A PPLYING D ATA M INING T ECHNIQUES TO S EMI -A UTOMATICALLY D ISCOVER G UIDELINES FOR M ETAMODELS {andreza, franklin, patricia,

Apresentação em tema: "A PPLYING D ATA M INING T ECHNIQUES TO S EMI -A UTOMATICALLY D ISCOVER G UIDELINES FOR M ETAMODELS {andreza, franklin, patricia,"— Transcrição da apresentação:

1 A PPLYING D ATA M INING T ECHNIQUES TO S EMI -A UTOMATICALLY D ISCOVER G UIDELINES FOR M ETAMODELS {andreza, franklin, patricia, fabiosl}@dsc.ufcg.edu.br Universidade Federal de Campina Grande Autores: Andreza Vieira Franklin Ramalho Patrícia Machado Fábio Leal I Workshop Brasileiro de Desenvolvimento de Software Dirigido por Modelos – WB-DSDM, Salvador – BA

2 INTRODUÇÃO [MINERAÇÃO DE DADOS] Mineração de Dados Processo de descoberta de conhecimento a partir dos dados Ferramenta para Mineração: Weka [Hall et al., 2009] Bastante utilizada Facilidade de uso Vários algoritmos de Análise de Associação Software livre 2 © A ndreza Vieira et al. – WB-DSDM 27/09/2010

3 INTRODUÇÃO [MINERAÇÃO DE DADOS] 3 Processo KDD ( Knowledge Discovery in Databases ) 27/09/2010 © A ndreza Vieira et al. – WB-DSDM

4 INTRODUÇÃO [DIRETRIZES] Diretrizes Guias de orientação Diretrizes para Desenvolvimento de Software Boas práticas de programação em Java Modelagem de um domínio 4 27/09/2010 © A ndreza Vieira et al. – WB-DSDM

5 MOTIVAÇÃO 5 Diretrizes MDA Mineração de Dados 27/09/2010 © A ndreza Vieira et al. – WB-DSDM

6 MOTIVAÇÃO Escopo: Meta-modelos Grande importância em MDA Tarefa não trivial Necessário conhecimento prévio Confusão com modelagem Há grande necessidade de diretrizes para meta- modelagem Objetivo: Aplicar a mineração de dados para identificar diretrizes 6 27/09/2010 © A ndreza Vieira et al. – WB-DSDM

7 APLICANDO MINERAÇÃO DE DADOS PARA DESCOBERTA DE DIRETRIZES 7 27/09/2010 © A ndreza Vieira et al. – WB-DSDM

8 APLICANDO MINERAÇÃO DE DADOS 1. PREPARAÇÃO DA BASE DE DADOS 8 27/09/2010 © A ndreza Vieira et al. – WB-DSDM

9 APLICANDO MINERAÇÃO DE DADOS 1. PREPARAÇÃO DA BASE DE DADOS 1. Seleção dos Campos e dos Dados Meta-modelo de MOF e UML 2. Definição de uma Base de Dados Relacional Uma tabela para cada meta-classe Um campo da tabela para cada atributo da meta-classe 3. Construção da Base de Dados: Arquivo ARFF Formato de arquivo de dados mais popular ARFF gerado automaticamente 9 27/09/2010 © A ndreza Vieira et al. – WB-DSDM

10 APLICANDO MINERAÇÃO DE DADOS 2. MINERAÇÃO DE DADOS 10 27/09/2010 © A ndreza Vieira et al. – WB-DSDM

11 APLICANDO MINERAÇÃO DE DADOS 2. MINERAÇÃO DE DADOS Tarefa: Análise de Associação Algoritmo: Apriori Resultado: Mais de 50.000 regras de associação Apenas 7 foram úteis para compor uma diretriz 11 27/09/2010 © A ndreza Vieira et al. – WB-DSDM

12 APLICANDO MINERAÇÃO DE DADOS 2. MINERAÇÃO DE DADOS Contexto: associação de composição entre meta-classes 12 class.composition=owned class.isNavigable=true sup: (19%) conf: (100%) class.composition=owner class.upper=1 sup: (11%) conf: (100%) class.composition=owned class.isAbstract=false sup: (17%) conf: (87%) class.composition=owner class.property.isDerived=false sup: (11%) conf: (100%) 27/09/2010 © A ndreza Vieira et al. – WB-DSDM

13 APLICANDO MINERAÇÃO DE DADOS 3. INTERPRETAÇÃO E AVALIAÇÃO 13 27/09/2010 © A ndreza Vieira et al. – WB-DSDM

14 APLICANDO MINERAÇÃO DE DADOS 3. INTERPRETAÇÃO E AVALIAÇÃO Análise das regras Características em comum Resultado: uma diretriz formada Defining Association Member Ends Features O todo ( owner ) Limite máximo de multiplicidade: 1 Não possui atributos derivados A parte ( owned ) Concreta Navegável a partir do todo 14 27/09/2010 © A ndreza Vieira et al. – WB-DSDM

15 APLICANDO MINERAÇÃO DE DADOS 3. INTERPRETAÇÃO E AVALIAÇÃO Validação de Meta-modelos Informações óbvias Regras com alta confiança 15 27/09/2010 © A ndreza Vieira et al. – WB-DSDM class.operation.rule.constraintKind=body class.operation.isQuery=true sup: (71%) conf: (100%) class.operation.parameters.direction=return class.operation.isQuery=true sup: (61%) conf: (100%)

16 APLICANDO MINERAÇÃO DE DADOS 4. IMPLANTAÇÃO DO CONHECIMENTO 16 27/09/2010 © A ndreza Vieira et al. – WB-DSDM

17 APLICANDO MINERAÇÃO DE DADOS 4. IMPLANTAÇÃO DO CONHECIMENTO Documentação da diretriz identificada Defining Association Member Ends Features Referência para os desenvolvedores 17 27/09/2010 © A ndreza Vieira et al. – WB-DSDM

18 APLICANDO MINERAÇÃO DE DADOS EXEMPLO DE APLICAÇÃO DA DIRETRIZ 18 27/09/2010 © A ndreza Vieira et al. – WB-DSDM

19 APLICANDO MINERAÇÃO DE DADOS FERRAMENTA DE SUPORTE 19 27/09/2010 © A ndreza Vieira et al. – WB-DSDM [MinerMOF, 2009]

20 APLICANDO MINERAÇÃO DE DADOS FERRAMENTA DE SUPORTE 20 27/09/2010 © A ndreza Vieira et al. – WB-DSDM

21 AVALIAÇÃO Baseada no método GQM ( Goal-Question-Metric ) Finalidade Verificar a aplicabilidade da diretriz identificada Conjunto de meta-modelos avaliados QVT e SPEM (OMG) KobrA2 e Java (Outras organizações) 21 27/09/2010 © A ndreza Vieira et al. – WB-DSDM

22 AVALIAÇÃO Número de aplicações para cada meta-modelo 22 j: Cada um dos meta-modelos m: Número de Meta-modelos Analisados AN: Número de Aplicações da Diretriz KobrA2JavaQVTSPEM 141031714 27/09/2010 © A ndreza Vieira et al. – WB-DSDM GAA = / m Métrica GAA (Guideline Applications Average) Resultado: 37

23 CONSIDERAÇÕES FINAIS Exploração da mineração de dados em MDA Experiência inovadora Resultados: Identificação de uma diretriz para meta-modelagem Validação de meta-modelos Avaliação Trabalhos futuros: Base de dados com outros meta-modelos Identificação de diretrizes manualmente 23 27/09/2010 © A ndreza Vieira et al. – WB-DSDM

24 REFERÊNCIAS [Hall et al., 2009] Hall, M.; Frank, E.; Holmes, G.; Pfahringer, B.; Reutemann, P.; Witten, I. H.; The WEKA Data Mining Software : An Update. SIGKDD Explorations, Volume 11, Issue 1, 2009. [Han and Kamber, 2001] Han, J.; Kamber, M. Data Mining: Concepts and Techniques. Academic Press, 2001. [MinerMOF, 2009] Leal, F., Vieira, A.; Ramalho, F. MinerMOF : Ferramenta de Suporte para Mineração de Dados em Meta-modelos. 2009. Disponível em: [Robin et al., 2009] Robin, J.; Stoll, D.; Atkison, C. Meta-modelo de KobrA2. 2009. Não publicado ainda. 24 27/09/2010 © A ndreza Vieira et al. – WB-DSDM

25 A PPLYING D ATA M INING T ECHNIQUES TO S EMI -A UTOMATICALLY D ISCOVER G UIDELINES FOR M ETAMODELS {andreza, franklin, patricia, fabiosl}@dsc.ufcg.edu.br Universidade Federal de Campina Grande Autores: Andreza Vieira Franklin Ramalho Patrícia Machado Fábio Leal I Workshop Brasileiro de Desenvolvimento de Software Dirigido por Modelos – WB-DSDM, Salvador – BA