Resumo Técnico: Em Direção à Análise de Impacto Semânticamente Semeadas e Propagadas por Grafos entre Artefatos de Software

Declaração do Problema

Engenheiros de software enfrentam desafios significativos na Análise de Impacto de Mudança (CIA - Change Impact Analysis) quando um único artefato (ex: um requisito, configuração ou função) é modificado. As ferramentas existentes tipicamente baseiam-se em dois sinais isolados, cada um possuindo um "ponto cego" característico:

1. Abordagens de Semântica/Recuperação de Informação (IR): Baseiam-se na similaridade textual (ex: embeddings, modelos de espaço vetorial) para vincular artefatos. Embora transitem livremente entre tipos de artefatos, falham em detectar impactos onde o texto não compartilha o mesmo vocabulário com a mudança (ex: uma mudança de requisito para "timeout" que impacta uma função chamada completeOrder sem mencionar timeouts).
2. Abordagens Estruturais/de Dependência: Seguem arestas explícitas (grafos de chamada, fluxo de dados, invocação de testes). Embora precisas onde as arestas existem, perdem relações de nível de significado não codificadas como arestas e frequentemente falham em cobrir a cadeia completa de Requisitos → Configuração → Serviço → Teste, particularmente para artefatos operacionais como imagens de contêiner, métricas e esquemas de banco de dados.

O artigo argumenta que a análise puramente estrutural perde impactos em artefatos operacionais (ex: atualizações de imagem base quebrando serviços, renomeação de métricas desativando alertas) porque nenhuma aresta de código conecta esses itens à mudança. Por outro outro lado, a análise puramente semântica perde impactos que são estruturalmente dependentes, mas lexicalmente distintos.

Metodologia

Os autores propõem um analisador interpretável e livre de treinamento que funde sinais semânticos e estruturais sobre um grafo de artefatos heterogêneo. A inovação central é o uso do "mesmo embedding, camada de raciocínio diferente".

1. Grafo de Artefatos Heterogêneo

O sistema modela o ecossistema de software como um grafo tipado com tipos de nós incluindo Requisitos (R), Configurações (C), Serviços/Funções (S), Testes (T) e artefatos operacionais (Imagens, Métricas, Alertas, Esquemas de Dados).

• Arestas: Recuperadas automaticamente via análise estática (ex: AST de Python) ou parsing de manifestos.
  • Arestas de origem: R→C, C→S, S→S, T→S.
  • Arestas operacionais: Imagem→Serviço, Serviço→Métrica, Métrica→Alerta, Serviço→Dados.
• Direção de Propagação: As arestas são invertidas para a propagação de impacto (ex: uma mudança no callee impacta seus callers; uma mudança de serviço impacta seus testes).

2. Pontuação de Duas Camadas

A pontuação de impacto para qualquer artefato é uma mistura ponderada de duas camadas:

• Camada 1: Prior Semântico ($s$)

  • Computa a similaridade de cosseno entre o texto de cada artefato e o artefato alterado.
  • Suporta backends intercambiáveis: TF-IDF ou embeddings densos (ex: Sentence-BERT).
  • Captura relações de nível de significado mesmo sem arestas estruturais.

• Camada 2: Propagação Estrutural ($p$)

  • Computa a propagação de impacto no grafo tipado usando uma matriz de propagação normalizada por linha $M$.
  • Utiliza um mecanismo de decaimento de múltiplos saltos (inspirado em centralidade de Katz e PageRank):
    $$p = \sum_{k=1}^{K} \gamma^k (e_c M^k)$$
    Onde $e_c$ é o artefato alterado, $\gamma$ é o fator de decaimento e $K$ é o horizonte.
  • Captura cadeias de dependência explícitas.

3. Fusão

A pontuação de impacto final é uma combinação linear controlada por um único peso ajustável $\lambda$:
$$\text{impacto} = \lambda s + (1 - \lambda) p$$

• $\lambda=1$: Baseline semântica pura.
• $\lambda=0$: Analisador estrutural puro.
• $\lambda \in (0,1)$: Uma mistura que controla explicitamente o equilíbrio entre precisão e recall (precision/recall trade-off).
• Interpretabilidade: Cada artefato sinalizado inclui uma explicação explícita: sua pontuação semântica, pontuação estrutural e o caminho de propagação específico percorrido.

Avaliação de Prova de Conceito

Os autores avaliaram a abordagem em um pequeno subsistema de pagamento completo consistindo de 13 artefatos (3 requisitos, 3 configurações, 4 serviços, 3 testes) e 14 arestas tipadas, através de 5 cenários de mudança rotulados.

Principais Descobertas:

1. Cobertura de Pontos Cegos: A fusão é a única configuração que cobre ambos os pontos cegos.
   • Ponto Cego Semântico: Artefatos com zero sobreposição textual (ex: completeOrder vs. um requisito de "timeout") foram recuperados puramente através da propagação estrutural.
   • Ponto Cego Estrutural: Funções auxiliares (ex: loadConfig) que não estão a jusante no grafo de chamada, mas são semanticamente relacionadas, foram recuperadas puramente pela camada semântica.
2. Desempenho:
   • Estrutural Puro ($\lambda=0$): Alcançou alta precisão (0.927), mas perdeu ~21% dos impactos reais (Recall 0.786) devido à ausência de funções auxiliares.
   • Semântico Puro ($\lambda=1$): Alcançou alto recall (0.873), mas baixa precisão (0.417) devido a falsos positivos.
   • Mistura Proposta ($\lambda=0.5$): Alcançou recall perfeito (1.000) em todos os cenários, capturando todos os artefatos impactados da verdade fundamental (ground-truth), com um F1 score ligeiramente melhorado (0.589) em relação à baseline semântica.
3. Limitações do Benchmark: Os autores observam que o alto F1 da abordagem puramente estrutural é um artefato do minúsculo grafo sintético onde a maioria dos impactos reais era alcançável por arestas. A principal contribuição é a cobertura ao nível do mecanismo, não uma afirmação de generalização de acurácia.

Significância e Alegações

O artigo posiciona este trabalho como um ponto específico e subocupado no espaço de design da análise de impacto:

• Livre de Treinamento e Determinístico: Ao contrário de Redes Neurais de Grafos (GNNs) ou abordagens GraphRAG que exigem dados de treinamento ou chamadas de LLM caras e não determinísticas, esta abordagem utiliza regras de propagação fixas e embeddings explícitos.
• Explicável: Ele emite um caminho de propagação verificável para cada artefato sinalizado, tornando-o adequado para ambientes de auditoria e segurança crítica.
• Escopo Operacional: Estende a análise de impacto além do código-fonte para artefatos operacionais (imagens, métricas, esquemas) onde a análise apenas de código falha, abordando modos de falha do mundo real como atualizações de imagem base e renomeação de métricas.

Os autores declaram explicitamente que os números do protótipo são ilustrativos do mecanismo, não uma alegação de generalização. A contribuição é o design de uma arquitetura de fusão que recupera artefatos invisíveis para apenas um dos sinais, fornecendo uma base para trabalhos futuros em propagação aprendida, verificação por LLM e implantação escalável entre serviços.