[发明专利]基于代码异味的软件重构预测方法

权利要求书

1.基于代码异味的软件重构预测方法，其特征在于包括以下步骤：

步骤一：给定待分析系统中m*n个源代码文件版本集合F＝(F_1，1，F_1，2，...，F_i，j，...，F_m，n)，其中F_i，j表示源代码文件F_i的第j个版本，利用代码解析工具解析每一个源代码文件，将每一个源代码文件版本F_i，j的结构与异味信息度量表示为S_i，j＝className，classVersion，structure，hasSmell的形式，i＝1，2，...，m，j＝1，2，...，n，其中className表示源代码文件版本F_i，j的类名，设一个源代码文件包含一个类；classVersion表示源代码文件版本F_i，j在项目历史中的版本号，structure表示源代码文件版本F_i，j的结构特征集合W，hasSmell表示源代码文件版本F_i，j中是否存在某种代码异味，1表示存在异味，0则表示不存在；

特征集合W＝w_LOC，w_NOA，w_CBO，w_MPC，w_TCC，w_McCabe，w_WMC，其中w_LOC表示该文件的代码行数，w_NOA表示该文件中属性的个数，w_CBO表示与该文件相耦合的目标类的数量，耦合即该文件中的方法调用了目标类的方法或变量；w_MPC表示该文件中的方法调用其他方法的个数，w_TCC表示通过访问相同的属性而直接发生联系的方法个数，w_McCabe表示该文件通过McCabe度量法计算得到的复杂度，w_WMC表示该文件中方法的圈复杂度的和；

步骤二：如果源代码文件版本F_i，j被识别为存在某种代码异味，判别是否具有这种代码异味的特征阈值集为T＝w₁|b₁，...，w_g|b_g，...，w_t|b_t，其中w_g为W中的一个特征，b_g为识别为这种代码异味的特征w_g对应的阈值，g＝1，2，...，t，通过以下公式计算得到异味强度：

其中，m(w_g)表示待分析系统中存在的、由于特征w_g引起某种代码异味的最大或最小值：当w_g超过b_g时引起某种代码异味的时候选用最大值，当w_g小于b_g时引起某种代码异味的时候选用最小值；

添加强度信息后源代码文件版本F_i，j的结构与异味信息度量表示为：

S′_i，j＝className，classVersion，structure，hasSmell，intensity；

步骤三：获取源代码文件历史信息度量：

设源代码文件F_i在某个历史版本p中引入了代码异味，源代码文件F_i当前版本为j，则源代码文件版本F_i，j中关于历史信息度量可以表示为：

H_i，j＝className，classVersion，diffDays，diffVersions，action

其中，diffDays表示版本p和j之间间隔的自然天数，diffVersions表示版本p和j之间间隔的版本数，action表示版本p和j之间文件F_i发生修改的次数；

步骤四：我们在源代码文件集合F中找到所有的代码异味消除的源代码文件版本，分成以下两类：

1)F_i，j的hasSmell＝1，而F_i，j+1的hasSmell＝0；

2)F_i，j的hasSmell＝1，且j是源代码文件F_i的最后一个版本；

根据1)和2)中的策略，在源代码文件集合F中获取到存在某种代码异味的所有的最后一个源代码文件版本F_i，j，组成代码异味消除的源代码文件集合，并通过过采样技术SMOTE将其进行扩充，形成ζ_P，即为数据集中的正样本，将源代码文件集合F中剩余的源代码文件版本作为数据集的负样本ζ_N，最后得到了完整的样本数据集：ζ＝ζ_P∪ζ_N，其中ζ_P中每一个源代码文件版本对应的重构标签值y为1，ζ_N中的每一个源代码文件版本对应的重构标签值y为0；

步骤五：使用特征递归消除技术、Random Forest Classifier和LGBM Classifier来保留最重要的z个特征，记为W^*＝(w₁，w₂，...，w_z)；经过特征选择之后的源代码文件版本F_i，j可以用(S^*_i，j，H^*_i，j)来表示，其中S^*_i，j表示保留的结构与异味信息度量，H^*_i，j表示保留的历史信息度量；

步骤六：将数据集中的一部分数据作为训练集ζ_train；

步骤七：对于每一个源代码文件版本的信息表示(S^*_i，j，H^*_i，j)，将S^*_i，j输入到LGBM中得到输出h₁，将H^*_i，j输入到Logistic Regression中得到输出h₂，最终模型的输出表示重构的预测概率其中a₁和a₂表示权重，且a₁+a₂＝1；

步骤八：使用交叉熵损失函数来计算重构标签值y和输出之间的损失，损失函数的定义如下：

其中d表示训练的样本数；

步骤九：利用训练集ζ_train来训练LGBM和Logistic Regression模型参数，直至达到最大迭代次数MaximumIter，获得训练之后最佳参数的LGBM和Logistic Regression模型；

步骤十：对于一个源代码文件，首先按步骤一、步骤二、步骤三，获取到文件与异味信息度量和历史信息度量，然后根据步骤五抽取出最佳的特征，将这些特征输入到步骤九获得的模型中，最终获得关于此文件是否需要进行重构的预测概率，如果概率大于等于0.5则说明要进行重构，小于0.5则说明不需要。