Engenharia de Computação (Belo Horizonte - Nova Gameleira)

URI Permanente para esta coleção

https://repositorio.cefetmg.br//handle/123456789/601

Navegar

Navegando Engenharia de Computação (Belo Horizonte - Nova Gameleira) por Assunto "Engenharia de software"

Agora exibindo 1 - 2 de 2
  • Imagem de Miniatura
    Item
    Injeção indireta de prompt em ambientes de desenvolvimento: uma análise de segurança do protocolo MCP
    (Centro Federal de Educação Tecnológica de Minas Gerais, 2026-06-10) Oliveira, Pedro Veloso Inácio de; Ferreira, Mateus Felipe Tymburibá; http://lattes.cnpq.br/5863316017246857; http://lattes.cnpq.br/0511683633024448; Ferreira, Mateus Felipe Tymburibá; Álvares, Andrei Rimsa; Oliveira, Guilherme Lopes de
    A adoção de agentes de codificação baseados em grandes modelos de linguagem tem automatizado fluxos complexos de engenharia de software, como a revisão de pull requests. Essa automação, porém, amplia a superfície de ataque quando o agente interpreta artefatos externos como instruções operacionais. Este trabalho investiga empiricamente ataques de injeção indireta de prompt contra agentes de codificação com acesso a ferramentas locais em um fluxo de revisão de código. A avaliação utilizou servidores simulados, três modelos acessados pelo OpenCode, quatro condições experimentais e 180 execuções analisadas (15 por par modelocenário). Nos 135 cenários adversariais, a taxa de sucesso de ataque (TSA) estrita foi de 44,4% (IC 95%: 36,3–52,9). Ataques dissimulados como tarefas de suporte ou verificação de segurança alcançaram TSA estrita de 75,6% (IC 95%: 61,3–85,8) e 57,8% (IC 95%: 43,3–71,0), enquanto o ataque explícito foi recusado em quase todas as execuções e não produziu execução direta nem mescla. Os resultados indicam que artefatos rotineiros de desenvolvimento podem comprometer agentes autônomos e reforçam a necessidade de validação contextual, permissões granulares e isolamento de execução em pipelines de integração contínua.
  • Imagem de Miniatura
    Item
    Uma análise abrangente da qualidade estrutural de softwares Java gerados por inteligência artificial
    (Centro Federal de Educação Tecnológica de Minas Gerais, 2026-06-17) Rodrigues, Samyris Alves; Ferreira, Kecia Aline Marques; Gomes, Rogério Martins; http://lattes.cnpq.br/0460460352086325; http://lattes.cnpq.br/5681147676729706; http://lattes.cnpq.br/2466645299330535; Ferreira, Kecia Aline Marques; Gomes, Rogério Martins; Kupsch, Daniela Cristina Cascini; Silva, Edson Marchetti da
    A Inteligência Artificial Generativa (IAG) vem transformando a Engenharia de Software ao automatizar tarefas de programação por meio de Modelos de Linguagem de Grande Escala (LLMs). Apesar dos ganhos de produtividade proporcionados por essas tecnologias, persistem questionamentos quanto à qualidade dos artefatos produzidos. Nesse contexto, este trabalho investiga a qualidade estrutural de softwares Java gerados por sete ferramentas de IAG: ChatGPT, Gemini, Gemini Advanced, DeepSeek, GitHub Copilot, AWS CodeWhisperer e Claude. O estudo avaliou oito sistemas Java em três períodos de execução independentes, utilizando 46 métricas de software e classificadas com base em valores de referência da literatura. A avaliação estrutural considerou apenas os softwares gerados de forma completa e funcional. Adicionalmente, foi proposto um indicador denominado qualidade efetiva, que combina a taxa de completude funcional e a qualidade estrutural dos sistemas gerados, permitindo uma comparação mais abrangente entre as ferramentas avaliadas. Os resultados indicam que, quando considerados apenas os sistemas completos, as ferramentas apresentam qualidade estrutural semelhante, sem diferenças expressivas entre modelos generalistas e especializados, nem entre versões gratuitas e pagas. As métricas de acoplamento e herança apresentaram predominância de classificações favoráveis, enquanto a coesão destacou-se como a principal limitação recorrente. A incorporação da completude funcional por meio da qualidade efetiva evidenciou diferenças mais claras entre as ferramentas, destacando AWS CodeWhisperer e DeepSeek pelos melhores resultados globais. Observou-se, ainda, elevada estabilidade temporal dos padrões identificados ao longo das execuções experimentais. Conclui-se que a avaliação de ferramentas de geração automática de código deve considerar simultaneamente aspectos estruturais e funcionais, uma vez que a qualidade arquitetural isolada não reflete integralmente a capacidade de geração de software.