Τεχνικές μηχανικής μάθησης (machine learning) για τον εντοπισμό προβλημάτων σχεδίασης ή άλλων παραμέτρων σε συστήματα λογισμικού

Abstract

Η ανίχνευση των παραβιάσεων των θεμελιωδών αρχών σχεδιασμού και η ανακατασκευή του πηγαίου κώδικα μίας μονάδας λογισμικού είναι ζωτικής σημασίας για τη διατήρηση της ποιότητας, τη μείωση της πολυπλοκότητας και την αύξηση της αποτελεσματικότητας αυτής. Τα τελευταία χρόνια, αναπτύσσονται εργαλεία που βασίζονται στη μηχανική μάθηση, τα οποία αναλύουν αμιγώς τον πηγαίο κώδικα των υπολογιστικών συστημάτων.Στόχος της παρούσας διπλωματικής εργασίας είναι η διερεύνηση των τεχνικών και των σχετικών τους εργαλείων που βασίζονται σε τεχνικές μηχανικής μάθησης για τον εντοπισμό μονάδων λογισμικού που εμφανίζουν συμπτώματα κακής σχεδίασης, υψηλό τεχνικό χρέος ή σφάλματα, δηλ. code smells και anti-patterns. Αρχικά πραγματοποιήθηκε βιβλιογραφική έρευνα με στόχο την διερεύνηση των μεθόδων και την καταγραφή των αλγορίθμων μηχανικής μάθησης που έχουν εφαρμοστεί για την υλοποίηση ανιχνευτών code smells και anti-patterns σε μονάδες λογισμικού. Σε συνέχεια της βιβλιογραφικής έρευνας, αναζητήθηκαν και εντοπίστηκαν συνολικά 11 εργαλεία ανίχνευσης code smells και anti-patterns που βασίζονται στην μηχανική μάθηση. Από αυτά επιλέχθηκαν 4, τα οποία αξιολογήθηκαν τόσο συλλογικά, όσο και επιμέρους. Η αξιολόγησή τους πραγματοποιήθηκε με τη χρήση 3ων έργων Android εφαρμογών που διατίθενται ως ελεύθερο λογισμικό. Τα αποτελέσματα έδειξαν ότι η πλειοψηφία των εργαλείων χρησιμοποιούν αλγορίθμους βαθιάς μάθησης. Όσον αφορά τα εργαλεία που χρησιμοποιούν τους ίδιους αλγορίθμους, διαπιστώθηκε ότι η αποτελεσματικότητά τους διαφέρει, ενώ συχνά δεν δίνουν τα ίδια αποτελέσματα. Επιπλέον, παρατηρήθηκε ότι το μέγεθος του έργου επηρεάζει σημαντικά την αποτελεσματικότητα των εργαλείων. Τέλος, αξίζει να σημειωθεί ότι από τα 22 διαφορετικά είδη code smells, τα επιλεγμένα εργαλεία μπορούν να διακρίνουν μόλις 5 από αυτά.