[論文レビュー] A Survey of Refactoring Detection Techniques Based on Change History Analysis

Eunjong Choi, Kenji Fujiwara+2 more|arXiv (Cornell University)|Aug 7, 2018

Firm Innovation and Growth被引用数 5

ひとこと要約

この論文は、変更履歴解析に基づくリファクタリング検出技術を調査し、6つのサブタイプに分類してその有効性を評価している。検出精度とスケーラビリティにおける主な課題を特定し、複数の検出技術を組み合わせる、共有データセットを用いた標準化された定量的評価フレームワークを整備するなど、今後の研究方向性を提案している。

ABSTRACT

Refactoring is the process of changing a software system in such a way that it does not alter the external behavior of the code yet improves its internal structure. Not only researchers, but also practitioners, need to know about past refactoring instances performed in a software development project. So far, a number of techniques have been proposed for automatic detection of refactoring instances. Those techniques have been presented in various international conferences and journals, however, it is difficult for researchers and practitioners to grasp the current status of studies on refactoring detection techniques. In this survey paper, we review various refactoring detection techniques, especially techniques based on change history analysis. First, we give the definition and categorization of refactoring detection methods in this paper, and then introduce refactoring detection techniques based on change history analysis. Finally, we discuss possible future research directions for refactoring detection.

研究の動機と目的

• 研究者および実務家を対象に、変更履歴解析に基づくリファクタリング検出技術の包括的サーベイを提供すること。
• 変更履歴ベースの検出の6つのサブカテゴリに分類して、既存の技術を分類・分析すること。
• 特に技術の組み合わせと定量的評価におけるギャップを特定すること。
• スケーラブルな検出と標準化されたベンチマークデータセットの整備を含む、今後の研究方向性を提案すること。
• 現在のリファクタリング検出の最先端状況を明確にすることで、実証的研究およびツール開発を支援すること。

提案手法

• 論文は、リファクタリング検出技術を4つの主要カテゴリに分類する：コミットログマイニング、開発者観察、ツール使用ログ記録、変更履歴解析。
• さらに、変更履歴ベースの技術を6つのサブカテゴリに細分化する：クローン検出、ASTベースの解析、メトリクスベースの解析、遺伝的アルゴリズムに基づくアプローチ、AST要素の類似性に基づく解析、反復的リファクタリング適用と検証。
• 各サブカテゴリについて、動的解析のためのRef-Finderや、ThangthumachitらのAST類似性に基づく手法といった代表的な技術をレビューする。
• 各技術の、混合リファクタリングの検出能力、誤検出の処理能力、大規模なリビジョン履歴へのスケーラビリティに基づいて評価する。
• 外部動作を変更せずに、コードバージョン間の構造的およびメトリクスベースの比較を用いてリファクタリング操作を推定することの重要性を強調する。
• 公平な技術比較を可能にするために、標準化されたデータセットと定量的評価フレームワークの導入を提言する。

実験結果

リサーチクエスチョン

• RQ1 変更履歴解析に基づくリファクタリング検出技術は、現在どのように分類されており、そのコアなメカニズムは何か？
• RQ2 既存のリファクタリング検出技術の精度、スケーラビリティ、誤検出率という観点での限界は何か？
• RQ3 複数の検出技術を組み合わせることで、検出精度と再現率を向上させることは可能か？
• RQ4 リファクタリング検出ツールの定量的評価を可能にするために直面する主な課題は何か？
• RQ5 自動化されたリファクタリング検出分野の最先端を進めるために、最も重要な今後の研究方向性は何か？

主な発見

• ルールベース、クローンベース、遺伝的アルゴリズムベースの手法を統合することで、精度の向上が期待できるが、その組み合わせアプローチを検討した研究は極めて少ない。
• 標準化されたデータセットやリファクタリングインスタンス（純粋でない、またはflossリファクタリングを含む）の明確な定義の欠如により、リファクタリング検出技術の定量的評価は依然として限定的である。
• 既存の技術は、多くの場合、リビジョンペアごとに全コードベースを解析しており、縦断的なリビジョンシーケンスにスケーリングする際の計算コストが高くなる。
• AST類似性に基づく手法や反復的リファクタリング適用による検証手法は、複雑な混合リファクタリングを高い精度で検出する可能性を示している。
• 公平で再現可能かつ一貫したベンチマーク評価を可能にするために、共有データセットと評価メカニズムの整備が不可欠であると強調している。
• リビジョン数を考慮したスケーラビリティ評価はまだ十分に発展しておらず、差分のみに注目する軽量な分析アプローチの開発が求められている。