Em ciência da computação, robustez é a capacidade de um sistema computacional lidar com erros durante a execução e com entradas errôneas. Isso abrange muitas áreas, incluindo programação robusta, aprendizado de máquina robusto e projeto de redes robusto. Técnicas formais, como teste de fuzzing, são essenciais para demonstrar robustez, pois envolvem testar com entradas inválidas ou inesperadas. Alternativamente, a injeção deliberada de falhas pode ser usada para testar a robustez, e vários produtos comerciais realizam testes de robustez de análise de software.
Construir sistemas robustos que cubram todos os pontos possíveis de falha é difícil devido à vasta quantidade de entradas e combinações de entradas possíveis. Como o teste exaustivo de todos os casos é impraticável, os desenvolvedores generalizam os casos de teste. Por exemplo, ao testar entradas inteiras, um desenvolvedor pode selecionar um número negativo, zero e um número positivo para representar todo o conjunto dos reais. Esse método é mais eficiente, mas mais propenso a falhas. Generalizar casos de teste é uma técnica para lidar com falhas provenientes de entrada de usuário inválida, mas os sistemas também podem falhar por outros motivos, como desconexões de rede. Independentemente disso, sistemas complexos devem lidar com quaisquer erros de forma graciosa, e alguns dos sistemas mais robustos são evolutivos e facilmente adaptados a novas situações.
Desafios para Alcançar a Robustez
Programas e softwares são tipicamente ferramentas focadas em tarefas específicas, tornando-os menos generalizados e flexíveis do que sistemas como a internet ou sistemas biológicos, que se adaptam aos seus ambientes. Uma maneira pela qual os sistemas biológicos alcançam adaptação é por meio da redundância. Por exemplo, os humanos geralmente precisam de apenas um rim, mas ter um segundo proporciona margem para falhas. Esse princípio pode ser aplicado ao software, mas com desafios. Adicionar código cegamente não é recomendado, pois introduz mais erros, aumenta a complexidade e torna o sistema mais difícil de entender. O novo código deve possuir funcionalidade equivalente para que, se uma função falhar, outra possa substituí-la, usando diversidade de software manual ou automatizada. Isso exige lógica adicional para saber como e quando acomodar o ponto de falha, aumentando a complexidade do sistema. Os desenvolvedores devem equilibrar redundância com complexidade. Atualmente, as práticas em ciência da computação tendem a focar em escalabilidade e eficiência, em vez de construir sistemas robustos, em parte porque a robustez é difícil de alcançar de maneira geral.
Programação Robusta
A programação robusta é um estilo que se concentra em lidar com terminação inesperada e ações inesperadas de forma graciosa, exibindo mensagens de erro precisas e inequívocas que ajudam os usuários a depurar programas. Ela é guiada por vários princípios:
- Paranoia: O programador assume que os usuários estão tentando quebrar o código e que seu próprio código pode falhar ou funcionar incorretamente.
- Estupidez: O programador assume que os usuários tentarão entradas incorretas, falsas e malformadas. Consequentemente, o programador retorna mensagens de erro inequívocas e intuitivas que não exigem consulta a códigos de erro, visando ser o mais preciso possível sem ser enganoso.
- Implementos perigosos: Os usuários não devem ter acesso a bibliotecas, estruturas de dados ou ponteiros para estruturas de dados. Essa informação deve ser ocultada para evitar modificação acidental que possa introduzir bugs. Quando as interfaces são construídas corretamente, os usuários as utilizam sem encontrar brechas, focando apenas em seu próprio código.
- Não pode acontecer: Modificações no código podem introduzir a possibilidade de ocorrer um caso "impossível". Tais casos são considerados altamente improváveis, e o desenvolvedor implementa tratamento para eles de acordo.
Aprendizado de Máquina Robusto
A robustez em Machine learning geralmente se refere à estabilidade dos algoritmos. Para que um algoritmo de aprendizado de máquina seja considerado robusto, ou o erro de teste deve ser consistente com o erro de treinamento, ou o desempenho deve permanecer estável após adicionar ruído ao conjunto de dados. Com o surgimento do Deep learning, houve um interesse crescente na robustez das redes neurais, particularmente devido à sua vulnerabilidade a ataques adversariais. A pesquisa nessa área frequentemente envolve técnicas como treinamento adversarial, em que os modelos são treinados em entradas perturbadas para melhorar a resiliência. O campo tem conexões com o trabalho de pesquisadores como Aleksander Madry, que estudou robustez adversarial, e Thomas G. Dietterich, que explorou códigos de saída com correção de erros e aprendizado robusto.
Projeto de Redes Robusto
O projeto de redes robusto é o estudo do projeto de redes diante de demandas variáveis ou incertas. Semelhante ao projeto de software, a robustez no projeto de redes é ampla devido às vastas possibilidades de mudanças ou entradas. Envolve a criação de redes que possam manter desempenho e conectividade sob diferentes condições de tráfego ou falhas. Essa área é relevante para provedores de infraestrutura em nuvem, como Amazon Web Services, Microsoft Azure e Google Cloud, que devem garantir serviço confiável apesar de cargas variáveis e possíveis falhas de hardware.
Algoritmos Robustos
Existem algoritmos que toleram erros na entrada. Esses algoritmos são projetados para produzir saídas corretas ou aceitáveis mesmo quando os dados de entrada contêm ruído, valores atípicos ou outras imprecisões. Isso é particularmente importante em campos como visão computacional e processamento de sinais, onde os dados do mundo real são frequentemente imperfeitos. Algoritmos robustos podem usar métodos estatísticos para identificar e reduzir o peso de valores atípicos, ou podem ser projetados com redundância em mente, semelhante aos princípios da programação robusta.
Ver Também
- Tolerância a falhas
- Programação defensiva
- Requisito não funcional