SonarAutoFix: automatização da correção de código com base em análise estática de código

Abstract

A qualidade do código-fonte é um fator crítico no desenvolvimento de software, impac- tando diretamente a segurança, a manutenibilidade e a eficiência dos sistemas. No entanto, a identificação e correção de problemas em código costumam ser tarefas demoradas e que exigem conhecimento especializado. Ferramentas de análise estática, como o SonarQube, são ampla- mente utilizadas para detectar problemas automaticamente, mas a correção ainda depende da intervenção manual dos desenvolvedores. Diante desse cenário, este trabalho propõe a automação da correção de issues detectadas por ferramentas de análise estática utilizando modelos de linguagem (LLMs – Large Language Models). A solução desenvolvida se integra ao fluxo de desenvolvimento através de um script de pre-commit, permitindo que, ao identificar problemas no código, um modelo de inteligência artificial gere sugestões de correção automaticamente. O desenvolvedor pode, então, revisar e aplicar as alterações, reduzindo o tempo necessário para corrigir falhas sem comprometer a qualidade do software. Para avaliar a eficácia da proposta, foram analisados 11 repositórios open-source em JavaS- cript e TypeScript, com um total de 8.581 issues. Os resultados demonstraram uma taxa média de correção 64.33%, mostrando que a abordagem pode reduzir significativamente a carga de trabalho dos desenvolvedores ao lidar com problemas comuns de código. Conclui-se que a aplicação de LLMs na correção automática de código tem grande poten- cial para otimizar processos de revisão e manutenção de software. No entanto, desafios como a validação das correções e a adaptação a diferentes linguagens de programação ainda precisam ser aprofundados para aprimorar a precisão e confiabilidade da solução.