[論文レビュー] Summarizing Semantic Model Differences

Shahar Maoz, Jan Oliver Ringert+1 more|arXiv (Cornell University)|Sep 8, 2014

Model-Driven Software Engineering Techniques参考文献 11被引用数 6

ひとこと要約

本稿では、モデル駆動開発（MDE）における意味的モデル差分の要約技術を提案する。同技術は、類似した差分証拠を同値類にグループ化し、各クラスから1つの代表的証拠を選択することで、すべての証拠を列挙せずに、コン pact で意味のある要約を効率的に計算する。この手法は、クラス図およびアクティビティ図に対して評価され、出力サイズの顕著な削減と、モデル比較における使いやすさの向上が確認された。

ABSTRACT

Fundamental building blocks for managing and understanding software evolution in the context of model-driven engineering are differencing operators one can use for model comparisons. Semantic model differencing deals with the definition and computation of semantic diff operators for model comparison, operators whose input consists of two models and whose output is a set of diff witnesses, instances of one model that are not instances of the other. However, in many cases the complete set of diff witnesses is too large to be efficiently computed and effectively presented. Moreover, many of the witnesses are very similar and hence not interesting. Thus, an important challenge of semantic differencing relates to witness selection and presentation. In this paper we propose to address this challenge using a summarization technique, based on a notion of equivalence that partitions the set of diff witnesses. The result of the computation is a summary set, consisting of a single representative witness from each equivalence class. We demonstrate our ideas using two concrete diff operators, for class diagrams and for activity diagrams, where the computation of the summary set is efficient and does not require the enumeration of all witnesses.

研究の動機と目的

• 意味的モデル差分処理における、大規模で重複する差分証拠集合の管理という課題に対処すること。
• 開発者が提示される証拠の数を削減することで、モデル比較の使いやすさを向上させること。
• 意味的同値関係を用いて類似した証拠をグループ化する要約技術を開発すること。
• 要約が実際のモデル差分を意味的に意味のある形で代表することを保証すること。
• 本手法の効率性と有効性を、クラス図およびアクティビティ図において実証すること。

提案手法

• 意味的類似性に基づいて差分証拠に同値関係を定義し、機能的に区別できない証拠をグループ化する。
• 各同値類に対して代表的証拠を計算し、コンパクトな要約集合を形成する。
• UMLクラス図およびアクティビティ図に特化した同値基準を設計する。
• すべての個々の証拠を列挙しない形で、要約集合を計算する差分演算子を実装する。
• モデルの構造と意味を活用して、すべての差分をブルートフォースで列挙するのを回避する。
• 形式的モデル比較技術を用いて、要約の正しさと完全性を保証する。

実験結果

リサーチクエスチョン

• RQ1 意味的モデル差分処理において、本質的な差分を保持しつつ、差分証拠の数をどのように削減できるか？
• RQ2 効果的な要約を可能にするために、モデル差分間の意味的同値性を定義する基準は何か？
• RQ3 各同値類から選ばれた代表的証拠は、モデルの本質的変更を適切に捉えられるか？
• RQ4 全証拠列挙と比較して、本要約手法の効率性はどの程度か？
• RQ5 要約は、モデル進化の理解性をどの程度向上させるか？

主な発見

• 提案された要約技術は、意味的関連性を失うことなく、差分証拠の数を顕著に削減した。
• 本手法は、全証拠の列挙を回避しており、クラス図およびアクティビティ図の両方において、計算が効率的であることが示された。
• 要約集合はコンパクトで人間が読みやすいものであり、モデル差分の理解が容易になった。
• 各同値類が1つの意味的意味のある証拠によって代表されることで、正しさが保証された。
• 実験的評価により、本手法はスケーラブルで、実世界のモデル比較タスクにおいて実用的であることが示された。
• 本手法により、意味的に区別できる変更のみに焦点を当てた効果的なモデル進化分析が可能になった。