[论文解读] Reverse Engineering Variability in an Industrial Product Line: Observations and Lessons Learned

Sascha El-Sharkawy, Saura Jyoti Dhar+4 more|arXiv (Cornell University)|Oct 12, 2021

Advanced Software Engineering Methodologies参考文献 32被引用 5

一句话总结

本文提出了一种扩展的特征效应分析方法，用于从博世大型嵌入式产品线的异构代码工件中逆向工程非布尔型可变性约束。该方法成功地从每个产品变体的31.8%至64.9%的特征中提取了依赖约束，通过与遗留数据和领域专业知识集成，实现了更优的配置引导和可变性模型完整性。

ABSTRACT

Ideally, a variability model is a correct and complete representation of product line features and constraints among them. Together with a mapping between features and code, this ensures that only valid products can be configured and derived. However, in practice the modeled constraints might be neither complete nor correct, which causes problems in the configuration and product derivation phases. This paper presents an approach to reverse engineer variability constraints from the implementation, and thus improve the correctness and completeness of variability models. We extended the concept of feature effect analysis to extract variability constraints from code artifacts of the Bosch PS-EC large-scale product line. We present an industrial application of the approach and discuss its required modifications to handle non-Boolean variability and heterogeneous artifact types.

研究动机与目标

• 通过从代码中逆向工程隐含的可变性约束，减少博世PS-EC产品线每年2,000多个产品变体的配置工作量。
• 通过从实现工件中提取约束，提升现有可变性模型的正确性和完整性。
• 处理非布尔型特征以及超出先前特征效应分析范围的异构工件类型（例如C代码、配置文件）。
• 将逆向工程得到的约束与遗留特征数据和专家知识集成，以构建更清晰、更易维护的可变性模型。
• 通过提供有效配置的下限，支持自动化配置工具，确保不遗漏任何有效的代码变体。

提出的方法

• 将特征效应分析（Nadi et al., 2015）扩展至支持非布尔型特征和异构工件类型（如C代码、配置文件）。
• 使用基于块的代码提取器（KernelHaven – CodeBlockExtractor）从源代码中解析存在条件，优先考虑速度和灵活性，而非完全精度。
• 对每个产品变体执行基于产品的影响分析，通过评估特征依赖关系来识别约束。
• 整合多个产品的结果，以检测与技术领域（如汽油发动机与柴油发动机）相关的聚类模式。
• 计划将结果与遗留配置数据和手动特征模型集成，以验证和优化提取的约束。
• 建议未来使用TypeChef进行更精确的宏级和可变性感知解析，尽管性能权衡仍是关注点。

实验结果

研究问题

• RQ1 如何将特征效应分析方法调整以从工业软件产品线的非布尔型特征中提取可变性约束？
• RQ2 将特征效应分析应用于标准源代码之外的异构工件类型时，需要进行哪些修改？
• RQ3 提取的约束在完整性与一致性方面与现有可变性模型相比如何？
• RQ4 在大规模工业产品线中，逆向工程的约束能在多大程度上减少配置工作量？
• RQ5 如何整合遗留配置数据和专家知识，以提升逆向工程可变性模型的质量？

主要发现

• 在单独分析每个产品变体时，逆向工程的约束覆盖了31.8%至64.9%的特征，表明存在显著的依赖复杂性。
• 受限特征的分布范围广泛，但与公开可用产品线中观察到的情况相当，表明该方法捕捉到了真实的依赖结构。
• 整合多个产品的结果揭示了与技术领域（如汽油发动机与柴油发动机）相关的聚类效应，表明领域特定的可变性模型具有潜在优势。
• 该方法成功从非布尔型特征和异构工件中提取了约束，将特征效应分析的适用范围扩展至其原始范围之外。
• 初步结果显示，通过支持更智能、约束感知的配置工具，具有显著降低配置工作量的潜力。
• 未来工作包括迁移到TypeChef以提升解析精度、挖掘历史配置数据，并通过不匹配分析和开发者研讨会验证结果。