A Multi-Agent Consensus Protocol for Stable Software Remodularization

Technisches Fazit: Ein Multi-Agenten-Konsensprotokoll für stabile Software-Remodularisierung

Problemstellung
Aktuelle Ansätze zur automatischen Software-Remodularisierung betrachten die Aufgabe typischerweise als ein Ein-Ziel-Optimierungsproblem, das oft strukturelle Metriken wie TurboMQ maximiert, um die Kohäsion zu erhöhen und die Kopplung zu verringern. Obwohl neuere Metaheuristiken die Sucheffizienz verbessert haben, versagen diese Methoden bei der Berücksichtigung einer kritischen pragmatischen Einschränkung: der evolutionären Stabilität. Eine Zerlegung, die zwar die strukturelle Qualität maximiert, sich aber erheblich von der vorherigen Systemversion unterscheidet, stellt eine hohe kognitive Belastung für Entwickler dar. Bestehende Werkzeuge sind „budgetblind"; sie ignorieren Stabilität entweder oder integrieren sie in eine feste gewichtete Summe mit willkürlichen Koeffizienten, wodurch ihnen die Fähigkeit fehlt, strenge Stabilitätsbeschränkungen durchzusetzen oder sich an spezifische Interessenvertreterpräferenzen anzupassen.

Methodik: Asymmetrisches Monotones Konzessionsprotokoll (AMCP)
Die Autoren fassen Software-Modularisierung nicht als statisches Optimierungsproblem, sondern als ein verteiltes Konsensproblem zwischen autonomen Agenten neu. Das vorgeschlagene Framework führt zwei Agenten mit konfligierenden Nutzenfunktionen ein:

1. Kohäsions-Agent ($A_{coh}$): Strebt die Maximierung der strukturellen Dichte unter Verwendung einer normalisierten TurboMQ-Metrik an.
2. Stabilitäts-Agent ($A_{sta}$): Versucht, das Layout der vorherigen Version ($D_{prev}$) zu bewahren, indem er die Move-plus-Join (MoJo)-Distanz minimiert.

Der Kernmechanismus ist das Asymmetrische Monotone Konzessionsprotokoll (AMCP). In diesem Protokoll:

• Asymmetrie: Der Stabilitäts-Agent agiert als einziger Vorschlagender, was dem realen Wartungsszenario entspricht, in dem die Legacy-Architektur den Standardzustand darstellt. Der Kohäsions-Agent akzeptiert implizit Bewegungen, die die Kohäsion verbessern, ohne die Stabilitätsschwelle zu verletzen.
• Konzessionslogik: Der Stabilitäts-Agent bewertet potenzielle Einzelmodul-Neuzuordnungen und wählt die Bewegung aus, die das Konzessionsverhältnis ($R(\delta)$) minimiert. Dieses Verhältnis repräsentiert die Kosten in Stabilitätsnutzen pro Einheit Gewinn im Kohäsionsnutzen.
• Schwellenwerte: Das Protokoll erzwingt explizite Überlebensschwellenwerte ($\tau_{sta}$ und $\tau_{coh}$). Wenn eine Bewegung das Stabilitätsbudget ($\tau_{sta}$) verletzt, wird sie abgelehnt.
• Terminierung: Die Verhandlung endet, wenn keine gültige Bewegung existiert, die die Kohäsion verbessert und gleichzeitig die Stabilitätsschwelle respektiert, oder wenn die Menge der gültigen Bewegungen erschöpft ist.

Hauptbeiträge

1. Formales mathematisches Modell: Die Arbeit etabliert ein formales Modell der Software-Remodularisierung als verteiltes Konsensproblem zwischen nutzengetriebenen Agenten.
2. Das AMCP-Protokoll: Die Autoren schlagen das AMCP vor, das formale Beweise für folgende Aspekte enthält:
   • Endliche Terminierung: Das Protokoll garantiert, dass es in einer endlichen Anzahl von Schritten terminiert (begrenzt durch $n \cdot (k_{max} - 1)$), da es den Kohäsionsnutzen als strikte Lyapunov-Funktion verwendet.
   • Rationalität (Zeuthen-Strategie): Das Verhalten des Protokolls entspricht der Zeuthen-Strategie, wodurch sichergestellt wird, dass Agenten die minimal notwendigen Konzessionen eingehen, um den Gegner zufriedenzustellen, wobei zuerst „günstige" Konzessionen priorisiert werden.
   • Lokale Pareto-Zufriedenheit: Die resultierende Partition ist innerhalb der Nachbarschaft einzelner Bewegungen lokal Pareto-zufriedenstellend, was bedeutet, dass keine einzelne Neuzuordnung die Kohäsion strikt verbessern kann, ohne die Stabilitätsschwelle zu verletzen.
3. Komplexitätsanalyse: Der Ansatz reduziert den Suchraum effektiv, indem er pro Schritt $O(n \cdot k)$ Kandidaten bewertet, im Gegensatz zum exponentiellen Zustandsraum populationsbasierter Metaheuristiken.

Experimentelle Ergebnisse
Vorläufige Experimente wurden an einem synthetischen Benchmark und dem Xwork Java-Framework (113 Klassen, 10 Pakete) durchgeführt.

• Durchsetzung des Budgets: Das Protokoll setzte strenge Stabilitätsbudgets erfolgreich durch. Wenn der Stabilitätsschwellenwert ($\tau_{sta}$) als bindende Einschränkung (0,95) festgelegt wurde, brach das Protokoll die Suche frühzeitig ab (3 Schritte) und bewahrte einen Stabilitätsnutzen von 0,9583, was signifikant höher ist als beim unbeschränkten Bunch-Optimierer (0,9167).
• Lockere Budgets: Für lockere Budgets ($\tau_{sta} \leq 0,90$) waren die Ergebnisse identisch mit dem unbeschränkten Fall, was darauf hindeutet, dass das Protokoll alle strukturellen Verbesserungen natürlich ausschöpft, bevor die Stabilität zu einem limitierenden Faktor wird.
• Vergleich: Der ausgehandelte Konsens entsprach state-of-the-art Optimierern (Bunch, CC/G), wenn die Stabilitätsbeschränkungen locker waren, fungierte jedoch als „Schutzschalter", wenn strenge Beschränkungen angewendet wurden.
• Effizienz: Eine Python-Implementierung benötigte im Durchschnitt 1,24 Sekunden pro Schritt am Xwork-System, was die Handhabbarkeit des Ansatzes bestätigt.

Bedeutung und Behauptungen
Die Arbeit behauptet einen qualitativen Vorwärtsprung durch den Ersatz statischer, einmaliger Fusionen von Clustering-Ergebnissen durch eine dynamische Multi-Agenten-Verhandlung.

• Architektonische Kontrolle: Die primäre Bedeutung liegt in der Fähigkeit, ein vom Architekten festgelegtes „Stabilitätsbudget" mathematisch durchzusetzen, wodurch sichergestellt wird, dass das Systemlayout nicht allein um der strukturellen Optimierung willen verschlechtert wird.
• Formale Garantien: Im Gegensatz zu heuristischen Ansätzen bietet dieses Framework formale Garantien hinsichtlich der Terminierung und des rationalen Konzessionsverhaltens.
• Umfang: Die Autoren stellen fest, dass die vorläufigen Ergebnisse vielversprechend sind, eine umfassendere empirische Evaluation, die zehn weitere Systeme abdeckt und Vergleiche mit multiobjektiven evolutionären Algorithmen (z. B. NSGA-II) beinhaltet, jedoch für einen kommenden Vollartikel zurückgestellt wird. Die aktuelle Arbeit dient als Proof of Concept für das Verhandlungsparadigma auf Code-Ebene.