软件工程数据挖掘若干问题研究.pdf

lIIIII I II IIIIII111 11l Y2705501 摘要 软件工程数据是软件工程整个过程中所产生的各种数据，包括软件的源代码、文档、 缺陷报告等。在绝大多数情况下，软件工程数据是开发者获取信息的唯一来源。随着计 算机软件规模的不断扩大，手工获取开发和维护软件所需的信息越来越困难。数据挖掘 技术可从软件工程数据中自动发现所需信息，加快软件开发进程，提高软件质量。本文 针对软件工程数据挖掘的若干问题进行研究，主要贡献如下： 1．提出了一种Java源代码中Method的自动命名方法。软件源代码中标识符的正确命名 对软件维护非常重要，恰当的Method名能够使开发者了解Method的功能，而不恰当 的命名则会误导他们。但是，开发者除了个人的经验技术之外，他们在为Method命名 时几乎无所凭依。本文提出了一种基于文本分类的方法，为Method2选择恰当的动作 名。实验表明，本文方法的命名正确率达至1J70％以上。 2．提出了一种程序盗用检测方法。与软件业、特别是开源软件的蓬勃发展相比，用以保 护现有软件免遭软件盗用者侵害的检测工具少得可怜。一个不自律的开发者可以通 过代码伪装技术盗用他人的源码，而又逃脱法律的制裁。现有的基于程序依赖图的检 测工具可以检出若干种专业的代码伪装，但时问效率无法让人满意，并且它们无法识 破影响程序依赖图结构的伪装。本文提出了一种新的盗用检测T具TPLAG，它不仅 将代码盗用检测的时间复杂度从指数级降到多项式级，而且能成功地识破影响图结 构的代码伪装技术。 3．提出了一种缺陷分派方法。人型软件的开发组每天都会收到成百上千的缺陷报告，对 这些缺陷进行分派是软件开发者们的一项沉重的负担。现有的研究工作将软件缺陷 自动分派归结为文本分类问题。本文利用LatentDirichlet 降维，在此基础上基于文本分类方法进行缺陷分派，提高了分派的准确率。 4．提出了一种缺陷报告质量评估方法。软件维护工作的质量与缺陷报告本身的质量高 度相关，不包含有用信息、质量低下的缺陷报告很可能被开发者直接忽略，相应的缺 陷也就无法得到修复。本文提出了一种基于主题模型的方法对缺陷报告的内容进行 分析，并量化缺陷报告的信息量，即缺陷报告质量。 5．提出了一种缺陷报告库上主题发现与跟踪的方法。本文试图从缺陷报告库中提取两 方砸的内容：缺陷的主题和某一主题缺陷爆发的时段，这些内容能够为软件项目的管 i 万方数据 理者提供高层次的信息，以了解软件维护的整体情况。我们采用LDA模型提取缺陷报 告内容中的主题，并开发了一种事件检测算法以检测缺陷集中爆发的时段。 关键词：软件工程，数据挖掘 分类号：TP311 万方数据 Abstract Software datareferstothedata inthewholelife of software， engineering generated cycle source andSOon．Inmost includingcodes，specificationdocuments，bug situations， reports software dataisthe for the informationsource