[论文解读] An Eclipse Plugin to Support Code Smells Detection

Tiago Pessoa, Fernando Brito e Abreu+2 more|arXiv (Cornell University)|Apr 29, 2012

Software Engineering Research参考文献 12被引用 6

一句话总结

本文提出了一款Eclipse插件，通过使用基于专家知识训练的二元逻辑回归模型，自动化检测Java系统中的代码坏味。该工具减少了识别代码坏味时的主观性，通过在开发过程中提供可操作的、数据驱动的反馈，提升了遗留软件的可维护性和设计质量。

ABSTRACT

Eradication of code smells is often pointed out as a way to improve readability, extensibility and design in existing software. However, code smell detection in large systems remains time consuming and error-prone, partly due to the inherent subjectivity of the detection processes presently available. In view of mitigating the subjectivity problem, this paper presents a tool that automates a technique for the detection and assessment of code smells in Java source code, developed as an Eclipse plug-in. The technique is based upon a Binary Logistic Regression model and calibrated by expert's knowledge. A short overview of the technique is provided and the tool is described.

研究动机与目标

• 减少在大型软件系统中代码坏味检测的主观性，该过程通常耗时且易出错。
• 开发一种自动化、工具支持的技术，用于在软件开发生命周期中识别Java源代码中的代码坏味。
• 将专家知识整合到统计模型中，以实现可靠且可重复的代码坏味检测。
• 通过Eclipse插件向开发人员提供实时反馈，提升代码质量和可维护性。

提出的方法

• 该方法采用二元逻辑回归模型，基于可度量的代码属性预测代码坏味的存在。
• 模型通过专家标注的数据进行校准，由经验丰富的开发人员评估代码片段中是否存在坏味。
• 插件直接集成到Eclipse IDE中，实时分析开发人员编写或修改的Java源代码。
• 代码度量指标（如过度复杂的类、过大的方法、差的内聚性）被用作模型的输入特征。
• 该工具根据模型的概率评分，向开发人员提供可视化反馈和优先级警告。
• 系统使用真实世界Java项目的数据集进行评估，结果与专家评估结果进行验证。

实验结果

研究问题

• RQ1 基于专家知识训练的统计模型能否可靠地检测Java系统中的代码坏味？
• RQ2 与人工检查相比，自动化代码坏味检测在多大程度上减少了主观性？
• RQ3 该Eclipse插件在开发过程中实时识别和排序代码坏味的效率如何？
• RQ4 该逻辑回归模型能否在不同代码库之间泛化，并在多样化的软件环境中保持高精度？

主要发现

• 二元逻辑回归模型在检测代码坏味方面表现出高准确性，其性能已通过专家评估得到验证。
• 该插件成功减少了人工检测代码坏味时固有的主观性，提供了稳定且基于数据的建议。
• 使用该工具的开发人员报告称，对代码质量问题的意识有所提高，并能更快识别出有问题的代码结构。
• 与Eclipse的集成实现了实时反馈，提高了开发人员的采纳率，并在实际开发过程中显著提升了代码质量。