🤖 AI

Automated Classification of Source Code Changes Based on Metrics Clustering in the Software Development Process

Cet article présente une méthode automatisée de classification des modifications de code source basée sur le clustering de métriques via l'algorithme k-means, qui réduit le temps de révision tout en démontrant une pureté de classification de 0,75 sur cinq systèmes logiciels.

Auteurs originaux : Evgenii Kniazev

Publié 2026-02-17

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Evgenii Kniazev

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

🧐 Le Problème : La Mer de Code

Imaginez que vous êtes le chef d'une immense bibliothèque (un projet informatique). Chaque jour, des centaines de livres (le code source) sont réécrits, corrigés, ou complétés par des auteurs différents.

Le problème ? Il y a trop de changements. Un humain ne peut pas lire chaque ligne de chaque modification pour vérifier si c'est une nouvelle histoire, une simple correction de faute de frappe, ou une réorganisation des étagères. C'est comme essayer de trier une montagne de Lego mélangés à la main : c'est long, fastidieux et épuisant.

💡 La Solution : Le Tri Automatique Intelligent

Evgenii Knyazev, le chercheur de ce document, propose une méthode pour aider les chefs de bibliothèque à trier ces changements beaucoup plus vite. Son idée ? Ne pas lire chaque ligne, mais regarder les "empreintes digitales" de chaque changement.

Voici comment cela fonctionne, étape par étape, avec des analogies :

1. Prendre les "empreintes digitales" (Les Métriques)

Au lieu de lire le texte, le système mesure des choses simples sur chaque changement, comme on mesurerait un objet :

Combien de lignes ont été ajoutées ou supprimées ? (La taille du changement)
La complexité de la logique a-t-elle augmenté ? (Est-ce que l'histoire devient plus compliquée ?)
Combien de nouveaux personnages (classes) ou de chapitres (fichiers) sont apparus ?

Ces mesures forment une sorte de carte d'identité numérique pour chaque changement.

2. Le Tri par Ressemblance (Le Clustering)

C'est ici que la magie opère. Le système utilise un algorithme mathématique (appelé k-means avec une mesure de "cosinus") qui agit comme un tri magnétique.

Imaginez que vous lancez une boîte de billes de différentes couleurs dans un aimant géant.

Les billes rouges (les changements qui ajoutent de nouvelles fonctionnalités) se collent ensemble.
Les billes bleues (les corrections de bugs) se regroupent à part.
Les billes vertes (le nettoyage ou "refactoring") forment un autre tas.

Le système ne sait pas encore ce que sont ces tas, il sait juste que certains changements se ressemblent beaucoup et d'autres non. Il les regroupe automatiquement en familles.

3. L'Expert donne le nom aux familles (La Cartographie)

C'est l'étape où l'humain intervient, mais seulement une fois.
Le système dit à l'expert : "Regarde ce tas de 500 changements qui se ressemblent tous. Qu'est-ce qu'ils ont en commun ?"
L'expert regarde quelques exemples et dit : "Ah, ce tas, ce sont des corrections de bugs."
Une fois que l'expert a donné un nom à chaque tas, le système peut automatiquement étiqueter tous les autres changements de ce tas comme "corrections de bugs".

🚀 Pourquoi c'est génial ? (Les Résultats)

Dans l'exemple réel étudié (le projet NHibernate), voici ce qui s'est passé :

Il y avait 2 069 changements à analyser.
Sans l'aide du système, un expert aurait dû lire et classer les 2 069 changements un par un.
Avec le système : L'expert n'a eu à en lire que 73 pour apprendre au système comment trier les autres !

Le résultat ? Le système a correctement classé 75 % des changements sans aucune intervention humaine supplémentaire. C'est comme si un robot avait trié 96 % de la pile de Lego, et que l'humain n'avait fait que vérifier les étiquettes sur les boîtes.

🎯 En Résumé

Ce document explique comment transformer un travail de tri manuel, lent et ennuyeux, en un processus semi-automatique rapide.

L'outil : Un robot qui mesure les changements et les regroupe par ressemblance.
L'humain : Le chef d'orchestre qui donne les noms aux groupes une seule fois.
Le gain : On gagne un temps précieux pour se concentrer sur les vrais problèmes, au lieu de perdre du temps à trier des fichiers.

C'est une victoire de l'intelligence artificielle (sous forme de mathématiques simples) pour aider les humains à mieux gérer la complexité du monde numérique.

1. Problématique

Dans les organisations de développement logiciel modernes, la gestion de volumes massifs de code source rend la compréhension, l'analyse et le contrôle qualité difficiles. La revue de code (code review) est une étape cruciale pour détecter les défauts (erreurs algorithmiques, violations de style, code inutile, etc.). Cependant, cette tâche est extrêmement chronophage.

Bien que les systèmes de contrôle de version permettent de suivre l'historique des modifications, le nombre élevé de changements (commits) rend une revue manuelle exhaustive impossible. Il est donc nécessaire de trier sélectivement les modifications. L'objectif est de classifier automatiquement les changements du code source (ex: ajout de fonctionnalités, correction de bugs, refactorisation, suppression de code, mise en forme) afin de réduire la charge de travail des experts et d'automatiser le flux d'information entre les participants au développement.

Les méthodes existantes (recherche de mots-clés heuristiques, analyse de syntaxe, data mining nécessitant des jeux de données d'entraînement) souffrent de limitations telles que la complexité algorithmique, la dépendance au langage de programmation, ou le besoin de jeux de données d'entraînement coûteux à construire.

2. Méthodologie

L'auteur propose une méthode en deux étapes combinant une approche par métriques et une technique de regroupement (clustering) non supervisée.

A. Calcul des vecteurs de métriques

Pour chaque changement de code $\delta$ , un vecteur de métriques est calculé. Le code est représenté par un script d'édition (ajouts, suppressions, modifications de lignes). Onze métriques sont utilisées pour caractériser chaque changement :

Lignes de code (LOC) : Ajoutées, supprimées, modifiées.
Complexité cyclomatique (CC) : Pour le code ajouté, supprimé et modifié.
Structure du projet : Nombre de fichiers modifiés, interfaces ajoutées/supprimées, classes/structures ajoutées/supprimées.

B. Regroupement (Clustering)

Les vecteurs de métriques sont regroupés en clusters utilisant l'algorithme k-means.

Mesure de proximité : Contrairement à la distance euclidienne classique, l'auteur utilise la similarité cosinus. Cela permet de regrouper les changements selon leur nature (proportion des métriques) plutôt que selon leur ampleur (nombre total de lignes), rendant la méthode robuste face aux changements de grande ou petite échelle.
Optimisation : Le nombre de clusters $k$ est ajusté dynamiquement pour maximiser une fonction de qualité $I$ (mesurant la densité des changements au sein des clusters). Si la qualité est insuffisante, $k$ est incrémenté.

C. Cartographie Expert (Mapping)

Une fois les clusters formés automatiquement, un expert effectue une cartographie manuelle :

Un échantillon de changements proches du centre de chaque cluster est sélectionné.
L'expert classe ces échantillons.
Le cluster entier est assigné à la classe dominante identifiée par l'expert (ex: Cluster A $\rightarrow$ "Correction de bugs").

Cette approche permet une automatisation partielle : le tri initial est automatique, tandis que la définition des classes reste humaine.

3. Contributions Clés

Justification de l'automatisation partielle : Démonstration qu'il est possible de réduire la charge humaine en automatisant la distribution des changements dans des groupes, tout en conservant l'expertise humaine pour la définition des catégories finales.
Choix de l'algorithme : Validation de l'utilisation de k-means avec similarité cosinus pour les métriques de code, prouvant son efficacité pour ignorer l'échelle des changements tout en préservant leur typologie.
Développement d'un outil logiciel : Création d'un outil intégrant le calcul de métriques, la génération de scripts d'édition (basé sur Subversion) et le clustering (basé sur la boîte à outils CLUTO).
Cadre d'évaluation : Proposition de critères de qualité spécifiques (Pureté et Entropie) et utilisation de la méthode de rééchantillonnage par bootstrap pour estimer la fiabilité des résultats malgré la petite taille des jeux de données de validation.

4. Résultats Expérimentaux

La méthode a été validée sur cinq systèmes logiciels, dont deux projets open-source majeurs : Subversion et NHibernate, ainsi que sur des systèmes industriels développés par Transas Technologies.

Cas d'étude NHibernate :
- Données : 2 069 changements analysés.
- Processus : Les changements ont été regroupés en 12 clusters automatiques, puis mappés à 5 classes d'experts.
- Gain d'efficacité : Seuls 73 changements ont nécessité une classification manuelle par les experts pour établir le mapping des clusters, contre une revue manuelle potentielle de tous les 2 069 changements.
- Qualité de classification :
  - Pureté ( $P_C$ ) : 0,75 ± 0,05 (soit 75 % des changements correctement classés).
  - Entropie ( $E_C$ ) : 0,37 ± 0,06.
- Observation : La méthode fonctionne bien pour des changements homogènes. La qualité diminue lorsque les changements combinent des modifications hétérogènes (ex: refactorisation mêlée à une correction de bug).

5. Signification et Impact

Réduction du temps de revue : La méthode permet de réduire drastiquement le temps consacré par les experts à la classification des changements, en ne leur faisant examiner qu'un sous-ensemble représentatif nécessaire à la définition des clusters.
Contrôle de processus : Elle facilite le contrôle du cycle de vie du logiciel (ex: s'assurer qu'en phase de stabilisation, seuls des correctifs de bugs sont appliqués).
Adaptabilité : Contrairement aux méthodes basées sur l'apprentissage supervisé, cette approche ne nécessite pas de jeu de données d'entraînement initial lourd, ce qui la rend applicable à divers projets sans phase de calibration longue.
Déploiement industriel : La méthode est déjà utilisée dans des systèmes critiques (suivi d'objets mobiles, surveillance de flotte maritime, simulateurs de formation), prouvant sa viabilité pratique au-delà de la recherche académique.

En conclusion, ce travail établit que le clustering de métriques de code est une approche viable et efficace pour automatiser la première étape de la classification des changements, offrant un compromis optimal entre automatisation et précision experte.