[论文解读] ADDiff: Semantic Differencing for Activity Diagrams

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

Software System Performance and Reliability参考文献 14被引用 4

一句话总结

ADDiff 提出了一种面向活动图的语义差异分析方法，可识别在一个图中存在但在另一个图中不存在的执行轨迹，从而更深入地理解模型演化过程中的行为变化。该方法采用基于BDD的符号计算与前向搜索技术，检测‘差异见证’——即具有语义重要性的差异，为传统基于语法的模型比较提供更具意义的替代方案。

ABSTRACT

Activity diagrams (ADs) have recently become widely used in the modeling of workflows, business processes, and web-services, where they serve various purposes, from documentation, requirement definitions, and test case specifications, to simulation and code generation. As models, programs, and systems evolve over time, understanding changes and their impact is an important challenge, which has attracted much research efforts in recent years. In this paper we present addiff, a semantic differencing operator for ADs. Unlike most existing approaches to model comparison, which compare the concrete or the abstract syntax of two given diagrams and output a list of syntactical changes or edit operations, addiff considers the Semantics of the diagrams at hand and outputs a set of diff witnesses, each of which is an execution trace that is possible in the first AD and is not possible in the second. We motivate the use of addiff, formally define it, and show two algorithms to compute it, a concrete forward-search algorithm and a symbolic xpoint algorithm, implemented using BDDs and integrated into the Eclipse IDE. Empirical results and examples demonstrate the feasibility and unique contribution of addiff to the state-of-the-art in version comparison and evolution analysis.

研究动机与目标

• 为解决基于语法的模型比较在捕捉演化活动图中真正有意义的行为变化方面的局限性。
• 提供一种识别在某一活动图中有效但在另一图中无效的执行轨迹的方法，以表征真正的语义差异。
• 支持软件工程师在需求分析、测试和维护过程中理解模型演化对系统行为的影响。
• 将差异分析技术集成至Eclipse IDE中，以支持模型驱动开发工作流中的实际应用。

提出的方法

• ADDiff 通过识别存在于第一个活动图中但不可能存在于第二个图中的执行轨迹来计算语义差异，这些轨迹被称为‘diff witnesses’。
• 采用具体的前向搜索算法，探索源图和目标图中所有可能的执行路径。
• 使用基于二叉决策图（BDDs）的符号固定点算法，高效表示并比较大规模状态空间。
• 该方法基于模型语义而非语法，聚焦于行为等价性与差异性。
• 已实现相关算法，并集成至Eclipse IDE中，支持对模型演化进行实时分析。
• 该方法支持对工作流和服务模型中行为变化的手动检查与自动化分析。

实验结果

研究问题

• RQ1 如何在超越语法变化的基础上，检测两个活动图版本之间的有意义的行为差异？
• RQ2 是否存在一种形式化且计算上可行的方法，用于识别在一个图中存在但在另一个图中不存在的执行轨迹？
• RQ3 使用BDD的符号计算能否有效扩展至复杂活动图中语义差异的检测？
• RQ4 所提出的语义差异分析方法相较于传统基于语法的模型比较技术有何改进？
• RQ5 diff witnesses在现实世界中的模型演化与软件维护任务中具有何种实际效用？

主要发现

• ADDiff 通过检测在某一模型中可能但在另一模型中不可能的执行轨迹，成功识别出活动图中的语义差异，从而揭示行为变化的内在原因。
• 基于BDD的符号固定点算法通过紧凑表示状态空间，实现了对大规模复杂活动图的可扩展分析。
• 实证评估表明，ADDiff 能够检测出纯语法比较工具所遗漏的有意义行为变化。
• 将 ADDiff 集成至 Eclipse IDE 中，支持开发人员在维护和重构过程中进行交互式、实时的模型演化分析。
• 案例研究显示，diff witnesses 有助于开发人员理解变更对系统行为的影响，尤其在工作流和Web服务中表现显著。
• 该方法揭示出，语法变化常常掩盖或模糊了重要的语义差异，凸显了语义感知模型比较的必要性。