Enhancing Software Maintenance: A Learning to Rank Approach for Co-changed Method Identification
Dieses Paper schlägt einen Learning-to-Rank-Ansatz vor, der Quellcode-Merkmale und Pull-Request-Historien nutzt, um gemeinsam geänderte Methoden präzise zu identifizieren und zu ranken, wobei demonstriert wird, dass ein Random-Forest-Modell bestehende Baselines bei der Verwaltung von Softwareabhängigkeiten in groß angelegten Java-Projekten signifikant übertrifft.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Das große Problem: Der „Domino-Effekt“ im Code
Stellen Sie sich vor, Sie verwalten eine riesige, komplexe Stadt (ein Softwaresystem). Manchmal müssen Sie ein Schlagloch in der Hauptstraße reparieren. Aber aufgrund der Art und Weise, wie die Stadt gebaut ist, könnte das Reparieren dieses einen Schlaglochs versehentlich dazu führen, dass eine Ampel in der 5. Avenue ausfällt oder ein Abwasserrohr im Keller leckt.
In der Software nennt man das co-changed methods (gemeinsam geänderte Methoden). Dies sind verschiedene Code-Teile, die – selbst wenn sie völlig unzusammenhängend erscheinen und in verschiedenen „Nachbarschaften“ (Dateien oder Paketen) leben – im Laufe der Zeit dazu neigen, gemeinsam geändert zu werden. Wenn ein Entwickler das eine repariert, aber das andere vergisst, kann das gesamte System abstürzen oder Fehler entwickeln.
Das Problem ist, dass diese Verbindungen nicht immer offensichtlich sind. Man kann sie nicht immer sehen, wenn man nur die Baupläne (die Codestruktur) betrachtet. Manchmal sind zwei Code-Teile nur deshalb miteinander verknüpft, weil die „Historie“ der Arbeit des Teams in der Vergangenheit so aussieht.
Der alte Weg vs. der neue Weg
Der alte Weg (Der „Commit“-Fehler):
Frühere Tools versuchten, diese Verbindungen zu finden, indem sie einzelne „Commits“ (kleine, tägliche Aktualisierungen des Codes) betrachteten.
- Analogie: Stellen Sie sich vor, Sie versuchen herauszufinden, wer beste Freunde sind, indem Sie nur beobachten, wer an einem einzigen Dienstag für genau 15 Minuten am selben Mittagstisch saß. Sie könnten die Tatsache übersehen, dass sie jeden Morgen zusammen ins Fitnessstudio gehen, oder Sie könnten glauben, zwei Personen seien befreundet, nur weil sie zufällig zur gleichen Zeit einen Kaffee getrunken haben.
- Der Fehler: Diese Methode war zu verrauscht. Sie übersah Verbindungen, die über einen längeren Zeitraum entstanden, und lieferte zu viele Fehlalarme.
Der neue Weg (Die „Pull Request“-Perspektive):
Dieses Paper schlägt vor, stattdessen Pull Requests (PRs) zu betrachten. Ein PR ist wie ein „Paket“ von Änderungen, das von einem Team überprüft und genehmigt wird, bevor es in das Hauptsystem zusammengeführt wird.
- Analogie: Anstatt auf einen 15-minütigen Mittag zu schauen, schauen wir uns den gesamten Wochenplan für die Mahlzeiten an. Wenn zwei Personen jede Woche konsequent das gleiche komplexe Gericht bestellen, sind sie wahrscheinlich ein Team. Dies liefert ein viel klareres Bild davon, wer tatsächlich zusammenarbeitet.
Die Lösung: CoRanker (Der „schlaue Matchmaker“)
Die Autoren entwickelten ein Tool namens CoRanker. Betrachten Sie es als einen smarten Matchmaker für Code.
- Es lernt aus der Historie: Anstatt starre Regeln zu verwenden (wie „wenn sie in derselben Datei sind, sind sie verwandt“), nutzt CoRanker Maschinelles Lernen (speziell einen „Learning-to-Rank“-Ansatz). Es studiert tausende vergangene Pull Requests, um Muster zu lernen.
- Es gewichtet viele Hinweise: Wenn Sie ein Stück Code ändern, fragt CoRanker: „Wer muss höchstwahrscheinlich auch geändert werden?“ Es achtet auf:
- Historie: Haben sich diese beiden schon einmal gemeinsam geändert? (Der stärkste Hinweis).
- Ort: Befinden sie sich im selben Ordner?
- Personen: Haben dieselben Entwickler sie geschrieben oder bearbeitet?
- Bedeutung: Tun sie ähnliche Dinge? (Selbst wenn der Code unterschiedlich aussieht).
- Es rankt die Antworten: Es liefert nicht einfach eine riesige, verwirrende Liste von 1.000 Möglichkeiten. Es agiert wie eine Suchmaschine und setzt die wahrscheinlichsten Kandidaten ganz oben auf die Liste, damit der Entwickler nur die Top 5 prüfen muss.
Was sie herausgefunden haben (Die Ergebnisse)
Die Forscher testeten dies an 150 verschiedenen Softwareprojekten (eine riesige Menge an Daten, vergleichbar mit dem Lesen von Millionen von Codeseiten).
- Das beste Modell: Sie testeten viele verschiedene „Matchmaking“-Algorithmen. Der Gewinner war ein Random Forest-Modell. Stellen Sie sich das wie ein Komitee aus 300 verschiedenen Experten vor, die darüber abstimmen, wer der beste Match ist. Diese Methode war signifikant besser als alle anderen.
- Den Wettbewerb geschlagen: CoRanker war viel besser als bestehende Tools. Es übertraf die nächstbeste Methode um eine große Spanne (in einigen Tests um bis zu 573 %).
- Die „LLM“-Überraschung: Die Forscher probierten auch ein ausgeklügeltes Large Language Model (wie einen superintelligenten KI-Chatbot, der auf Code trainiert wurde), um die Verbindungen zu erraten.
- Das Ergebnis: Die KI war tatsächlich schlechter als das einfachere, historienbasierte Tool.
- Warum? Die KI ist großartig darin, neuen Code zu schreiben, aber sie hatte Schwierigkeiten zu verstehen, wie diese beiden Code-Teile über Jahre hinweg gemeinsam evolviert sind. Es ist, als würde man einen Genie, der gerade erst in die Stadt gezogen ist, fragen, wer die lokalen besten Freunde sind; er kennt die Geschichte noch nicht.
- Wie oft man neu trainieren muss: Das Tool arbeitet am besten, wenn man sein Gedächtnis alle zwei Monate aktualisiert. Wenn man zu lange wartet (mehr als 60 Tage), beginnt die „alte Nachricht“ in seinem Gedächtnis, es zu verwirren, und es trifft schlechtere Vorhersagen.
Warum das wichtig ist
Dieses Tool hilft Entwicklern, den „Domino-Effekt“ zu vermeiden.
- Für den Entwickler: Wenn Sie einen Fehler beheben, flüstert das Tool: „Hey, vergiss nicht, auch diese andere Datei zu überprüfen, sonst machst du etwas kaputt.“
- Für das Team: Es hilft ihnen, die verborgene Struktur ihrer Software zu verstehen und aufzuzeigen, dass zwei weit voneinander entfernte Teile des Codes in Wirklichkeit „beste Freunde“ sind.
Zusammenfassung
Das Paper stellt CoRanker vor, ein intelligentes System, das vorhersagt, welche Teile eines Softwareprojekts gemeinsam geändert werden müssen. Indem es die Historie von „Pull Requests“ (großen Batches von Änderungen) anstelle von winzigen täglichen Updates betrachtet und einen Lernalgorithmus verwendet, der Historie, Ort und Autorenschaft gewichtet, hilft es Entwicklern, verborgene Verbindungen zu finden. Es funktioniert besser als alte Methoden und sogar besser als ausgeklügelte KI-Chatbots für diese spezifische Aufgabe, vorausgesetzt, es wird alle zwei Monate aktualisiert.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.