Caracterização dos Processos para Elicitação de Requisitos de Software: Uma revisão sistemática da literatura

• Lucas F. de Abreu PUC - Minas
• Glívia A. R. Barbosa CEFET-MG
• Ismael S. Silva CEFET-MG
• Natália S. Santos CEFET-MG

DOI: https://doi.org/10.5753/sbsi.2016.5962

Resumo

Com o passar dos anos, as falhas e os desafios que ocorrem durante a construção e implantação de um software ainda estão relacionados a problemas nas fases de análise e gerenciamento de requisitos. Essa reincidência chama a atenção tanto de pesquisadores, quanto da indústria de Engenharia de Software, de forma que alguns trabalhos têm sido desenvolvidos com o intuito de propor soluções que visam minimizar esses problemas, em especial na fase de elicitação de requisitos. Porém, nem sempre esses esforços são acessíveis ao conhecimento de todos, o que dificulta sua difusão e consolidação nas áreas acadêmica e da indústria. O objetivo deste trabalho consiste em apresentar e caracterizar os processos de elicitação de requisitos propostos nos últimos anos, através de uma revisão sistemática da literatura. Esse tipo de caracterização é importante, uma vez que pode auxiliar empresas que desejam adotar um processo de elicitação mas que não dispõem de recursos para a criação de um processo totalmente novo. Além disso, a categorização dos processos existentes poderá auxiliar na difusão e consolidação dos mesmos.

Palavras-chave: Processos de Elicitação de Requisitos, Revisão Sistemática da Literatura

Referências

N. Al-Madi, I. Aljarah, and S. A. Ludwig. Parallel glowworm swarm optimization clustering algorithm based on mapreduce. In Swarm Intelligence (SIS), 2014 IEEE Symposium on, pages 1–8. IEEE, 2014.

I. Aljarah and S. A. Ludwig. Parallel particle swarm optimization clustering algorithm based on mapreduce methodology. In Nature and Biologically Inspired Computing (NaBIC), 2012 Fourth World Congress on, pages 104–111. IEEE, 2012.

I. Aljarah and S. A. Ludwig. Mapreduce intrusion detection system based on a particle swarm optimization clustering algorithm. In Evolutionary Computation (CEC), 2013 IEEE Congress on, pages 955–962. IEEE, 2013.

R. Bhavani and G. S. Sadasivam. A novel ant based clustering of gene expression data using mapreduce framework. International Journal on Recent and Innovation Trends in Computing and Communication, 2:398–402, 2014.

M.-Y. Cheng and D. Prayogo. Symbiotic organisms search: A new metaheuristic optimization algorithm. Computers & Structures, 139:98–112, 2014.

S. Cheng, Y. Shi, Q. Qin, and R. Bai. Swarm intelligence in big data analytics. In Intelligent Data Engineering and Automated Learning–IDEAL 2013, pages 417–426. Springer, 2013.

M. Dalal and N. Harale. A survey on clustering in data mining. In Proceedings of the International Conference & Workshop on Emerging Trends in Technology, pages 559–562. ACM, 2011.

J. Dean and S. Ghemawat. Mapreduce: simplified data processing on large clusters. Communications of the ACM, 51(1):107–113, 2008.

R. C. Eberhart, J. Kennedy, et al. A new optimizer using particle swarm theory. In Proceedings of the sixth international symposium on micro machine and human science, volume 1, pages 39–43. New York, NY, 1995.

J. Judith and J. Jayakumari. An efficient hybrid distributed document clustering algorithm. Scientific Research and Essays, 10(1):14–22, 2015.

A. Katal, M. Wazid, and R. Goudar. Big data: Issues, challenges, tools and good practices. In Contemporary Computing (IC3), 2013 Sixth International Conference on, pages 404–409. IEEE, 2013.

K. Krishnanand and D. Ghose. Detection of multiple source locations using a glowworm metaphor with applications to collective robotics. In Swarm Intelligence Symposium, 2005. SIS 2005. Proceedings 2005 IEEE, pages 84–91. IEEE, 2005.

J. Leskovec, A. Rajaraman, and J. D. Ullman. Mining of massive datasets. Cambridge University Press, 2014.

S. R. L. Menezes, R. S. Freitas, and R. S. Parpinelli. Mineração em grandes massas de dados utilizando hadoop mapreduce e algoritmos bio-inspirados: Uma revisão sistemática. Revista de Informática Teórica e Aplicada, 2016. Trabalho aceito para publicação.

W. Migliorini, L. Andre, and R. Parpinelli. Análise das rotinas de intensificação e diversificação no algoritmo inspirado em organismos simbioticos. In Congresso Brasileiro de Inteligência Computacional, 2015.

S. Narayan, S. Bailey, and A. Daga. Hadoop acceleration in an openflow-based cluster. In High Performance Computing, Networking, Storage and Analysis (SCC), 2012 SC Companion:, pages 535–538. IEEE, 2012.

N. Nurain, H. Sarwar, M. P. Sajjad, and M. Mostakim. An in-depth study of map reduce in cloud environment. In Advanced Computer Science Applications and Technologies (ACSAT), 2012 International Conference on, pages 263–268. IEEE, 2012.

R. S. Parpinelli and H. S. Lopes. New inspirations in swarm intelligence: a survey. International Journal of Bio-Inspired Computation, 3(1):1–16, 2011.

X.-S. Yang, Z. Cui, R. Xiao, A. H. Gandomi, and M. Karamanoglu. Swarm intelligence and bio-inspired computation: theory and applications. Newnes, 2013.

Y. Zhao and G. Karypis. Evaluation of hierarchical clustering algorithms for document datasets. In Proceedings of the eleventh international conference on Information and knowledge management, pages 515–524. ACM, 2002.