[論文レビュー] Mining Fix Patterns for FindBugs Violations

Kui Liu, Dongsun Kim+3 more|arXiv (Cornell University)|Dec 8, 2017

Software Engineering Research参考文献 71被引用数 5

ひとこと要約

本稿では、オープンソースJavaプロジェクトにおける実際のコード変更から、繰り返し発生する真の陽性FindBugs違反を特定するための教師なしアプローチを提案する。畳み込みニューラルネットワーク（CNN）を用いた特徴抽出とX-meansクラスタリングを組み合わせることで、116件の未解決違反のうち69件に対して開発者により受け入れられた修正を生成した。この手法は、Defects4Jにおける実際のバグに対しても高い汎用性を示した。

ABSTRACT

In this paper, we first collect and track a large number of fixed and unfixed violations across revisions of software. The empirical analyses reveal that there are discrepancies in the distributions of violations that are detected and those that are fixed, in terms of occurrences, spread and categories, which can provide insights into prioritizing violations. To automatically identify patterns in violations and their fixes, we propose an approach that utilizes convolutional neural networks to learn features and clustering to regroup similar instances. We then evaluate the usefulness of the identified fix patterns by applying them to unfixed violations. The results show that developers will accept and merge a majority (69/116) of fixes generated from the inferred fix patterns. It is also noteworthy that the yielded patterns are applicable to four real bugs in the Defects4J major benchmark for software testing and automated repair.

研究の動機と目的

• 実世界のオープンソースプロジェクトにおけるFindBugs違反の再発生と修正パターンを調査すること。
• 開発者が実際に修正した違反を特定することで、それらが真の陽性である可能性を示すこと。
• 開発者による検証済み変更から共通するコードおよび修正パターンを抽出・一般化し、将来のバグ修復を支援すること。
• 抽出された修正パターンが、以前に修正されていなかった違反に対しても効果的に適用可能かどうかを評価すること。
• 高影響度の違反を優先し、自動修復提案を可能にするために、静的解析ツールの有用性を向上させること。

提案手法

• 730件のオープンソースJavaプロジェクトを収集・追跡し、複数のリビジョンにわたる違反とそれに対応する修正変更を抽出する。
• 畳み込みニューラルネットワーク（CNN）を用いて、違反とその修正を表すコードスニペットから意味的・構造的な特徴を学習する。
• 学習された特徴に基づき、X-meansクラスタリングを適用して類似した違反と修正を個別の修正パターンにグループ化する。
• 類似度が最も高い抽出済みの修正パターンにマッピングすることで、未修復の違反に対して候補となる修正を生成する。
• 開発者によるプルリクエストでの受容度とDefects4Jにおけるベンチマーク検証を通じて、修正の質を評価する。
• 教師ありデータに依存しないため、教師なし学習により、実世界のコード変更からスケーラブルにパターンを発見可能である。

実験結果

リサーチクエスチョン

• RQ1 静的解析による違反は、ソフトウェアプロジェクトのリビジョン間でどの程度再発生するのか。また、修正済みと未修復の違反は分布においてどのように異なるか。
• RQ2 開発者が最も頻繁に修正する違反の種別は何か。また、それらの解決に特徴的なパターンは何か。
• RQ3 実際の開発プロセスで実際に解決される違反に共通するコードと修正のパターンは何か。
• RQ4 抽出された修正パターンは、以前に修復されていなかった違反に対して、受け入れられやすく再利用可能な修正をどの程度効果的に生成できるか。
• RQ5 特定された修正パターンは、Defects4Jのような既存のベンチマークにおける実際のバグに一般化・適用可能か。

主な発見

• 未修復の違反116件に対して生成された修正のうち、69件がオープンソースプロジェクトのプルリクエストで開発者により受け入れられマージされた。これは、実用的有用性が非常に高いことを示している。
• 抽出された修正パターンは、Defects4Jベンチマークの4件の実際のバグに対しても効果的に適用され、訓練プロジェクトを超えた汎用性を実証した。
• 修正済みの違反はカテゴリにわたって一様に分布していない。特定の種別（例：BC_EQUALS_METHOD_SHOULD_WORK_FOR_ALL_OBJECTS）は頻繁に再発生し、一貫した修正パターンを示している。
• 頻度、カテゴリの分布、コード構造の観点から、修正済みの違反とすべての検出済み違反の分布に顕著な差が認められた。これにより、再発生に基づく優先順位付けがツールの使いやすさを向上させられると示唆された。
• CNNによる特徴抽出とX-meansクラスタリングの組み合わせにより、コード変更における意味的・重要なパターンを効果的に捉え、正確な修正提案が可能となった。
• 一部の一般的な違反は、後続のプロジェクトバージョンでは消失している。これは、違反の再発生が時間的・文脈依存的である可能性を示唆している。