aplicándole más de un operador de mutación sobre la misma composición, dando lugar a mutantes de orden superior. Este aspecto tiene gran interés, porque no existe ninguna otra herramienta que genere mutantes de orden superior para composiciones WS-BPEL. De hecho, en términos de generadores de mutantes de orden superior, únicamente se encuentra Milu para el lenguaje C [12]. Aunque el manejo de esta herramienta no es complicado, puede que una persona inexperta en este dominio no sepa lo que se hace en cada momento o no interprete correctamente los resultados proporcionados tras la finalización del algoritmo genético. Por ello, la sección 3 recoge todos los aspectos necesarios para iniciarse en el tema: Servicios Web (véase 3.1), el lenguaje WS-BPEL (véase 3.2), los algoritmos genéticos (véase 3.3) y la prueba de mutaciones (véase 3.4). Tal y como se comentó en la introducción, este proyecto está elaborado dentro del grupo UCASE de Ingeniería del Software de la Universidad de Cádiz, y aunque GAmeraHOM puede ser utilizado por cualquier persona, los más indicados serán los investigadores que estudien el ámbito de los mutantes, en especial con el lenguaje WS-BPEL y por consiguiente, los miembros de UCASE.

58 52 Descripción general del Proyecto 4.4. Restricciones generales Control de versiones El grupo UCASE gestiona la mayoría de sus proyectos mediante Redmine 1 [35], una herramienta para la gestión de proyectos y el seguimiento de errores. Soporta múltiples proyectos, diferentes roles, seguimiento de errores, diagramas de Gantt, administración de documentos y lo que es más importante, la gestión de configuración de software (SCM). El SCM trata y controla: La elaboración de código fuente por varios desarrolladores de forma simultánea. El seguimiento del estado de las versiones y sus cambios. La conducción de la integración de las partes del software en un solo producto de software. Estos sistemas permiten almacenar todas las versiones de un árbol de ficheros pudiendo manipular todas las revisiones de cualquier fichero en cualquier momento. Además de servir como una medida de seguridad contra la pérdida de información accidental, agilizan los cambios drásticos ya que no hay que establecer medidas especiales por si fallaran: se pueden revertir los cambios hechos en cualquier momento. Se utilizó Subversion [36, 37] como sistema de control de versiones, diseñado específicamente para reemplazar al popular CVS. Es software libre bajo una licencia de tipo Apache/BSD. A diferencia de CVS los archivos versionados no tienen cada uno un número de revisión independiente, sino que todo el repositorio tiene un único número de versión que identifica un estado común de todos los archivos del repositorio en un instante determinado. El hecho de que se pueda acceder al repositorio a través de la red permite que varias personas trabajen sobre el mismo repositorio. Esto fomenta la colaboración, y la calidad no se resiente, ya que si algún cambio es incorrecto siempre se puede volver a una versión anterior a dicho cambio. 1

59 4.4 Restricciones generales 53 Entre las ventajas del uso de Subversion están: Mantenemos la historia de los archivos y directorios, incluso después de realizar copias y renombramientos. Todo los cambios subidos de una sola vez a la forja cuentan como una única modificación, aunque afecte a varios archivos. Permite la creación de ramas de una forma mucho mas eficiente que en CVS. Al contrario que en CVS, sólo se mandan los cambios que han sufrido los ficheros, y no el fichero completo. Maneja los ficheros binarios de forma eficiente. Permite el bloqueo de archivos para que no sean editados por más de una persona al mismo tiempo. Cuando se integra con Apache se puede usar todas las opciones que este servidor posee para autentificar archivos Lenguajes de programación y tecnologías Java Todos los componentes que integran GAmeraHOM han sido desarrollados en Java, además de por todas las ventajas que presenta su uso, por lograr integridad con el resto de sistemas con los que se comunica. Java [38] es un lenguaje de programación orientado a objetos, desarrollado por Sun Microsystems a principios de los años 90. El lenguaje en sí mismo toma mucha de su sintaxis de C y C++, pero tiene un modelo de objetos más simple y elimina herramientas de bajo nivel que suelen inducir a muchos errores, como la manipulación directa de punteros o memoria. Con respecto a la memoria, su gestión no es un problema ya que ésta es gestionada por el propio lenguaje y no por el programador. Una de las ventajas que ofrece Java es el mecanismo de la introspección [39]. Es una técnica bastante potente que permite generar aplicaciones que realizan operaciones que de otra forma no serían posibles. A través de la introspección, un programa Java puede cargar un objeto del cual no sabe nada, encontrar sus variables de instancia, métodos y constructores, y empezar a trabajar con ellos.

60 54 Descripción general del Proyecto Para ello utilizamos la API reflection que representa las clases, interfaces y objetos en la MVJ donde están corriendo. Con esta API se puede saber el nombre de la clase de un objeto, obtener información sobre los modificadores de clase, sus campos, métodos, constructores y superclases, saber que declaraciones de método de una clase pertenecen a una u otra interfaz y crear una instancia de una clase cuyo nombre no se conoce hasta su ejecución. El hecho de que Java no funcione directamente sobre el hardware y que tenga una máquina virtual por encima de éste hace posible esta técnica, cosa que en otros lenguajes no es posible. Los casos en los que suelen usarse esta herramienta son: Características de extensibilidad: Una aplicación puede usar clases definidas por el usuario de forma externa para crear instancias de objetos extensibles usando sus nombres totalmente calificados. Los navegadores de clases y entornos de desarrollo visuales: Un navegador de clases debe ser capaz de enumerar los miembros de las clases. Los entornos de desarrollo visuales se pueden beneficiar del uso de la información que esta herramienta aporta para ayudar a los desarrolladores a escribir un código más correcto. Debuggers y herramientas de testeo: Los debuggers deben ser capaces de examinar los miembros privados de las clases. Las herramientas de testeo pueden usar esta herramienta para llamar sistemáticamente a la API de una clase determinada, para asegurar un alto nivel de cobertura en la prueba. YAML Los ficheros de configuración que usa GAmeraHOM están escritos siguiendo el formato YAML. Se ha elegido su uso porque es muy sencillo de utilizar. YAML [40] es un formato de serialización de datos legible por humanos, fácil de procesar por las máquinas y fácil de interactuar con los lenguajes de scripts, inspirado en lenguajes como XML, C, Python, Perl, así como el formato para correos electrónicos especificado por el RFC YAML fue propuesto por Clark Evans en 2001, quien lo diseñó junto a Ingy döt Net y Oren Ben-Kiki. Este formato fue creado bajo la creencia de que todos los datos pueden ser representados adecuadamente como combinaciones de listas, hashes (mapeos) y datos escalares (valores simples). La sintaxis es relativamente sencilla y fue diseñada teniendo en cuenta que fuera muy legible pero que a la vez fuese fácilmente mapeable a los tipos de datos más comunes en la mayoría de los

61 4.4 Restricciones generales 55 lenguajes de alto nivel. Además, YAML utiliza una notación basada en el indentación y/o un conjunto de caracteres Sigil distintos de los que se usan en XML, haciendo que sea fácil componer ambos lenguajes. Sus principales características son las siguientes: Utiliza la tabulación para indicar su estructura. Los elementos que forman una secuencia utilizan un guión medio. La estructura del documento se denota indentando con espacios en blanco; sin embargo no se permite el uso de caracteres de tabulación para indentar. Los contenidos en YAML se describen utilizando el conjunto de caracteres imprimibles de Unicode, bien en UTF-8 o UTF-16. Los miembros de las listas se denotan encabezados por un guión con un miembro por cada línea, o bien entre corchetes y separados por una coma y un espacio. Los arrays asociativos se representan usando los dos puntos seguidos por un espacio en la forma clave : valor, bien uno por línea o entre llaves y separados por coma seguida de espacio. Un valor de un array asociativo viene precedida por un signo de interrogación, lo que permite que se construyan claves complejas sin ambigüedad. Los valores sencillos (o escalares) por lo general aparecen sin entrecomillar, pero pueden incluirse entre comillas dobles o comillas simples. En las comillas dobles, los caracteres espaciales se pueden representar con secuencias de escape similares a las del lenguaje de programación C, que comienzan con una barra invertida. Se pueden incluir múltiples documentos dentro de un único flujo, separándolos por tres guiones. Los tres puntos indican el fin de un documento dentro de un flujo. Los nodos repetidos se pueden denotar con un ampersand y ser referidos posteriormente usando el asterisco. Los comentarios vienen encabezados por la almohadilla y continúan hasta el final de la línea.

62 56 Descripción general del Proyecto Los nodos pueden etiquetarse con un tipo o etiqueta utilizando el signo de exclamación seguido de una cadena que puede ser expandida en una URL. Los documentos YAML pueden ser precedidos por directivas compuestas por un signo de porcentaje seguidos de un nombre y parámetros delimitados por espacios. Maven Maven [41] es una herramienta diseñada para la gestión y construcción de proyectos Java. Fue creada por Jason van Zyl, de Sonatype, en Su funcionalidad es parecida a Apache Ant, y en menor medida a PEAR de PHP y CPAN de Perl, pero tiene un modelo de construcción más simple, basado en XML. Inicialmente estaba dentro del proyecto Jakarta, pero actualmente es un proyecto de nivel superior de la Apache Software Foundation. Usa un fichero POM para describir el proyecto software a construir. En él se indican sus dependencias de otros módulos y componentes externos; y el orden de construcción de los elementos. La diferencia fundamental con Apache Ant es que se escriben de forma declarativa, en vez de en forma imperativa; es decir, en vez de indicar cómo construir algo, se dice qué hay que construir, y la convenciones de Maven controlarán el proceso de construcción. Maven está listo para usar en red, ya que su motor puede descargar dinámicamente los plugins de un repositorio. Dicho repositorio provee acceso a muchas versiones de diferentes proyectos Open Source en Java, de Apache y de otras organizaciones. Este repositorio y su sucesor reorganizado, Maven 2, intentan ser el mecanismo por defecto de distribución de aplicaciones en Java, pero su adopción está siendo lenta. Maven permite subir artefactos al repositorio al final de la construcción de la aplicación, de forma que cualquier usuario tiene acceso a ella. Usa una arquitectura basada en plugins que permite que utilice cualquier aplicación controlable a través de la entrada estándar. En teoría, esto permite que cualquiera pueda escribir sus propios plugins para su interfaz con herramientas como compiladores, herramientas de pruebas unitarias, etc. para cualquier otro lenguaje; pero en la realidad, Maven apenas soporta otros lenguajes distintos a Java. Está construido alrededor de la idea de reutilización de la lógica de construcción: los proyectos se construyen generalmente con patrones similares; una elección lógica sería reutilizar los procesos de construcción. La idea no es reutilizar el código o funcionalidad, sino cambiar la configuración el código escrito.

63 4.4 Restricciones generales 57 Los proyectos en Maven cuentan con una serie de etapas, llamadas ciclo de vida. Para pasar de etapa, es necesario haber completado con éxito las etapas anteriores. Estas etapas representan las distintas fases por las que un proyecto software ha de pasar: compile, test, package, install y deploy Herramientas de desarrollo Eclipse Eclipse [17] es un entorno de desarrollo integrado de código abierto. Fue creado originalmente por IBM como el sucesor de VisualAge. Actualmente es desarrollado por la Fundación Eclipse, una organización independiente sin ánimo de lucro que fomenta una comunidad de código abierto y un conjunto de productos complementarios. Se liberó originalmente bajo la Common Public License, pero después fue relicenciado bajo la Eclipse Public License; Sin embargo, la Free Software Foundation ha determinado que ambas licencias, aún siendo software libre, son incompatibles con la Licencia pública general de GNU. El IDE de Eclipse emplea módulos para proporcionar toda su funcionalidad al frente de la plataforma de cliente enriquecido, a diferencia de los entornos monolíticos, donde todas las funcionalidades están incluidas, tanto si les son útiles al usuario, como si no. Con este sistema de módulos, el usuario tiene un entorno ligero, personalizado según sus necesidades. Con estos módulos, podemos extender la funcionalidad de Eclipse a otros lenguajes de programación, como C/C++ o Python; a lenguajes de procesado de texto, como L A TEX; aplicaciones en red como Telnet y sistemas de gestión de bases de datos. Dispone de un editor de texto con resaltado de sintaxis; compilación en tiempo real, pruebas unitarias con JUnit, control de versiones con CVS, integración con Ant, asistentes para la creación de proyectos, clases, test, entre otros, y refactorización. Haciendo uso de los plugins, se puede añadir control de versiones con Subversion e integración con Hibernate Sistemas operativos y hardware GAmeraHOM ha sido desarrollado y probado sobre GNU/Linux, ejecutando la versión de la distribución Ubuntu. En cuanto al hardware se recomienda disponer de una máquina con una memoria, de al menos 1GB de RAM.

64 58 Descripción general del Proyecto Bibliotecas y módulos usados activation Usado para gestionar datos de tipo MIME. saaj-api Suministra una manera estándar de enviar documentos XML sobre Internet desde la plataforma Java. servlet-api Interfaz que permite que ciertos módulos java, servlets, extiendan las capacidades de los servidores web. cloning Pequeña biblioteca de código abierto que puede clonar cualquier objeto Java. commons-codec Destinado a codificar/decodificar algoritmos. commons-collections Ampliación del framework de colecciones Java. commons-io Colección de utilidades de E/S. commons-lang Proporciona una funcionalidad extra a las clases de java.lang. commons-logging Interfaz de una gran variedad de implementaciones de la API de registro. hamcrest-core Biblioteca que nos provee de una serie de matchers que podemos utilizar para escribir tests con un lenguaje más cercano al natural, de manera que se hace más sencillo comprender que están comprobando nuestros tests. jdom Biblioteca de código abierto para manipulaciones de datos XML optimizados para Java. jetty Servidor HTTP basado en Java y contenedor de Servlets escrito en Java. jopt-simple Analizador de línea de comandos fácil de usar, guiado por pruebas, especialmente diseñado para programas escritos en Java. junit Framework que permite realizar la ejecución de clases Java de manera controlada, para poder evaluar si el funcionamiento de cada uno de los métodos de la clase se comporta como se espera. log4j Biblioteca de código abierto desarrollada en Java por la Apache Software Foundation que permite a los desarrolladores de software elegir la salida y el nivel de granularidad de los mensajes o logs en tiempo de ejecución.

65 4.5 Requisitos para futuras versiones 59 mockito-core Biblioteca de código abierto para prueba de aplicaciones Java que se basa en el principio de un objeto mock que simula el comportamiento de otro objeto. Permite simular comportamientos complejos de objetos, además facilita el desarrollo de test unitarios y la detección de errores. objenesis Biblioteca para instanciar objetos Java. saxon Procesador de XSLT y XQuery. slf4j-api Proporciona una API de registro Java a través de un simple patrón de fachada. snakeyaml Procesador de YAML. stax-api StAX sirve para leer y escribir documentos XML. truezip Framework basado en Java que permite acceder a archivos ZIP, TAR y derivados de una forma bastante transparente desde Java, como si se tratara de directorios no comprimidos. velocity Motor de plantillas basado en Java. wsdl4j API que permite la creación, representación y manipulación de documentos WSDL. xmlbeans Herramienta que permite acceder a todo el potencial de XML desde Java de una forma amigable Requisitos para futuras versiones Gracias a que GAmeraHOM se ha hecho lo más extensible y adaptable posible, si se quiere utilizar para un lenguaje distinto de WS-BPEL tan sólo tendríamos que sustituir el componente gamera2-bpel por gamera2-java, gamera2-ecl, o cualquier otro, siendo independiente del núcleo gamera2-core. Del mismo modo, si se quieren crear nuevos generadores de individuos, nuevos operadores de selección, nuevas condiciones de parada o incluso nuevos loggers, para que el algoritmo genético los use, sólo tendríamos que reflejarlo en el fichero de configuración YAML para su posterior uso.

66

67 Capítulo 5 Desarrollo del Proyecto 5.1. Metodología de desarrollo La elaboración de un producto software de calidad requiere la aplicación de una metodología durante todo su desarrollo. Aunque no existe una definición estricta del concepto metodología de desarrollo, ésta puede considerarse como un conjunto de pasos y procedimientos que deben seguirse para desarrollar un producto software. El tipo de metodología que se ha seguido con este proyecto corresponde a las llamadas metodologías ágiles [42], que se basan en la adaptabilidad de cualquier cambio como medio para aumentar las posibilidades de éxito de un proyecto. Los principios de esta filosofía se reúnen en el conocido Manifiesto Ágil: 1. Valorar más a los individuos y su interacción que a procesos y herramientas. Es obvio que los procesos ayudan al trabajo y que las herramientas son una guía de operación. Sin embargo, el apoyo que se ha tenido por parte de los miembros del grupo UCASE ha sido incondicional, influyendo de manera notable en este Proyecto. Los seminarios que se hacían semanalmente dan la oportunidad de comentar el estado del proyecto que cada persona estaba llevando a cabo y comentar problemas que habían surgido o simplemente, atender sugerencias. 2. Valorar más el software que funciona que la documentación exhaustiva. El hecho de poder ver anticipadamente cómo se comportan algunas de las funcionalidades del producto que se está desarrollando ofrece un feedback muy enriquecedor que genera ideas y posibilidades imposibles de concebir

68 62 Desarrollo del Proyecto en un primer momento, y difícilmente podrían haber sido incluidas en un documento de especificación de requisitos. De hecho, así ha ocurrido durante la realización de GAmeraHOM en la que hemos tenido que modificar varias veces la estructura interna de los elementos, conforme se avanzaba en el desarrollo del algoritmo genético. 3. Valorar más la colaboración con el cliente que la negociación contractual. Este punto se encuentra íntimamente relacionado con el punto 1. La metodología ágil está especialmente indicada para productos difíciles de definir con detalle en el principio y en este caso, GAmeraHOM así lo era. Aunque se tenía la idea de lo que debía hacer, en sus inicios no estaba muy claro el cómo. Por ello, fue necesario gente experta tanto en el campo de la algoritmia genética, como en el lenguaje de programación elegido para tal fin. 4. Valorar más la respuesta al cambio que el seguimiento de un plan. Como se comentó en el punto 2, GAmeraHOM sufrió varios cambios importantes durante su desarrollo. Dichos cambios eran trascendentales porque lo que se modificaba era la estructura interna. Ésto no supuso un gran problema, ya que se tuvo más en cuenta la capacidad de respuesta, que la de seguimiento y aseguramiento de planes preestablecidos. En particular, dentro del grupo de metodologías que ofrece la metodología ágil, nos hemos guiado por la extreme Programming que explicaremos en los siguientes apartados Origen La metodología XP es un enfoque de la ingeniería del software formulado por Kent Beck. Es el más destacado de los procesos ágiles de desarrollo de software. Al igual que éstos, XP se diferencia de las metodologías tradicionales principalmente en que pone más énfasis en la adaptabilidad que en la previsibilidad. Las raíces de la XP yacen en la comunidad de Smalltalk, y en concreto de la colaboración entre Kent Beck, Ward Cunningham y Ron Jeffries que, desde finales de los 80, fueron extendiendo sus ideas de un desarrollo de software adaptable y orientado a la gente. El paso crucial de la práctica informal a una metodología ocurrió en la primavera de A Kent se le pidió revisar el progreso del proyecto de nómina C3

69 5.1 Metodología de desarrollo 63 para Chrysler. El proyecto estaba siendo llevado en Smalltalk por una compañía contratista y estaba en problemas. Debido a la baja calidad de la base del código, Kent recomendó empezar desde cero. El proyecto entonces reinició bajo su dirección, convirtiéndose en el campo de entrenamiento de la metodología XP. Las ideas primordiales de su sistema las comunicó en la revista C++ Magazine en una entrevista que ésta le hizo el año En ésta decía que estaba convencido que la mejor metodología era un proceso que enfatizase la comunicación dentro del equipo, que la implementación fuera sencilla, que el usuario tenía que estar muy informado e implicado y que la toma de decisiones tenía que ser muy rápida y efectiva. Kent Beck, Ward Cunningham y Ron Jeffries fueron a la web Portland Pattern Repository y empezaron a hablar de la metodología XP y promocionarla, de lo que era y cómo realizarla. Sin embargo, este hecho llegó a molestar a buena parte de la comunidad que intentaba discutir sobre temas de programación. Fue tanta esta molestia que nació el fenómeno XP Free Zone (zona libre de XP) en determinadas webs como petición de no hablar de Programación Extrema en ella. No obstante, en 1999, la popularidad de XP aumentó con la publicación del primer libro sobre la materia [43] escrito por Kent Características XP es una metodología ágil de desarrollo de software, aplicable por lo general a proyectos de pequeño y medio tamaño, en un equipo de hasta 12 personas. En los métodos ágiles, se descarta todo documento o procedimiento innecesario para el proyecto, permitiendo al equipo avanzar rápidamente concentrándose en lo importante y sin perder tiempo en formalismos. En XP, los detalles se comunican en conversaciones directas entre las partes implicadas (incluyendo al cliente), aclarando confusiones y dudas en el momento. Así, XP se dirige más a las personas que al proceso, y más a la obtención de software útil que al seguimiento de un proceso rígido y burocrático. En cada iteración, se entrega una versión funcional del software que el cliente puede probar para ampliar la información disponible en la siguiente iteración. Una idea que se suele tener respecto a XP es que no se realiza documentación en absoluto, sea lo que sea. El requisito de documentación externa al proyecto es muy común, por ejemplo, y debe ser atendido. Ron Jeffries trata de corregir éste y otros malentendidos en [44].

70 64 Desarrollo del Proyecto A diferencia de otras metodologías, donde el cliente es una entidad externa al proyecto con el que se sólo se comunica el analista, en XP es una parte integral del equipo. Se ocupa de formular los requisitos a nivel conceptual, darles su prioridad, y resolver dudas que pueda tener el resto del equipo. XP nos recuerda así que el software existe para dar un valor añadido al cliente, y no por sí mismo. Así, las decisiones acerca de la funcionalidad deseada son del cliente, y las decisiones técnicas y el calendario lo establecen los desarrolladores. Valores Los valores originales de la programación extrema son: simplicidad, comunicación, retroalimentación y coraje. Un quinto valor, respeto, fue añadido en la segunda edición de Extreme Programming Explained [43]. Simplicidad Se simplifica el diseño para agilizar el desarrollo y facilitar el mantenimiento. Para mantener la simplicidad es necesaria la refactorización del código, ésta es la manera de mantener el código simple a medida que crece. También se aplica la simplicidad en la documentación, de esta manera el código debe comentarse en su justa medida, intentando eso sí que el código esté auto documentado. Para ello se deben elegir adecuadamente los nombres de las variables, métodos y clases. Los nombres largos no decrementan la eficiencia del código ni el tiempo de desarrollo gracias a las herramientas de auto completado y refactorización que existen actualmente. Aplicando la simplicidad junto con la autoría colectiva del código y la programación por parejas se asegura que cuanto más grande se haga el proyecto, todo el equipo conocerá más y mejor el sistema completo. Comunicación Para los programadores el código comunica mejor cuanto más simple sea. Si el código es complejo hay que esforzarse para hacerlo legible. El código auto documentado es más fiable que los comentarios ya que éstos últimos pronto quedan desfasados con el código a medida que es modificado. Debe comentarse sólo aquello que no va a variar, por ejemplo el objetivo de una clase o la funcionalidad de un método. Las pruebas unitarias son otra forma de comunicación, ya que describen el diseño de las clases y los métodos al mostrar ejemplos concretos de como utilizar su funcionalidad. Los programadores se comunican constantemente gracias a la programación por parejas. La comunicación con el cliente es fluida ya que el cliente forma parte del equipo de desarrollo. El cliente decide que características tienen prioridad y siempre debe estar disponible para solucionar dudas.

71 5.1 Metodología de desarrollo 65 Retroalimentación Los desarrolladores reciben a menudo correcciones o modificaciones por parte de los clientes. Los clientes, además, deben comprobar que el software es adecuado de acuerdo con sus necesidades establecidas de antemano. Todo esto conllevará constantes revisiones del código de los programas. Las parejas de programadores y el equipo deben mostrar resultados al cliente y el cliente indicar si el proceso es el correcto. Se realizan bloques de test para la práctica totalidad de los módulos de los programas, lo que garantiza su funcionamiento y posteriormente se integran unos programas con otros que se implementan. Por otra parte, los errores deben de ser detectados con la máxima antelación posible. Coraje El coraje es un valor que se aplica a varios aspectos, al diseñar y codificar para las necesidades actuales en lugar de las futuras, al alentar a los programadores a mejorar el código sin afectar el comportamiento externo (refactoring), al reconocer cuando alguna parte del código ya no sirve, al ser persistente al buscar la solución de un problema. Respeto En XP los miembros del equipo de trabajo deben respetarse entre si, para nunca incorporar cambios que hagan fallar las pruebas o retrasen el trabajo de otra persona. Una forma de respeto al trabajo propio es siempre buscar la mas alta calidad y las mejores soluciones al desarrollar el producto. Nadie en el equipo de trabajo debe sentirse despreciado o ignorado ya que esto mejora la motivación de todos para conseguir los objetivos del proyecto. Para seguir esos valores, se proponen una serie de principios, que se concretan a través de una serie de prácticas recomendadas. Principios XP se fundamenta en doce principios básicos agrupados en cuatro categorías: Retroalimentación Principio de pruebas Período de tiempo de pruebas de aceptación del programa en el que se establecerán los resultados esperados. Estas pruebas tienen que estar automatizadas de manera que permitan realizar múltiples simulaciones del sistema una vez que esté funcionando. Un ejemplo de este tipo ambientes para Java es JUnit. Proceso de planificación El usuario deberá escribir todas sus necesidades, especificando las actividades concretas que realizará sistema. Se

72 66 Desarrollo del Proyecto elaborará un documento llamado Historias del usuario (User Stories). Durante esta fase serán necesario ir realizando reuniones periódicas con todo el equipo de desarrollo si se estima conveniente. Cliente en el sitio Al cliente se le dará el permiso para establecer la funcionalidad, determinar los requisitos, matizar las prioridades y responder a las preguntas de los programadores. De esta manera se conseguirá una fuerte interacción cara a cara con el programador, reduciendo drásticamente el tiempo de comunicación y la cantidad de documentación, así como los altos costes de su elaboración. Programación en parejas Consiste en que todos los programadores deberán escribir su código en parejas, compartiendo una única máquina. Se producirán aplicaciones más buenas, consistentes y a bajo coste. Este constituye uno de los principios más polémicos y radicales de XP, y mucha gente duda de su efectividad. Proceso continuo Integración continua Los programadores pueden resumir su código y reconstruir el sistema varias veces al día. Se reducen los problemas de integración comunes en proyectos largos y estilo cascada. Refactorización Los programadores evalúan continuamente el diseño y recodifican lo necesario, obteniéndose un sistema que minimice el código duplicado e ineficiente. A través de todo el proceso de desarrollo, los programadores mejoran el diseño del sistema. Entregas pequeñas Consiste en establecer un sistema simple y sencillo de entregas que se actualice constantemente, de manera que estas entregas no puedan pasar las dos o tres semanas como máximo. Se permite que el verdadero valor del negocio del producto sea evaluado en un ambiente real. Entendimiento compartido Diseño simple Consiste en desarrollar programas lo más sencillos posibles, que cumplan en todo momento con los requisitos, de manera que se proporcione un sistema que satisfaga las necesidades inmediatas del cliente. Se rejuvenecen los diseños obsoletos de forma sencilla y se eliminan redundancias. Metáfora Define una historia de como funciona el sistema completo. Gracias a este principio, se logra sustituir los sistemas tradicionales de diagramas y modelos UML por breves descripciones de un trabajo de un sistema.

73 5.1 Metodología de desarrollo 67 Propiedad colectiva del código Defiende el tener un código con propiedad compartida, de manera que nadie es el propietario de nada, y todos son el propietario de todo. Cuanta más gente haya trabajando en una pieza, menos errores aparecerán. Estándar de codificación Define una serie de reglas para escribir y documentar el código, así como la comunicación entre diferentes piezas de código desarrolladas por equipos diferentes. El código en el sistema se verá como si hubiera sido escrito por una sola persona. Bienestar del programador Semana de 40 horas Consiste en minimizar las horas extras de los programadores, de manera que se mantengan frescos, pues los programadores cansados escriben código de menor calidad. Así, se genera un código de mayor calidad. En este proyecto no ha sido posible cumplir con todos los principios comentados en el apartado anterior. La programación en parejas que consiste en que dos programadores trabajen juntos en el mismo ordenador, no se cumplió por la propia filosofía del PFC. No obstante, se han llevado a cabo revisiones del código aunque no de forma simultánea. La semana de 40 horas tampoco ha sido posible, ya que tal y como se comentó en la sección 2, la elaboración del PFC nunca ha tenido dedicación exclusiva al compatibilizarse con otras actividades, lo que ha aumentado el cómputo total de horas semanales dedicadas a alguna tarea que requiera esfuerzo. En el siguiente apartado, se comentan los principios que sí se han seguido y la forma en la que se han llevado a cabo. Prácticas Historias de usuario Describen una funcionalidad o propiedad deseada del sistema, en palabras del usuario y no del desarrollador. Mediante ellos se pueden expresar todo tipo de requisitos, no sólo los funcionales, y en ellos se basan las pruebas de aceptación.

74 68 Desarrollo del Proyecto Es una técnica completamente diferente de la de casos de uso, ya que una historia es algo mucho más concreto, generalmente pequeño y fácilmente estimable. Un caso de uso se podría ver como una clase de interacciones concretas que el sistema debe plasmar. Ambos describen el qué, pero lo hacen bajo distintos enfoques. XP contempla la utilización de los diagramas de casos de usos como una posible herramienta de apoyo, que sirva de generalización de una o varias historias de usuario particulares. El equipo de desarrollo puede realizar estimaciones del esfuerzo que requeriría una historia y presentárselas al cliente, dándole más información para decidir qué historias quiere implementadas en cada iteración. Puede que se decida posponer una historia, o dividirla en varias. En lo que respecta a este PFC, los directores de este proyecto han sido los clientes, y por consiguiente, los usuarios potenciales del proyecto. Modelo INVEST El modelo INVEST es la clave para pensar y escribir buenas historias de usuario: Independiente: Las historias deben ser independientes de otras para que sea más fácil la planificación, priorización y estimación. Negociable: La tarjeta de la historia es tan sólo una descripción corta que no incluye detalles. Valiosa: Cada historia tiene que tener valor para el cliente. Estimable: Las historias deben ser estimables para permitir su priorización y planificación. Pequeña: Las historias deben ser pequeñas en esfuerzo, no suponiendo más de 2-3 personas/semana de trabajo. Testeable: Las historias deben poder probarse. Integración continua La prueba e integración de los cambios se realiza de forma continua y a pequeños pasos. Esto se sigue del hecho de que corregir los fallos introducidos en el software es tanto más complicado cuanto más amplios sean los cambios. Ciclo quincenal La planificación se ha realizado en ciclos cortos, de duración aproximada de quince días, y se ha mantenido una comunicación asidua con los clientes, en este caso los directores del proyecto vía presencial y online. Compilación en diez minutos La idea consiste en mantener siempre el tiempo de compilación y ejecución de todas las pruebas automáticas pertinentes por

75 5.1 Metodología de desarrollo 69 debajo de 10 minutos, para poder realizar integración continua del código de todo el equipo y evitar tanto problemas de integración de última hora como esperas innecesarias. Desarrollo orientado a pruebas Los componentes más importantes de GAmeraHOM han sido desarrollados de esta forma usando JUnit. La secuencia seguida cada vez que queremos dotar al sistema de una nueva característica es la siguiente: 1. Diseñar y añadir una prueba: Esta prueba fallará porque se escribe antes de que se haya implementado la característica en sí. Para escribir una prueba, el desarrollador debe entender claramente la especificación y los requisitos de la característica. Esto se puede llevar a cabo a través de casos de uso e historias de usuario que cubran los requisitos y las condiciones de excepción. 2. Ejecutar las pruebas y comprobar que la última que se ha añadido falla: Ésto valida que las pruebas están funcionando correctamente y que las pruebas añadidas no pasan inesperadamente, sin la necesidad de código nuevo. 3. Implementar la característica: Se añade o modifica el código para que se puedan pasar las pruebas añadidas. El código escrito en esta etapa no será perfecto y puede, por ejemplo pasar la prueba de una forma poco elegante. Esto es aceptable porque en pasos sucesivos se mejorará y perfeccionará. Es importante resaltar que el código escrito sólo se diseña para pasar la prueba. 4. Ejecutar las pruebas automatizadas: Si todas las pruebas tienen éxito, el programador puede estar seguro de que el código cumple todos los requisitos probados. En caso contrario, retrocederá al paso anterior para hacer las modificaciones pertinentes, y así hasta que el código pase todas las pruebas. 5. Mejorar el diseño: se refactoriza el código para mejorar la calidad del diseño. Una vez modificado el código, se vuelven a ejecutar las pruebas para comprobar que la refactorización no ha dañado ninguna funcionalidad existente. Diseño incremental Las metodologías tradicionales intentaban realizar el análisis y diseño de antemano, siguiendo el modelo de la ingeniería tradicional. Se realizaba la analogía entre la construcción de una casa y la de un proyecto software: una vez estaban implantados los cimientos, cambiar la estructura del edificio era varios órdenes de magnitud más caro. Sin embargo, para la

76 70 Desarrollo del Proyecto metodología XP, el diseño del programa no es algo que se haga una sola vez y quede fijo por el resto de la vida del programa. Sino que se debe refinar continuamente en función de las necesidades del momento. Por ello, para evitar el aumento del coste de las modificaciones, se dispone de otras prácticas además de ésta, como el uso de pruebas automáticas, la compartición de código, la programación en parejas y la comunicación fluida con el resto del equipo Herramientas de modelado usadas BOUML BOUML es una aplicación UML 2.0 que permite definir y generar código en C++, Java, Idl, PHP y Python a partir de diagramas UML, realiza ingeniería inversa de Java/C++, y permite dibujar diversos diagramas UML 2.0, como los diagramas de clases, despliegue, componentes o casos de uso, entre otros. Es compatible con Unix/Linux/Solaris, MacOS X y Windows en la web es muy rápido y no requiere mucha memoria para manejar varios miles de clases. Está escrito en C++ usando la versión de la biblioteca Qt de la compañía Trolltech, conocida por ser la biblioteca sobre la cual se halla implementado el gestor de escritorio KDE Especificación de los requisitos del sistema La parte más crítica en la construcción de un sistema software es decidir cómo construirlo. La ingeniería de requisitos facilita el mecanismo apropiado para comprender lo que quiere el cliente, analizando necesidades, confirmando su viabilidad, negociando una solución razonable, especificando la solución sin ambigüedad, validando la especificación y gestionando los requisitos para que se transformen en un sistema operacional. Un requisito puede definirse como una condición que debe cumplir o poseer un sistema o alguno de sus componentes para satisfacer un contrato, una norma o una especificación o, dicho de otra manera más simple, una propiedad que debe tener para poder solucionar un problema del mundo real.

77 5.3 Especificación de los requisitos del sistema Requisitos de interfaces externas Esta sección incluye una descripción detallada de los requisitos de conexión a otros sistemas con los que el sistema debe interactuar. En primer lugar, todos los parámetros de configuración de GAmeraHOM son recogidos por un fichero YAML. Tendremos que asegurarnos de que esté bien escrito y que cumpla con las normas de generación de documentos de este tipo (véase 4.4.2). Para que esta herramienta pueda funcionar necesita los operadores de mutación definidos para WS-BPEL 2.0 [45, 46]. Sin estos operadores, esta herramienta no podría generar los mutantes a partir del código original escrito en WS-BPEL y, por tanto, no se podría llevar a cabo el análisis de mutaciones, proceso que mide la calidad conjuntos de casos de prueba. Los resultados obtenidos de ejecutar GAmeraHOM deben poder almacenarse por el uso de un Logger que bien imprimirá por pantalla, o volcará los resultados a un fichero de texto determinado Requisitos funcionales Un requisito funcional define el comportamiento interno del software: cálculos, detalles técnicos, manipulación de datos y otras funcionalidades específicas que muestran cómo los casos de uso serán llevados a la práctica. Los requisitos funcionales establecen los comportamientos del sistema. Los requisitos funcionales de GAmeraHOM son los siguientes: Analizar una composición WS-BPEL, es decir, identificar qué instrucciones o elementos del programa original pueden mutarse. El resultado de este análisis debe contener para cada operador de mutación las instrucciones en las que el operador puede ser aplicado, así como sus atributos. Aplicar un operador a la composición WS-BPEL original para generar un mutante. Para ello, deberá indicarse el operador, la localidad (instrucción) y, en algunos casos, también el valor del atributo. El operador, la instrucción y el valor del atributo representan a un individuo. Generar un determinado número de mutantes a través de los generadores de individuos definidos.

78 72 Desarrollo del Proyecto Aplicar operadores de selección para escoger individuos dentro de la población de soluciones. Aplicar operadores genéticos para mutar individuos y completar la población con individuos más aptos. Ejecutar la composición WS-BPEL sobre el conjunto de casos de prueba, para obtener si ha pasado con éxito o no cada uno de estos casos. Ejecutar todos los mutantes y comparar la salida de la composición original con las salidas de las ejecuciones de las mutaciones. Normalización de individuos Requisitos de información Este tipo de requisitos describen qué información debe almacenar el sistema para satisfacer las necesidades de clientes y usuarios. Identifican los conceptos relevantes sobre los que se debe almacenar información y los datos específicos que serán de interés. Cada individuo será representado por tripletas compuestas por el operador, la localidad y el atributo. Existirán tantas tripletas como se definan en la configuración. Cada tripleta representa una mutación aplicada al programa original. Mientras que GAmera manejaba mutantes con un único cambio, GAmeraHOM trabaja con mutantes con más de un cambio, por eso se les conoce como mutantes de orden superior. Los individuos deben normalizarse antes de su ejecución, para que el sistema reciba su valor real dentro del rango correspondiente. La composición WS-BPEL original, el conjunto de casos de prueba, las salidas de ejecución y los mutantes del HOF podrán almacenarse en ficheros indicando la ubicación deseada en el fichero YAML de configuración Requisitos de reglas de negocio Las reglas de negocio definen restricciones, reglas o políticas del negocio que deben ser respetadas por el sistema a desarrollar.

79 5.4 Análisis del sistema 73 Siempre se realizarán mutaciones de orden superior, es decir, cada mutante se generará al aplicar uno o varios operadores sobre la composición WS- BPEL original. Tantos como se especifiquen en el fichero YAML de configuración Atributos del sistema software A continuación se especifican las propiedades que debe tener GAmeraHOM. Rendimiento: El sistema debe tener un alto rendimiento porque ahora estamos tratando con mutantes de orden superior, lo que requerirá una gran esfuerzo al generar mutantes y al comparar las salidas de ejecución. Fiabilidad: Todas las mutaciones deben realizarse correctamente y las comparaciones entre salidas deben ser muy fiables, puesto que serán fundamentales para realizar el análisis de mutaciones. Mantenibilidad: Es fundamental para que posteriores ampliaciones y correcciones se hagan de forma rápida y sencilla. De ahí que la división de componentes comentada en se mantenga durante todo el ciclo de vida de GAmeraHOM. Facilidad de instalación: Controlando el número de dependencias externas y, cuando esto no sea posible, reduciendo su impacto en la complejidad de la instalación. Licencia libre: Se desea que la aplicación tenga el mejor uso público posible y ésta es la mejor manera de conseguirlo. GAmeraHOM se ha liberado bajo Apache License v2.0 [47] Análisis del sistema Esta sección establece un puente de conexión entre los requisitos capturados en 5.3 y la futura implementación de GAmeraHOM (véase 5.6). En este punto, el texto pretende aproximar el sistema a un posible desarrollador, sin entrar en la implementación técnica del proyecto.

80 74 Desarrollo del Proyecto Historias de usuario Como ya se adelantó en 5.1.2, los proyectos basados en XP se estructuran en torno a las historias de los usuarios, que describen un comportamiento o propiedad deseada del sistema en sus propias palabras. Mientras se redactan, el equipo de desarrolladores, tras realizar un análisis superficial del trabajo implicado con ayuda del cliente, asigna a cada historia un tiempo estimado de finalización en días ideales y un riesgo. El cliente puede, en función de esos factores y de sus intereses, marcar la prioridad de una historia. Una historia de usuario puede ser de muy alto nivel o de muy bajo nivel, pudiendo unirse varias historias de bajo nivel en una sola, o dividirse una de alto nivel en varias más sencillas. Pasaremos a listar las historias de usuario que se han ido acumulando a lo largo de la comunicación con los clientes durante el desarrollo del PFC, es decir, en los seminarios con el grupo UCASE y las distintas reuniones con los tutores. En concreto, la interacción de este proyecto con el usuario es mínima, ya que pese al trabajo de implementación que hay por detrás, el programa tiene una finalidad muy concreta de cara al usuario. 1. Crear una población de individuos de forma aleatoria del orden especificado y mostrar la lista de operadores del orden asociado a cada individuo. ID: 1 Descripción: Ampliar el fichero de configuración el máximo orden de la población que especifique el número de tripletas o mutaciones que va a sufrir cada individuo. Ampliar el fichero de configuración con el tamaño máximo de la población. Generar de forma aleatoria valores para los operadores, localidades y atributos de cada individuo, respetando los límites. Esto implica tener bien definida la estructura del individuo. Generar tantos individuos aleatorios, como se indique en el tamaño de la población. 2. A partir del análisis de un fichero BPEL, crear una población con individuos dentro de los rangos establecidos. ID: 2

81 5.4 Análisis del sistema 75 Descripción: Del análisis de ese fichero BPEL se obtiene una lista de los operadores disponibles, donde se puede aplicar ese operador y con qué atributos. Definir el rango de operadores válidos codificados entre 1 y el número total del operadores. Definir el rango de localidades válidas codificadas entre 1 y el mínimo común múltiplo de las localidades. Definir el rango de atributos válidos codificados entre 1 y el mínimo común múltiplo de los atributos aplicables, es decir, aquellos atributos correspondientes a instrucciones a las que se le puede aplicar algún operador. 3. Mostrar el individuo codificado (genotipo) y su correspondiente valor real (fenotipo). ID: 3 Descripción: El genotipo se corresponderá con el valor codificado. El fenotipo surgirá de la normalización del individuo. Se construye una fase de normalizado para los individuos para poder ejecutar y comparar los mutantes con sus valores reales. 4. Hacer generaciones donde cada generación produzca una nueva población completa. ID: 4 Descripción: Crear varias generaciones donde los individuos sean diferentes a los anteriores. Aunque más adelante sufrirán cambios por aplicación de varios operadores, en este momento lo que interesa es ir cambiando los individuos conforme se pasa de generación. 5. Usar una segunda población con objeto de que los nuevos individuos se vayan introduciendo en esta población. ID: 5 Descripción:

82 76 Desarrollo del Proyecto Crear una población paralela en cada generación para mantener la población nueva (población actual) con los individuos nuevos y la anterior con los individuos producidos en la generación previa. 6. Llevar un HOF con el registro de los individuos que se vayan produciendo en el algoritmo. ID: 6 Descripción: Generar un registro para introducir los individuos más aptos. Verificar que los individuos del HOF son únicos. 7. Generar la matriz de ejecución de una población. ID: 7 Descripción: Comparar los mutantes con el programa original. Cada mutante tendrá un valor resultante para cada caso de prueba: Cero, si sobrevive. Uno, si está muerto. Dos, si es erróneo. 8. Hacer generaciones donde se produzca un determinado porcentaje de nuevos individuos. ID: 8 Descripción: Ampliar el fichero de configuración con generadores de individuos que indiquen el porcentaje determinado de individuos que necesitan producirse en relación al tamaño total de la población. 9. Implementar los operadores de selección, cruce y mutación. ID: 9 Descripción: Los operadores de selección quedan definidos por elección aleatoria o siguiendo el método de la ruleta. El operador genético de cruce, dada la filosofía de los mutantes de orden superior, queda dividido en dos operadores, el operador de cruce de individuo y el operador de cruce de orden.

83 5.4 Análisis del sistema 77 El operador genético de mutación, dada la filosofía de los mutantes de orden superior, queda dividido en dos operadores, el operador de mutación de individuo y el operador de mutación de orden Casos de uso Los casos de uso especifican el comportamiento deseado del sistema, representan los requisitos funcionales (véase 5.3.2) y nos permiten analizar de manera general y abstracta qué requiere nuestro sistema. Los casos de uso describen la secuencia de acciones, incluyendo variantes, que ejecuta un sistema y que producen unos resultados observables para un actor particular. La notación gráfica que utiliza UML para representar los casos de uso es lo que conocemos como diagramas de casos de uso. El diagrama correspondiente a GAmeraHOM podemos encontrarlo en la figura 5.1. Los diagramas de casos de usos son una mera representación, lo realmente importante en el modelado de casos de uso es la especificación de éstos. Figura 5.1: Diagrama de casos de uso de GAmeraHOM Si observamos con más detalle el diagrama de casos de uso de aplicar los operadores de reproducción (figura 5.2) podemos detectar los operadores genéticos de mutación y cruce (explicados anteriormente en la sección 3.3.1).

84 78 Desarrollo del Proyecto Figura 5.2: Diagrama de casos de uso de operadores genéticos Estos operadores ha tenido que adaptarse a la nueva estructura de mutantes de orden superior y por ello, han tenido que subdividirse en dos operadores nuevos por cada uno de ellos: de orden y de individuo. Operador de mutación de orden A partir del individuo padre se obtiene un hijo idéntico, el cuál únicamente sufre cambios en el valor de su orden. Operador de mutación de individuo Se elige del individuo un punto de mutación que identifique la mutación elegida y de ella, una de las características del mutante (operador, localidad o atributo), dicho valor será modificado por una serie de operaciones. Operador de cruce de orden Dados dos progenitores, se elige un punto de cruce a partir del cual intercambiar todos los elementos del individuo. Operador de cruce de individuo Dados dos progenitores, se elige un punto intermedio que identifique la mutación elegida y de ella, una de las características del mutante (operador, localidad o atributo), dicho valor será intercambiado entre los dos padres. Estos operadores serán tratados con más detalle en la sección 5.6.

85 5.4 Análisis del sistema 79 A continuación se especifica el funcionamiento de cada uno de los casos de uso representados en la figura 5.1. ANALIZAR UNA COMPOSICIÓN ORIGINAL WS-BPEL Actor principal Algoritmo genético. Precondiciones El fichero de la composición WS-BPEL debe existir y estar declarado en el fichero de configuración. Postcondiciones Se muestra una lista con los operadores existentes, indicando para cada uno el número de instrucciones donde puede aplicarse y asimismo, los atributos aplicables. Escenario principal 1. El algoritmo genético solicita la realización del análisis de la composición WS-BPEL. 2. Se consultan las características necesarias del fichero de configuración. 3. El sistema analiza la composición y genera los resultados deseados: un listado con el número de operandos disponibles para cada operador en la definición de proceso WS-BPEL especificado. Para cada operador se especifica su nombre, el número de operandos y el valor máximo del atributo. GENERAR MUTANTES ALEATORIOS Actor principal Algoritmo genético. Precondiciones El fichero de configuración está cargado. Postcondiciones Genera n individuos de forma aleatoria y dentro de los rangos establecidos Escenario principal 1. El algoritmo genético solicita generar mutantes aleatorios para tener la población inicial de individuos. 2. Consultar el tamaño total de la población y el orden máximo (número máximo de tripletas por individuo) del fichero de configuración.

86 80 Desarrollo del Proyecto 3. Generar un individuo por cada generador de individuos establecido, hasta que se complete la población. Variaciones Si se trata de poblaciones sucesivas, se crea un determinado número de individuos indicado por un porcentaje: 1. Consultar el tamaño total de la población y el orden máximo (número máximo de tripletas por individuo). 2. Calcular cuantos individuos tienen que ser generados, atendiendo al porcentaje indicado. 3. Generar un individuo por cada generador de individuos establecido, hasta que se complete el número de individuos que teníamos que generar. COMPARAR Y EJECUTAR MUTANTES Actor principal Algoritmo genético. Precondiciones El fichero de la composición WS-BPEL debe existir y estar declarado en el fichero de configuración. Además, en dicho fichero también debe encontrarse definida la ubicación del conjunto de casos de prueba y un fichero para la salida de la ejecución de la composición original. Por último, debe existir al menos un mutante con el que realizar la comparación. Postcondiciones Se obtiene la comparación de la salida de la composición original con las de todas las mutaciones, indicando si los mutantes están muertos, vivos o son erróneos. Escenario principal 1. El algoritmo genético solicita realizar la ejecución y la comparación de los mutantes. 2. El sistema compara la salida de ejecutar el conjunto de casos de prueba de la composición original con las de todas las mutaciones. Indicará un cero si no hay ninguna diferencia entre ellos (mutante vivo), un uno si existen diferencias (mutante muerto) y dos si el mutante es erróneo, lo que quiere decir que no se ha encontrado un caso de prueba adecuado para él.

87 5.4 Análisis del sistema 81 APLICAR OPERADORES DE SELECCIÓN Actor principal Algoritmo genético. Precondiciones Debe existir al menos un operador de selección definido en el fichero de configuración. Postcondiciones Devuelve un individuo. Escenario principal 1. El algoritmo genético solicita un individuo de una población determinada por alguno de los operadores de selección disponibles del sistema. 2. Se consultan las características necesarias del fichero de configuración. 3. El sistema, ya sea aleatoriamente, por el método de la ruleta, o cualquier otro, elige un individuo y lo devuelve al algoritmo. APLICAR OPERADORES DE REPRODUCCIÓN Actor principal Algoritmo genético. Precondiciones Debe existir al menos un operador de reproducción definido en el fichero de configuración. Postcondiciones Nuevos descendientes de los mutantes Escenario principal 1. El algoritmo genético solicita la aplicación de los operadores de reproducción disponibles en el sistema. 2. Se consultan las características necesarias del fichero de configuración. 3. Según si el operador de reproducción es de tipo unario o binario, el algoritmo genético solicita que se elijan tantos mutantes a reproducir como hagan falta, por medio de los operadores de selección. 4. El algoritmo genético muta o cruza los mutantes elegidos por el paso anterior.

88 82 Desarrollo del Proyecto NORMALIZAR INDIVIDUO Actor principal Algoritmo genético. Precondiciones El individuo o mutante codificado debe existir para poder normalizarlo. Postcondiciones El individuo toma valores reales. Escenario principal 1. El algoritmo genético solicita la normalización de un individuo. 2. Se consultan las características necesarias del fichero de configuración. 3. El sistema le aplica una operación para normalizarlo y lo muestra. CONSULTAR CARACTERÍSTICAS DE CONFIGURACIÓN Actor principal Algoritmo genético. Precondiciones El fichero de configuración existe en el sistema y es accesible. Postcondiciones Ninguna. Escenario principal 1. El sistema devuelve al algoritmo genético todos las características del fichero de configuración Modelo conceptual de datos del dominio GAmeraHOM El modelo conceptual de datos describe la estructura de datos de un sistema y las relaciones estáticas que existen entre ellas. Es la representación de los conceptos significativos del dominio del problema. En la figura 5.3 se muestra el modelo conceptual de datos de GAmeraHOM, el cual se ha realizando siguiendo la notación UML 2.0. Configuración agrupará toda la parametrización de GAmeraHOM conteniendo atributos tales como el orden máximo que pueda tener un individuo, el tamaño máximo de la población, cuáles serán los generadores de nuevos individuos, los operadores de selección de individuos, los operadores de reproducción, también

89 5.4 Análisis del sistema 83 conocidos como operadores genéticos, cuáles serán los criterios de parada del algoritmo, la composición WS-BPEL con la que vamos a trabajar y el conjunto de casos de prueba que usaremos. Figura 5.3: Modelo conceptual de datos OperadorSelección proporciona diversas maneras de poder elegir un individuo de la población, por ejemplo siguiendo el método de la ruleta o de modo aleatorio. OperadorGenetico cruzará y mutará individuos de la población consiguiendo generar individuos cada vez más aptos. ConjuntoCasosPrueba permitirá el análisis de los mutantes frente a la compo-

90 84 Desarrollo del Proyecto sición original por medio de una serie de casos de prueba. Tras este análisis, obtendremos unos resultados por mutante que nos indicará si dicho mutante ha sobrevivido (representado por un cero), ha muerto (representado por un uno) o es erróneo (representado por un dos). GeneradorIndividuos indicará las distintas que formas que utilizaremos para producir nuevos individuos siguiendo las directrices de los límites impuestos por el fichero de configuración. CriterioParada especificará múltiples condiciones que en caso de cumplirse alguna de ellas, producirá el fin del algoritmo. ComposiciónWSBPEL representa a la composición original que será modificada por tantos individuos como se especifique en el tamaño máximo de la población. Individuo codifica a tantos mutantes como indique el orden máximo mediante el uso de operadores de mutación que se aplican a la composición original. Cada mutación del individuo se representará por el operador que se aplica, la localidad o instrucción donde se aplicará dicha modificación y un atributo que representa información necesaria para la aplicación del operador de mutación. Cada Operador tendrá un nombre, compuesto por tres letras, un valor numérico que lo identificará comprendido entre 1 y 34 (el número máximo de operadores definidos hasta ahora para WS-BPEL) y el máximo valor que puede tomar el atributo, que dependerá de cada operador concreto Diseño del sistema Arquitectura del sistema Mientras que en la especificación el sistema se ve como una sola clase de objetos que engloba toda la información y todas las operaciones, en la fase de diseño cada clase de objetos tiene sus propias operaciones de manipulación de información, y los objetos interactúan entre ellos para satisfacer las operaciones del sistema. Para determinar el tipo de arquitectura del sistema debemos tener en cuenta tanto la funcionalidad esperada del sistema, como los requisitos no funcionales antes mencionados y otros factores de calidad del software, como son los siguientes: La mantenibilidad requiere una arquitectura que evite la propagación de cambios realizados sobre una parte del sistema, definiendo interfaces

91 5.5 Diseño del sistema 85 estables entre estas partes. Dicha arquitectura debe ser además lo más sencilla posible para facilitar cambios en su estructura y elementos, es decir, debe ser flexible. La división en partes con límites e interfaces bien definidas mejora también la reusabilidad y facilita las pruebas, evitando acoplamientos innecesariamente complejos que dificulten el desarrollo de una aplicación fiable y con la funcionalidad deseada. La fiabilidad asegura el programa realice su objetivo satisfactoriamente en un determinado periodo de tiempo y en un entorno concreto Detalles de diseño Este apartado proporcionará los detalles de implementación necesarios para poder continuar con este proyecto. Hay que decir que los componentes iniciales de GAmera se conservan (véase la sección 4.1.1) y que lo que ha sido modificado es el algoritmo genético. Dado que el algoritmo genético aquí utilizado no es 100 % puro debido a que se ha tenido que adaptar a las necesidades de la herramienta, se hace preciso tener muy claro el proceso que va a seguir el algoritmo genético durante su desarrollo. En la figura 5.4 nos encontramos con un diagrama de actividades con el flujo principal que sigue GAmeraHOM. Para empezar, y como marcan las bases de los algoritmos genéticos, es necesario crear una primera generación donde se crea una población inicial de individuos. Estos individuos iniciales tienen un valor de aptitud o fitness que debemos calcular antes de empezar a optimizar la población. Nuestro algoritmo, tendrá definidas ciertas condiciones de parada (como por ejemplo, que se cumpla un determinado número de generaciones o que se haya producido un determinado porcentaje de mutantes con respecto al tamaño de la población), si se cumple alguna de ellas, el algoritmo finaliza su ejecución y en caso contrario, es hora de reproducir a los individuos. Por un lado, conservaremos un determinado número de individuos de la población anterior con sus mismas características. Otro porcentaje lo obtendremos de generar nuevos individuos, de la misma forma que se crearon para la población inicial.

92 86 Desarrollo del Proyecto Figura 5.4: Diagrama de actividades del AG

93 5.5 Diseño del sistema 87 Por último, el número de individuos restantes para completar la población surgirán de reproducir los individuos entre ellos. De las formas posibles de reproducción utilizamos el cruce, donde las características de dos individuos progenitores se intercambian produciendo dos nuevos hijos, y la mutación, donde un valor es modificado o mutado dando lugar a un nuevo descendiente. Una vez completada la nueva población es necesario obtener de nuevo la aptitud de los mismos y volvemos a comprobar las condiciones de parada para saber si tenemos que volver a producir una nueva generación de individuos o si el algoritmo tiene que parar. Notación gráfica Los diagramas de clase que se muestran en esta sección siguen una serie de notaciones estándar, tanto en formato, como en diseño, que se detallan a continuación. Una clase será representada por una caja con su nombre y sus atributos. Se ha decidido no mostrar las operaciones asociadas a la clase para una mayor compresión del gráfico. La clase naranja indica la más importante, ya que es la que lanza la aplicación desde la línea de comandos. Los objetos amarillos se corresponden con las clases pertenecientes al componente gamera2-core. Los objetos verdes pertenecen al componente gamera2-api. Los objetos grises se encuentran dentro del componente gamera2-bpel. Los objetos blancos son objetos que han sido o se van a explicar en alguna parte de la sección y que por claridad se han suprimido tanto sus atributos, como sus operaciones. Una interfaz queda representado por el gráfico compuesto por un círculo, doble línea y una lista de operaciones. La línea continua es una asociación. Si termina con una flecha simple o rellena, la asociación será direccional. En cambio, si la fecha está hueca indica una generalización. La línea discontinua si va acompañada de una flecha hueca está representando una implementación.

94 88 Desarrollo del Proyecto Lanzador del algoritmo genético La clase CLIRunner será la encargada de lanzar GAmeraHOM desde la línea de comandos y únicamente necesitará conocer la ruta donde se encuentra el fichero de configuración YAML. Figura 5.5: Diagrama de clases del lanzador del AG Gracias a la introspección toda la información obtenida de ese fichero se depositará sobre la clase Configuration que será la base que usará el algoritmo genético desde GAGenerator. Podemos ver un ejemplo completo en el listado 5.1 donde apreciamos los siguientes elementos: 1. Tamaño máximo de la población. 2. Orden máximo permitido para los individuos. El uso del ampersand, seguido de un nombre, permite que podamos referenciar a ese valor por el nombre de la variable definida. 3. Un executor encargado de preparar el entorno, limpiar, generar y comparar los mutantes contra el programa original. Para ello, tenemos que informarle

95 5.5 Diseño del sistema 89 sobre la ubicación del conjunto de casos de prueba, la ubicación del programa original y una ruta para un fichero de salida. 4. Operadores genéticos que usará el algoritmo, para completar una nueva población cruzando y mutando individuos de la población anterior, previamente seleccionados. Cada operador estará acompañado de una probabilidad que determinará si será aplicado o no. Por su lado, los operadores de mutación también especificarán un modo de seleccionar los individuos de la población anterior (por ejemplo, de manera aleatoria o siguiendo un criterio uniforme), un factor de escala y un rango de aleatoriedad que serán usados para la mutación en sí. 5. Generadores de individuos con el porcentaje de individuos que necesitará ejecutar. 6. Operadores de selección de individuos que determinarán de qué forma o siguiendo qué criterios se elegirán un determinado porcentaje de individuos de la población anterior. 7. Criterios de parada para comprobar si el algoritmo debe continuar o no. Cada uno tendrá sus propias variables parametrizables. 1 populationsize: 5 2 maxorder: &mo 5 3 Listado 5.1: Fichero de configuración YAML 4 executor:!!exec.bpelexecutor 5 testsuite: src/test/resources/loanrpc/loanrpc.bpts 6 originalprogram: src/test/resources/loanrpc/loanrpc.bpel 7 outputfile: target/loanapprovalprocess.bpel.out 8 9 geneticoperators: 10!!genetic.OrderMutationOperator 11 {selector: 12 &rndsel!!select.uniformrandomselection {seed: 5}, 13 scalefactor: &pomop 0.1, 14 randomrange: *mo} : {probability: *pomop} 15!!genetic.IndividualMutationOperator 16 {selector: *rndsel, 17 scalefactor: &pimop 0.3, 18 randomrange: 100} : {probability: *pimop} 19!!genetic.OrderCrossoverOperator {} : {probability: 0.2} 20!!genetic.IndividualCrossoverOperator {} : {probability: 0.4} individualgenerators:

96 90 Desarrollo del Proyecto 23!!generate.UniformGenerator {} : {percent: 0.2} selectionoperators: 26!!select.RouletteSelection {} : {percent: 0.4} terminationconditions: 29 -!!term.percentallmutantscondition {percent: 0.8} 30 -!!term.generationcountcondition {count: 10} loggers: 33 -!!log.messagelogger {console: true, file: } 34 -!!log.hoflogger {console: false, file: hof.txt} La suma de las probabilidades de los operadores genéticos no debe superar el 100 %. Asimismo, la suma de los porcentajes de los generadores de individuos y de la selección de individuos tampoco debe superar el 100 %, ya que el porcentaje restante corresponderá a la aplicación de los operadores genéticos. Puesta a punto Una vez cargada toda la información, es momento de que el executor (figura 5.6) analice el programa original y detecte aquellos operadores aplicables (véase la tabla 5.1 para ver todos los operadores de mutación de WS-BPEL definidos hasta ahora), las instrucciones afectadas y los atributos posibles de cada operador. Figura 5.6: Diagrama de clases del executor Del análisis obtendremos para cada operador, la instrucción o localidad en la que el operador puede aplicarse (cero si no se puede usar) y los atributos, ambos identificados por locationcounts y fieldranges, respectivamente. Con estos datos podemos conocer información útil como el número total de operadores aplicables, la última instrucción con probabilidades de sufrir cambios y el valor máximo de atributo del operador que se aplica.

97 5.5 Diseño del sistema 91 Tabla 5.1: Operadores de mutación para WS-BPEL Operador Valor Máx. valor del atributo Atributos ISV 1 1 EAA 2 5 +, -, *, div, mod EEU 3 1 ERR 4 6 <, >, >=, <=, =,! = ELL 5 2 and, or ECC 6 2 /, // ECN , -1, añadir, eliminar EMD 8 2 0, mitad EMF 9 2 0, mitad ACI 10 1 AFP 11 1 ASF 12 1 AIS 13 1 AIE 14 1 AWR 15 1 AJC 16 1 ASI 17 1 APM 18 1 APA 19 1 XMF 20 1 XMC 21 1 XMT 22 1 XTF 23 1 XER 24 1 XEE 25 1 AEL 26 1 EIU 27 1 EIN 28 1 EAP 29 1 EAN 30 1 CFA 31 1 CDE 32 2 true, false CCO 33 2 true, false CDC 34 2 true, false

98 92 Desarrollo del Proyecto Además, AnalysisResults también almacenará la información útil, es decir, aquella información del operador que se pueda usar en una instrucción del programa original, por lo que se descartarán aquellos de localidad igual a cero. Por otro lado, en la figura 5.7 podemos observar la aparición de GAState que llevará un control de algoritmo proporcionando información de interés a los loggers definidos en el sistema, como por ejemplo: generación actual, número de mutantes generados hasta el momento, etc. Figura 5.7: Diagrama de clases del análisis inicial y el HOF Comparación de individuos con el programa original Cada individuo estará asociado con una serie de resultados fruto de la comparación con el programa original, ComparisonResults. El mutante será desplegado, invocado una vez por cada caso de prueba. La biblioteca de prueba unitaria, BPELUnit, despliega el servicio, y actúa como cliente, invocando el servicio a probar, y como servidor para los mockups. A continuación, se compara la salida de cada mutante con cada caso de prueba con los del programa original, para decidir si el mutante está muerto o sigue vivo. El operador de comparación es una estricta comparación uno-a-uno de sus mensajes de respuesta SOAP. A partir de estas comparaciones se obtendrá la matriz de ejecución, que permitirá

99 5.5 Diseño del sistema 93 calcular la aptitud de cada individuo. Los elementos de la matriz de ejecución pueden ser: m ij = 0, si el mutante i no es matado por el caso de prueba j. m ij = 1, si el mutante i es matado por el caso de prueba j. m ij = 2, si el mutante i produce un error en la ejecución. En el momento en que un caso de prueba produce un error en un determinado mutante, ya no es necesario seguir comparando ese mutante y quedan inválidas todas las comparaciones. Figura 5.8: Diagrama de clases del resultado de la ejecución Así que, siendo T el número total de casos de prueba, podemos concluir que los resultados de las comparaciones por individuo estarán formados por una serie de valores, ComparisonResult que indican lo siguiente: Un mutante i está vivo, es decir, la comparación del mutante con la del programa original produce la misma salida, cuando T m ij = 0 j=1 Un mutante i está muerto, es decir, la comparación del mutante con la del programa original produce una salida distinta, cuando T m ij = 1 j=1 Un mutante i es erróneo, es decir, se ha producido un error en el despliegue del mutante, cuando m ij = 2

100 94 Desarrollo del Proyecto Representación de individuos Cada individuo codifica la mutación a realizar al programa original mediante un valor que representa al orden del individuo (0 < ordenindividuo maxorden), una aptitud o fitness y una serie de tripletas, tantas como el orden máximo definido en la configuración, formadas por el identificador del operador, una referencia a la instrucción donde se aplica el operador y un valor con información para la aplicación del operador. Figura 5.9: Diagrama de clases de los individuos y su población Operador Operador de mutación que se aplica al programa original. Se codifica con un valor entero entre 1 y el número de operadores de mutación definidos, en adelante OM. Localidad Número de instrucción del programa original donde se aplicará el operador. Con objeto de realizar una distribución uniforme entre todos los operadores independientemente del número de instrucciones asociadas a cada uno, el campo se codifica con un valor entero comprendido en el rango de 1 a I, donde I = mcm{m i, 1 i OM}, siendo m i el número de instrucciones que existen en el programa original a las que se puede aplicar un operador de mutación. Más adelante, es necesario hacer una normalización, de manera que el valor I i representará una operación de mutación en la instrucción (I i m i )/I. Atributo Valor que representa la información necesaria para la aplicación del operador de mutación. Dado que una mutación consiste en la alteración de un elemento del programa, este campo especifica cuál será el nuevo valor que tomará el elemento afectado por la mutación. Al igual que en el campo Localidad, con objeto de realizar una distribución uniforme entre todos los individuos, el campo Atributo contiene un valor entero dentro del rango 1 a V, donde V = mcm{v i ; 1 i OM}, siendo v i el número de valores que puede tomar el operador de mutación i-ésimo.

101 5.5 Diseño del sistema 95 Aptitud Vendrá determinada por los resultados de la comparación de los individuos con el programa original siguiendo la siguiente fórmula: ( ) T M Fitness(I) = M T m Ij m ij (5.1) Siendo I el individuo implicado, M el número total de mutantes, T el número total de casos de prueba y m ij el resultado de la comparación de la prueba j para el individuo i. Teniendo en cuenta, que si el resultado de la prueba es inválido, el valor de la aptitud del mutante será cero. Por ejemplo, dada la siguiente matriz de resultados: m ij (M T ) = Las aptitudes de los tres mutantes anteriores son las siguientes: j=1 i=1 F (I 1 ) = 3 4 ( ) = 2 F (I 2 ) = 0 F (I 3 ) = 3 4 ( ) = 8 GAmera sólo trabajaba con mutantes de primer orden, GAmeraHOM admite operaciones con mutantes de orden superior (véase la figura 5.10). Figura 5.10: Primer orden (A) y orden superior (B) Ahora cada operador tendrá un orden específico (en el ejemplo 5.10 el orden del individuo B es 3), marcada por la zona sombreada, que indicará el número de cambios que sufrirá el programa original. Un individuo podrá tener tantos cambios, como se indique en la configuración con el máximo orden de mutación (en el ejemplo 5.10 el máximo orden de B es 5). Hemos de tener en cuenta que esto implicará tener en la misma población, individuos que representan a mutaciones de distintos órdenes. Esta codificación

102 96 Desarrollo del Proyecto Figura 5.11: Individuos idénticos plantea la posibilidad de tener individuos genéticamente diferentes, pero que representan al mismo mutante, como se puede ver en la figura Así que, podemos decir que dos individuos son idénticos si tienen el mismo orden de individuo, el mismo orden máximo de mutación y si tienen los valores de las primeras mutaciones (operador, localidad y atributo) iguales hasta el orden de los individuos. Operadores genéticos Los operadores genéticos serán los encargados de generar descendientes a partir de individuos progenitores. Los operadores genéticos que se han diseñado son la mutación y el cruce. La mutación sólo modifica un valor del individuo padre produciendo un nuevo hijo, y el cruce, a raíz de dos progenitores mezcla sus características obteniendo dos nuevos individuos descendientes. Cada operador se define dentro del fichero de configuración con la siguiente estructura:!!genetic.nombre {OPCIONES_INTERNAS} : {OPCIONES_COMUNES} Las opciones internas son implementadas por el propio operador, mientras que las opciones comunes, como su nombre indica, son características de todos los operadores genéticos y se implementarán en GAGeneticOperatorOptions. Una de las opciones internas de nuestros operadores genéticos será el modo de selección de los individuos que participen en la operación genética. Por defecto, el modo de selección sigue el método de la ruleta y no es necesario indicarlo expresamente (véanse las líneas 11 y 12 del listado 5.2). Sin embargo, nuestra mutación elige individuos de manera aleatoriamente uniforme a partir de una semilla determinada. Podemos observar la creación de un ancla en la línea 4, para no repetir el mismo contenido en la línea 8.

103 5.5 Diseño del sistema 97 Para las mutaciones, vamos a utilizar un par de opciones internas más: un valor de escala llamado scalefactor que representa el mismo valor que la probabilidad de aplicación de ese operador (líneas 5 y 9 del listado 5.2) y un rango de aleatoriedad llamado randomrange (líneas 6 y 10 del listado 5.2) que influirán en el nuevo valor resultante de la operación de mutación. Listado 5.2: Configuración YAML para los operadores genéticos 1 geneticoperators: 2!!genetic.OrderMutationOperator 3 {selector: 4 &rndsel!!select.uniformrandomselection {seed: 5}, 5 scalefactor: &pomop 0.1, 6 randomrange: *mo} : {probability: *pomop} 7!!genetic.IndividualMutationOperator 8 {selector: *rndsel, 9 scalefactor: &pimop 0.3, 10 randomrange: 100} : {probability: *pimop} 11!!genetic.OrderCrossoverOperator {} : {probability: 0.2} 12!!genetic.IndividualCrossoverOperator {} : {probability: 0.4} En cuanto a las opciones comunes a todos los operadores genéticos, tenemos la probabilidad de aplicación de cada operador. La suma de las probabilidades de todos los operadores genéticos han de sumar 100 %. Figura 5.12: Diagrama de clases de los operadores genéticos

104 98 Desarrollo del Proyecto

105 5.5 Diseño del sistema 99

106 100 Desarrollo del Proyecto A diferencia del resto de elementos que influyen en la creación de una nueva generación (selección de individuos de la generación anterior y generación de nuevos individuos) y que veremos más adelante, éstos no poseen un porcentaje que indique el número de individuos que tienen que generarse siguiendo ese método, ya que los operadores genéticos serán los últimos que participen en la creación de la nueva generación produciendo individuos hasta que el tamaño de la población se complete. El modo en el que el algoritmo genético decide qué operador genético de los disponibles aplicar en cada caso, se hace generando un número aleatorio entre cero y uno, y como si del método de la ruleta se tratase, se va comparando con la probabilidad de cada operador hasta que se cumpla que dicho aleatorio sea menor o igual que la probabilidad del operador en cuestión. Operador de mutación Dado el carácter de los mutantes de orden superior, se definen dos tipos de mutaciones: mutación de orden y mutación de individuo. La mutación de orden se encarga de modificar el valor del orden del individuo según la siguiente regla: Orden(I) = o actual + rand( rango, rango) (1 prob MO ) Donde el rango aleatorio y la probabilidad de aplicación fueron definidas en el fichero de configuración (véase el listado 5.2). La mutación de individuo cambia el valor del operador, la localidad o el atributo de una de las mutaciones de un individuo. Aleatoriamente se elige la mutación de las disponibles del individuo (desde la primera mutación, hasta el orden del individuo) y del mismo modo, se selecciona el campo a mutar: operador, localidad o atributo. El nuevo valor se calcula del siguiente modo: Valor(I) = v actual + rand( rango, rango) (1 prob MI ) Donde el rango aleatorio y la probabilidad de aplicación fueron definidas en el fichero de configuración (véase el listado 5.2). Operador de cruce Tal y como ocurre con el operador de mutación, también podemos definir dos tipos de operador de cruce: cruce de orden y cruce de individuo. Sin embargo, en el cruce se ven afectados dos individuos que son seleccionados siguiendo las

107 5.5 Diseño del sistema 101 pautas indicadas en el fichero de configuración, siendo por defecto el método de la ruleta. En el cruce de orden se elige un punto de cruce aleatoriamente y a partir de él se intercambian las mutaciones entre los individuos progenitores produciendo dos nuevos individuos. Como puede darse el caso de que los progenitores sean de distinto orden, dicho punto de cruce debe estar entre la primera mutación y la mutación correspondiente al orden del progenitor mínimo. Por su parte, el cruce de individuo también necesita un punto de cruce con las mismas características que el elegido en el operador de cruce, pero además, necesita elegir aleatoriamente el campo a cruzar de los individuos progenitores: operador, localidad o atributo. Una vez hecho esto, basta intercambiar dichos valores entre los individuos padres. Dado que los operadores genéticos son los últimos en aplicarse y se utilizan hasta completar el tamaño de la población, puede darse el caso de que sólo se necesite un individuo y se produzcan dos derivados de una operación de cruce. Por ello, la población destino de estos operadores genéticos será una población auxiliar y se comprobará si hay suficiente espacio en la población actual para introducir los generados por estos operadores (uno si se trata de una mutación y dos si es un cruce). Si se produce una operación de cruce y sólo falta un individuo por cumplir el tamaño máximo de la población, vamos a introducir el primer individuo generado en el cruce. Lo ideal sería elegir el que mejor aptitud tuviese, pero por cuestiones de eficiencia se ha decidido simplificar este aspecto por el momento. Generadores de individuos Los generadores de individuos crean nuevos individuos siguiendo las directrices marcadas por el fichero de configuración. El único generador de individuo en nuestro sistema corresponde al generador uniforme de individuos. Cada generador se define dentro del fichero de configuración con la siguiente estructura:!!generate.nombre {OPCIONES_INTERNAS} : {OPCIONES_COMUNES} No se necesitan opciones internas pero se deja la estructura preparada, por si en un futuro se necesitasen. Como opción común, un porcentaje que indica el porcentaje de individuos de

108 102 Desarrollo del Proyecto la nueva generación que deben crearse siguiendo ese método, implementado en GAIndividualGeneratorOptions. Listado 5.3: Configuración YAML para los generadores de individuos 1 individualgenerators: 2!!generate.UniformGenerator {} : {percent: 0.2} Los generadores de individuos disponibles se irán llamando sucesivamente hasta que completen el porcentaje de individuos indicado como opción de cada uno de ellos, ya que en cada llamada sólo producen un único individuo. Figura 5.13: Diagrama de clases de los generadores de individuos El generador uniforme de individuos crea nuevos individuos siguiendo las siguientes pautas: El orden del nuevo individuo es un aleatorio entre uno y el máximo orden de mutación. El individuo tendrá tantas mutaciones como se definan en el máximo orden de mutación. El operador es un número aleatorio entre uno y el máximo operador aplicable. La localidad es un número aleatorio entre uno y la instrucción más alta afectada. El atributo es un número aleatorio entre uno y el atributo más alto aplicado. Normalización de individuos Antes de ejecutar los individuos contra los casos de prueba, es necesario normalizar los individuos a los valores reales que tienen. Como podrá comprobar,

109 5.5 Diseño del sistema 103 si únicamente los operadores 3, 10 y 15 son los operadores aplicables, los individuos tendrán como valores de operadores aleatorios entre uno y tres, el máximo de operadores aplicables. Por todo ello, surge la figura del GAHof (figura 5.7) que además de representar al salón de la fama de un algoritmo genético, es decir, un registro de todos los individuos creados a lo largo de la ejecución del algoritmo genético, sirve para almacenar los individuos normalizados y así poder ejecutar los individuos y obtener su aptitud de forma correcta. Operadores de selección Los operadores de selección de individuos eligen de una población, un determinado individuo para que sea introducido en la nueva generación. Tenemos implementados dos operadores de selección: el método de la ruleta y un método de selección aleatorio. El primero de ellos será usado para completar un determinado porcentaje de individuos de la nueva generación y el otro para elegir los individuos que participen en las operaciones genéticas. Figura 5.14: Diagrama de clases de los operadores de selección Cada operador de selección se define dentro del fichero de configuración con la siguiente estructura:!!select.nombre {OPCIONES_INTERNAS} : {OPCIONES_COMUNES} No se necesitan opciones internas pero se deja la estructura preparada, por si en un futuro se necesitasen. Como opción común, un porcentaje que indica el porcentaje de individuos que deben seleccionarse de la población anterior siguiendo ese método, implementado en GASelectionOperatorOptions.

110 104 Desarrollo del Proyecto Figura 5.15: Diagrama de secuencia de generación de individuos

111 5.5 Diseño del sistema 105 Figura 5.16: Diagrama de secuencia de selección de individuos

112 106 Desarrollo del Proyecto Listado 5.4: Configuración YAML para los operadores de selección 1 selectionoperators: 2!!select.RouletteSelection {} : {percent: 0.4} Podemos observar cómo el método de selección aleatorio no se incluye en 5.4 ya que no se desea que individuos de la población anterior sean elegidos con este método, sino que únicamente sean seleccionados por la ruleta. Los operadores de selección disponibles se irán llamando sucesivamente hasta que completen el porcentaje de individuos indicado como opción de cada uno de ellos, ya que en cada llamada sólo seleccionan un único individuo. Método de la ruleta La ruleta se implementa calculando un número aleatorio y entre cero y la suma de las aptitudes de todos los individuos de la población y un individuo aleatorio z de la población proporcionada que marcará la posición de inicio. El proceso irá sumando en un contador x la aptitud de cada individuoz, partiendo de z mientras x sea menor que y. En el momento en el que no se cumpla, el individuo elegido para participar en la nueva generación es z. Criterios de parada Los criterios de parada son condiciones que el algoritmo genético comprobará antes de iniciar una nueva generación. En el momento en que se incumpla una de ellas, el algoritmo parará, en caso contrario, continuará. Figura 5.17: Diagrama de clases de las condiciones de parada Cada criterio de parada se define dentro del fichero de configuración con la siguiente estructura:!!term.nombre OPCIONES

113 5.5 Diseño del sistema 107 Por el momento, se dispone de una condición que verifica el número de generaciones y otra que comprueba el porcentaje total de mutantes generados. Listado 5.5: Configuración YAML para las condiciones de parada 1 terminationconditions: 2 -!!term.percentallmutantscondition {percent: 0.8} 3 -!!term.generationcountcondition {count: 10} Contador de generaciones Comprueba si se ha llegado a un determinado número de generaciones para autorizar la parada. Porcentaje de mutantes generados Comprueba si la división del número de individuos generados entre el número total de mutantes ha superado el porcentaje indicado como opción en la configuración. Para un operador X con Y localidades y Z atributos, podemos obtener Y Z mutantes. Ahora bien, cuando tenemos un orden máximo de mutación N, resulta que ahora se pueden combinar por cada orden. Por lo que el número total de mutantes se calculará sumando todas las combinaciones posibles. Loggers Los loggers nos proporciona información sobre lo que está ocurriendo dentro del algoritmo genético. Cada logger se define dentro del fichero de configuración con la siguiente estructura:!!log.nombre OPCIONES Las opciones disponibles serán un booleano console para indicar si la impresión de mensajes será por pantalla y file que será la ruta donde se creará un fichero con la salida de los mensajes. No se permite la salida por consola y por fichero para un mismo logger. Listado 5.6: Configuración YAML para los loggers 1 loggers: 2 -!!log.messagelogger {console: true, file: } 3 -!!log.hoflogger {console: false, file: hof.txt} Los loggers disponibles en GAmeraHOM son los siguientes:

114 108 Desarrollo del Proyecto MessageLogger Logger de mensajes simples. HofLogger Logger que muestra los resultados del HOF: una representación de cada individuo con los resultados de la comparación. NullLogger Logger vacío. GAmeraHOM dispone de un AggregateLogger que aúna todos los loggers definidos en la configuración, para que así sea transparente para el algoritmo el uso de un logger u otro. Además tenemos la clase PrintingByConsoleOrFile que se encarga de direccionar el flujo de mensajes por consola o por fichero, según se haya especificado en la configuración. Figura 5.18: Diagrama de clases de los loggers

115 5.6 Implementación Implementación Java Han sido de gran utilidad textos como [38] y [48], los cuales han servido como consulta principalmente en el aspecto de la introspección y en las buenas prácticas de diseño. Una ayuda esencial ha sido el uso del IDE Eclipse 3.6 gracias a su soporte en refactorización, pudiendo renombrar métodos y clases de forma segura, pruebas unitarias y asistentes para la creación de clases y tests. YAML En este caso, como documento básico se ha usado [40]. Ha sido todo un descubrimiento por su facilidad de uso. Para que el texto fuera formateado por Eclipse, se tuvo que instalar un plugin adicional llamado yedit [49]. Maven El uso de Maven [41] también ha facilitado el desarrollo de GAmeraHOM debido a que se integra fácilmente con varias herramientas. En el POM queda descrito el proyecto a construir con sus dependencias con otros módulos o componentes externos, así como el orden de construcción de los distintos elementos. Además, otra ventaja es que el motor incluido en su núcleo puede dinámicamente descargar plugins de un repositorio si fuesen necesarios, ahorrando tal paso al desarrollador Evaluación de la calidad Este proyecto, al formar parte de un conjunto de herramientas interrelacionadas creadas por el grupo de investigación UCASE, tiene como objetivo primordial ser software de calidad. Para ayudarnos en esta tarea hemos utilizado: Sonar, una

116 110 Desarrollo del Proyecto plataforma de código abierto para la calidad del software, y Jenkins un software de integración continua de código abierto Sonar Sonar [50] es una herramienta que permite gestionar la calidad del código controlando los siete ejes principales de dicha calidad del código: Arquitectura y diseño Duplicaciones Pruebas unitarias Complejidad Errores potenciales Reglas de codificación Comentarios Sonar realiza varios análisis de nuestro código a través de otras herramientas y presenta de manera unificada a través de su interfaz la información generada por ellas en forma de métricas. Podemos ver de forma detallada los puntos débiles de nuestro proyecto, como errores potenciales en el código, escasez de comentarios, código repetido, clases demasiado complejas, escasez de cobertura de las pruebas unitarias, etc. El principal lenguaje soportado es Java, así que es idóneo para GAmeraHOM, aunque hay disponibles extensiones para otros lenguajes. Los proyectos realizados por el grupo UCASE se encuentran bajo esta herramienta en la dirección aparecerá un listado con todos los proyectos y en lo que respecta a GAmeraHOM encontraremos GAmera2::BPEL Executor, GAmera2::Component API y GAmera2::Core. Cuadro de mandos Si clicamos sobre GAmera2::Core la página que se cargará por defecto es el cuadro de mandos (dashboard) donde se presentan los resultados de las métricas

117 5.7 Evaluación de la calidad 111 del proyecto de forma general (figura 5.19). Está compuesto por una serie de cajas o widgets que representan de forma agrupada un conjunto de métricas de naturaleza similar. Figura 5.19: Sonar - Cuadro de mandos Podemos encontrar los siguientes elementos: Líneas de código y clases. Violaciones y cumplimiento de reglas de buenas prácticas. Comentarios y duplicaciones. Ciclos de dependencias. Complejidad del código. Cohesión (LCOM4). Cobertura del código y resultado de las pruebas. Cada uno de estos widgets pueden consultarse para obtener información más detallada.

118 112 Desarrollo del Proyecto Si por ejemplo, entramos en el widget dedicado a los tests, obtendremos un listado con todos los paquetes de nuestro proyecto y, dentro de cada uno de ellos, las clases con las distintas pruebas. En la figura 5.20 podemos ver las seis pruebas diseñadas para la clase IndividualCrossoverOperator, pasadas con éxito. Figura 5.20: Sonar - Pruebas Componentes Aquí se muestra un listado de los componentes del presente proyecto, donde consta información sobre el grado de cumplimiento de buenas prácticas, la cobertura del código y el tiempo de compilación de cada uno de ellos. Violaciones En el widget dedicado a las violaciones (figura 5.21), encontraremos aquellos incumplimientos de reglas de buenas prácticas, mostrando el lugar donde se ha producido esa violación y una sugerencia para solucionarlo. En este caso, Sonar clasifica como violación importante (major) el uso de System.err.println. Sin embargo, queremos dejar así ese fragmento para que muestre por pantalla el uso de una llamada incorrecta al programa. Aunque Sonar ha ayudado a una mejora notable del código de GAmeraHOM, no es la panacea como ha podido observarse en la única violación que se detecta al componente gamera2-core.