[論文レビュー] Towards Anticipation of Architectural Smells using Link Prediction Techniques

J. Andrés Díaz‐Pace, Antonela Tommasel+1 more|arXiv (Cornell University)|Aug 20, 2018

Software Engineering Research参考文献 20被引用数 11

ひとこと要約

本稿では、ソフトウェアシステムのバージョンから得られるパッケージ依存グラフを用い、リンク予測技術を応用することで、アーキテクチャ的ニオイ（特に循環的およびハブ型の依存関係）を事前に予測する能動的アプローチを提案する。トポロジー的およびコンテンツベースの特徴量を用いた機械学習により、将来の可能性のある依存関係を予測し、高い再現率でニオイの事例を同定することで、コード変更が実装される前段階での早期検出を可能にする。

ABSTRACT

Software systems naturally evolve, and this evolution often brings design problems that cause system degradation. Architectural smells are typical symptoms of such problems, and several of these smells are related to undesired dependencies among modules. The early detection of these smells is important for developers, because they can plan ahead for maintenance or refactoring efforts, thus preventing system degradation. Existing tools for identifying architectural smells can detect the smells once they exist in the source code. This means that their undesired dependencies are already created. In this work, we explore a forward-looking approach that is able to infer groups of likely module dependencies that can anticipate architectural smells in a future system version. Our approach considers the current module structure as a network, along with information from previous versions, and applies link prediction techniques (from the field of social network analysis). In particular, we focus on dependency-related smells, such as Cyclic Dependency and Hublike Dependency, which fit well with the link prediction model. An initial evaluation with two open-source projects shows that, under certain considerations, the predictions of our approach are satisfactory. Furthermore, the approach can be extended to other types of dependency-based smells or metrics.

研究の動機と目的

• コードに現れた後でのみアーキテクチャ的ニオイを検出できる既存ツールの限界を是正すること。
• 実装前に依存関係に基づくアーキテクチャ的ニオイの発生を能動的に予測すること。
• 依存グラフにおける歴史的システムバージョンと機械学習を活用することで、早期検出を向上させること。
• リンク予測が実世界のシステムにおけるアーキテクチャ的ニオイの予測可能性とパフォーマンスを評価すること。

提案手法

• 現在および過去のシステムバージョンをパッケージ依存グラフとしてモデル化し、依存関係をネットワーク内のリンクとして扱う。
• 社会的ネットワーク解析から得られるリンク予測技術を応用し、将来のモジュール依存関係の可能性を推定する。
• トポロジー的特徴量（例：共通の近傍、ジャカード係数）とコンテンツベースの特徴量（例：コード類似度、パッケージ名）を用いて機械学習分類器を訓練し、新たな依存関係を予測する。
• 既知のニオイパターン（例：循環、ハブ）に基づくフィルタリング戦略を用い、予測された依存関係を検出可能なアーキテクチャ的ニオイに変換する。
• バージョン付き依存グラフと将来のバージョンからの真値ニオイインスタンスを用い、2つのオープンソースJavaシステムで予測を評価する。
• トポロジー的およびコンテンツベースの特徴量を統合することで、ニオイ検出の予測精度と再現率を向上させる。

実験結果

リサーチクエスチョン

• RQ1 リンク予測技術は、将来のソフトウェアバージョンにおけるアーキテクチャ的ニオイを効果的に予測できるか？
• RQ2 コンテンツベースの特徴量を組み込むことで、依存関係に基づくアーキテクチャ的ニオイの検出性能はどのように向上するか？
• RQ3 パッケージ依存グラフのトポロジー的特徴量は、循環的およびハブ型依存関係の正確な予測にどの程度寄与するか？
• RQ4 異なるフィルタリング戦略は、予測されたアーキテクチャ的ニオイの精度と再現率にどのように影響するか？
• RQ5 予測パフォーマンスは、システム構造とバージョン履歴に対してどの程度感受性を示すか？

主な発見

• 本アプローチは、将来のシステムバージョンにおける実際のアーキテクチャ的ニオイを高い再現率で検出できた。これは、早期警告の強力な可能性を示している。
• コンテンツベースの特徴量を組み込むことで、機械学習分類器の依存関係の予測性能が顕著に向上した。
• 個々の依存関係の予測は効果的であり、分類器は後にアーキテクチャ的ニオイを形成する多くの依存関係を正しく同定できた。
• 既知のニオイパターン（例：循環、ハブ）に基づくフィルタリング戦略により、予測された依存関係を検出可能なニオイインスタンスに成功して変換した。
• 本手法のパフォーマンスは、システム全体の構造とバージョン履歴に依存しており、文脈依存的な挙動を示した。
• 一部の誤検出はあったが、本アプローチは実世界のシステムにおける能動的アーキテクチャ的ニオイ検出の実現可能性とスケーラビリティを示した。