[논문 리뷰] Source Code Hotspots: A Diagnostic Method for Quality Issues

Saleha Muzammil, Mughees Ur Rehman외 2명|arXiv (Cornell University)|2026. 02. 13.

Software Engineering Research인용 수 0

한 줄 요약

본 논문은 91개의 진화하는 GitHub 저장소에서 라인 수준 핫스팟 마이닝을 도입하여 유지보수 이슈를 진단하고, 15개의 핫스팟 패턴을 식별하며 이를 리팩토링 가이드라인에 매핑하고, 핫스팟 편집의 상당 부분이 봇에 의해 진행된다는 것을 보인다(74%).

ABSTRACT

Software source code often harbours "hotspots": small portions of the code that change far more often than the rest of the project and thus concentrate maintenance activity. We mine the complete version histories of 91 evolving, actively developed GitHub repositories and identify 15 recurring line-level hotspot patterns that explain why these hotspots emerge. The three most prevalent patterns are Pinned Version Bump (26%), revealing brittle release practices; Long Line Change (17%), signalling deficient layout; and Formatting Ping-Pong (9%), indicating missing or inconsistent style automation. Surprisingly, automated accounts generate 74% of all hotspot edits, suggesting that bot activity is a dominant but largely avoidable source of noise in change histories. By mapping each pattern to concrete refactoring guidelines and continuous integration checks, our taxonomy equips practitioners with actionable steps to curb hotspots and systematically improve software quality in terms of configurability, stability, and changeability.

연구 동기 및 목표

• 구성 가능성, 안정성, 변경성 등 유지보수 이슈를 진단하기 위한 라인 수준 코드 체 churn 핫스팟을 식별한다.
• 실세계 저장소에서 핫스팟 패턴의 발생 현황과 특성을 특징짓는다.
• 핫스팟 패턴을 구체적인 리팩토링 지침과 CI 점검 항목에 매핑하여 유지보수 작업을 감소시킨다.

제안 방법

• 별(stars)과 포크(forks)를 기준으로 층화 표본 추출을 사용하여 91개 GitHub 저장소의 전체 수정 이력을 수집한다.
• 수정 간에 줄을 추적하는 줄-변경 추적 알고리즘을 사용하여 핫스팟 파일 내의 라인-레벨 변경을 추적한다.
• 핫스팟 분류학을 구축하기 위한 수동 라벨링 프로세스를 개발하고 라벨링 포화도를 평가하기 위해 Chao1을 사용한다.
• 커미터 신원을 분석하고 자동 계정을 표시하여 봇을 탐지한다.
• 봇에 기인한 핫스팟 편집의 비중을 정량화하고 패턴을 대응 완화책에 매핑한다.

실험 결과

연구 질문

• RQ1 RQ1: 어떤 기술적 또는 프로세스 요인이 핫스팟을 생성하고 재발을 억제하는 실천은 무엇인가?
• RQ2 RQ2: 핫스팟은 프로젝트 간 범위, 지속성, 위치에서 어떻게 다른가?
• RQ3 RQ3: 봇 작성 커밋이 핫스팟에 어떤 영향을 주며 어떤 반패턴이 봇 주도인가?

주요 결과

• 데이터세트 전반에서 재현되는 15개의 라인-레벨 핫스팟 유형이 식별되었다.
• 가장 흔한 세 가지 핫스팟 패턴은 Pinned Version Bump (26%), Long Line Change (17%), Formatting Ping-Pong (9%)이다.
• 연구 대상 저장소 전역에서 핫스팟 편집의 74%가 자동 계정에 의해 발생한다.
• 다양한 언어와 활동성을 가진 91개의 저장소를 분석하여 핫스팟 패턴을 구체적 완화책과 연결하는 분류 체계를 가능하게 한다.
• 라인-레벨 분석은 변경의 원인을 인간 저자와 봇 저자에 귀속시킬 수 있게 하며 표적화된 유지보수 개선을 지원한다.
• 이 분류 체계는 소프트웨어 프로젝트의 구성 가능성, 안정성, 변경성을 개선하기 위한 실행 가능한 단계를 제공한다.