El 1 de junio de 2021, Matías Pol'la, docente e investigador de nuestra Facultad, defendió su tesis titulada "Análisis Automático de Modelos de Variabilidad: El Proceso SeVaTax" en la Universidad Nacional del Centro de la Provincia de Buenos Aires (Tandil), lo que le permitió acceder al título de Doctor en Ciencias de la Computación, bajo la dirección de Dra. Alejandra Cechich y Dra. Agustina Buccella.

¡Felicitamos a Matías y a sus directoras por este logro!

 

Foto del día de la defensa con sus directoras y los miembros del tribunal:

Doctor Matías Polla

 

Título:

Análisis Automático de Modelos de Variabilidad: El Proceso SeVaTax

 

Resumen:

Una línea de productos software provee de una plataforma común flexible, de manera que permita adaptarse a las diferentes necesidades de productos dentro de un rango de requerimientos establecido. Dicha flexibilidad se logra mediante la identificación, definición y posterior configuración de lo que se conoce como  \emph{Variabilidad}. Los modelos de variabilidad, como cualquier otro artefacto software, están sujetos a un proceso de análisis para detectar y (posiblemente) resolver errores e incompatibilidades. Esto lleva a la existencia de un proceso de \emph{análisis de variabilidad}, que presta especial atención al momento de definición y uso de la variabilidad.

Existen hoy día, propuestas que presentan diferentes métodos y/o herramientas  para realizar un análisis automatizado de la variabilidad. Sin embargo, muchas de ellas se enfocan en sólo un tipo de modelo como entrada y/o sólo disponen de algunos escenarios de  validación para controlar. A su vez, muy pocas proponen correcciones o identifican exactamente dónde se encuentran las anomalías o inconsistencias en los modelos. Entonces, se hace necesario mejorar este proceso de validación y su soporte, evaluando el rendimiento durante esa validación.

En este sentido,  esta Tesis propone el proceso llamado SeVaTax, que toma como entrada modelos de variabilidad (uno o más) , generando  una representación formal que permite analizar un  conjunto de escenarios de validación mayor y proporciona un nivel diferente de respuestas, incluso proponiendo algunas acciones específicas para corregir los modelos. Se proponen dieciocho escenarios de validación, que son experimentalmente validados desde dos puntos de vista: (1) la exactitud de los resultados en términos de los errores que SeVaTax permite identificar; y (2) el cubrimiento, que muestra el grado en que el conjunto de escenarios está cubierto por otros enfoques con herramientas similares.