Bagging异构集成的代码异味检测与重构优先级划分

作者：吴海涛; 蔡咏琦; 高建华^*

来源：计算机工程与应用, 2023, 1-13.

• 代码异味
• 机器学习
• 集成学习
• 软件重构
• 可能性分布

代码异味是不良的设计和代码实现的症状，可能阻碍代码理解、增加代码更改和出错的可能性。以前的研究专注于单一模型在代码异味上的检测，并且无法为开发人员提供重构建议。针对上述问题，提出一种基于Bagging异构集成模型的代码异味检测与重构优先级划分方法，该方法利用分类器间的异质性，通过F1集成策略来检测Complex Class、Long Method、Spaghetti Code等三种代码异味，并将模型输出的异味概率转化为可能性分布后，为开发人员提供重构意见。实验在6个开源系统的32个版本上验证、评估：（1）基分类器的稳定性以及与代码异味的关系；（2）Bagging异构集成模型检测上述代码异味的性能；（3）将异味概率转化为可能性分布并作为重构优先级的有效性。实验结果表明，最佳基分类器因代码异味类型而异。同时，Bagging异构集成模型相较于基分类器，F1提高0.06%～40.51%，AUC提高0.45%～28.37%。最后将Bagging异构集成模型的重构优先级与6名受访者的重构优先级进行Kappa一致性检验，两者具有高度一致性。

• 单位
  机电工程学院; 上海师范大学