[논문 리뷰] Towards Anticipation of Architectural Smells using Link Prediction Techniques

J. Andrés Díaz‐Pace, Antonela Tommasel외 1명|arXiv (Cornell University)|2018. 08. 20.

Software Engineering Research참고 문헌 20인용 수 11

한 줄 요약

이 논문은 소프트웨어 시스템의 버전에서 유도된 패키지 의존성 그래프에 링크 예측 기법을 적용하여 아키텍처 스멜—특히 순환 및 허브 유형의 의존성—을 사전에 예측하는 프로액티브 접근법을 제안한다. 위상적 및 콘텐츠 기반 특징을 활용한 머신러닝을 통해 미래의 가능성이 높은 의존성을 예측하고, 높은 재현율로 스멜 인스턴스를 식별함으로써 코드 변경 이전에 조기에 탐지할 수 있다.

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.

연구 동기 및 목표

• 코드에 이미 나타난 후에야 아키텍처 스멜을 탐지할 수 있는 기존 도구의 한계를 해결하기 위해.
• 코드에 구현되기 전에 의존성 기반 아키텍처 스멜의 발생을 사전에 예측하기 위해.
• 의존성 그래프에 대한 역사적 시스템 버전과 머신러닝을 활용하여 조기 탐지 능력을 향상시키기 위해.
• 링크 예측 기법이 실세계 시스템에서 아키텍처 스멜을 사전에 예측하는 데의 타당성과 성능을 평가하기 위해.

제안 방법

• 현재 및 과거 시스템 버전을 패키지 의존성 그래프로 모델링하여 네트워크 내의 의존성을 링크로 간주한다.
• 사회적 네트워크 분석에서 유래한 링크 예측 기법을 적용하여 향후 모듈 의존성을 추론한다.
• 위상적 특징(예: 공통 이웃, 자카르 지수)과 콘텐츠 기반 특징(예: 코드 유사도, 패키지 이름)을 사용해 머신러닝 분류기를 훈련시켜 새로운 의존성을 예측한다.
• 기존의 스멜 패턴(예: 순환, 허브) 기반의 필터링 전략을 활용하여 예측된 의존성을 탐지 가능한 아키텍처 스멜 인스턴스로 변환한다.
• 버전이 관리된 의존성 그래프와 미래 버전에서의 기준 스멜 인스턴스를 사용해 두 개의 오픈소스 자바 시스템에서 예측 성능을 평가한다.
• 위상적 특징과 콘텐츠 기반 특징을 통합하여 스멜 탐지의 정확도와 재현율을 향상시킨다.

실험 결과

연구 질문

• RQ1 링크 예측 기법이 미래 소프트웨어 버전에서 아키텍처 스멜을 효과적으로 사전 예측할 수 있는가?
• RQ2 콘텐츠 기반 특징을 통합할 경우 의존성 기반 아키텍처 스멜 탐지 성능이 어떻게 향상되는가?
• RQ3 패키지 의존성 그래프의 위상적 특징이 순환 및 허브 유형 의존성의 정확한 예측에 얼마나 기여하는가?
• RQ4 다양한 필터링 전략은 예측된 아키텍처 스멜의 정밀도와 재현율에 어떤 영향을 미치는가?
• RQ5 예측 성능는 시스템의 구조와 버전 역사에 얼마나 민감한가?

주요 결과

• 해당 방법은 향후 시스템 버전에서 실제 아키텍처 스멜을 높은 재현율로 탐지하여 조기 경고의 강력한 잠재력을 보였다.
• 콘텐츠 기반 특징의 통합이 머신러닝 분류기의 가능성이 높은 의존성 예측 성능을 크게 향상시켰다.
• 개별 의존성의 예측은 효과적이었으며, 분류기는 나중에 아키텍처 스멜을 이룰 많은 의존성을 정확히 식별했다.
• 기존의 스멜 패턴(예: 순환, 허브) 기반의 필터링 전략이 예측된 의존성을 탐지 가능한 스멜 인스턴스로 성공적으로 변환했다.
• 해당 방법의 성능는 시스템의 전체 구조와 버전 역사에 민감하여 맥락 기반 행동을 보였다.
• 일부 가짜 양성 결과가 있었음에도 불구하고, 이 방법은 실세계 시스템에서 프로액티브 아키텍처 스멜 탐지의 타당성과 확장성을 입증했다.