🤖 AI

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

यह शोध पत्र कोसाइन समानता के साथ k-means का उपयोग करके ग्यारह परिवर्तन मेट्रिक्स को क्लस्टर करने और उसके बाद विशेषज्ञ मैपिंग द्वारा सोर्स कोड परिवर्तनों को वर्गीकृत करने की एक स्वचालित विधि प्रस्तुत करता है, जिसे पांच सॉफ्टवेयर प्रणालियों पर उच्च वर्गीकरण शुद्धता और कम समीक्षा समय प्राप्त करने के लिए मान्य किया गया था।

मूल लेखक: Evgenii Kniazev

प्रकाशित 2026-02-17

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Evgenii Kniazev

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक विशाल, व्यस्त रसोई के हेड शेफ हैं। हर दिन, सैकड़ों नए सामग्रियां आती हैं, पुरानी चीजें फेंक दी जाती हैं, और रेसिपी में बदलाव किए जाते हैं। आपका काम रसोई को सुचारू रूप से चलाना है, लेकिन आप हर एक बदलाव को यह देखने के लिए चख नहीं सकते कि क्या यह एक नया व्यंजन है, एक जले हुए सॉस को ठीक करने का तरीका है, या बस किसी ने मसालों के रैक को व्यवस्थित किया है।

यही वह समस्या है जिसका सामना सॉफ्टवेयर डेवलपर्स करते हैं। वे लाखों लाइनों का कोड लिखते हैं, और हर दिन, हजारों छोटे "बदलाव" होते हैं। कुछ बदलाव नई सुविधाएँ जोड़ते हैं (जैसे एक नया व्यंजन), कुछ बग्स को ठीक करते हैं (जैसे जले हुए सॉस को ठीक करना), कुछ पुराने कोड को साफ करते हैं (जैसे एक्सपायर्ड सामग्री को फेंकना), या कुछ बस चीजों को पुनर्गठित करते हैं (जैसे मसालों के रैक को बदलना)।

हर एक बदलाव को मैन्युअल रूप से जांचना बहुत समय लेने वाला काम है। यहीं पर एवगेनी कन्याज़ेव (Evgenii Knyazev) का शोध काम आता है। उन्होंने एक स्मार्ट, स्वचालित "सू-शेफ" बनाया है जो इन बदलावों को व्यवस्थित करने में मदद करता है ताकि मानव विशेषज्ञों को सारा भारी काम न करना पड़े।

यहाँ उनका तरीका बताया गया है, जिसे सरल चरणों में विभाजित किया गया है:

1. बदलाव का "फिंगरप्रिंट" (Fingerprint)

कोड को एक किताब की तरह पढ़ने के बजाय, कन्याज़ेव का सिस्टम बदलाव के सांख्यिकी (statistics) को देखता है। हर कोड बदलाव को एक कमरे में प्रवेश करने वाले व्यक्ति की तरह समझें। उनका नाम पूछने के बजाय, सिस्टम 11 अलग-अलग पैमानों का उपयोग करके उनके "फिंगरप्रिंट" को मापता है:

उन्होंने कितने टेक्स्ट की लाइनें जोड़ीं?
उन्होंने कितनी डिलीट कीं?
क्या उन्होंने लॉजिक को अधिक जटिल बना दिया?
क्या उन्होंने नए "दरवाजे" (इंटरफेस) जोड़े या पुराने हटा दिए?

ये माप एक अनूठा मीट्रिक वेक्टर (metric vector) बनाते हैं—उस विशिष्ट बदलाव के लिए एक डिजिटल आईडी कार्ड।

2. ग्रुप बनाने का "पार्टी गेम" (Clustering)

एक बार जब सिस्टम के पास हजारों बदलावों के आईडी कार्ड आ जाते हैं, तो यह "समान चीजों को समूह में बांटने" का खेल खेलता है।

कल्पना कीजिए एक विशाल डांस फ्लोर की।
सिस्टम k-means नामक एक गणितीय नियम का उपयोग करता है (इसे एक बहुत ही सख्त डांस इंस्ट्रक्टर के रूप में सोचें) जो उन लोगों को समूह में बांटता है जो दिखने में समान हैं।
महत्वपूर्ण बात यह है कि यह कोसाइन सिमिलैरिटी (Cosine Similarity) का उपयोग करता है। कल्पना करें कि दो लोग एक ही दिशा में चल रहे हैं लेकिन एक तेज चल रहा है और दूसरा धीमा। एक सामान्य पैमाना उन्हें अलग कहेगा क्योंकि उनकी गति अलग है। लेकिन कन्याज़ेव का सिस्टम केवल दिशा की परवाह करता है। यदि दो बदलाव एक ही "दिशा में चल रहे हैं" (उदाहरण के लिए, दोनों जटिलता बढ़ा रहे हैं), तो वे एक साथ समूह में आ जाएंगे, भले ही एक बड़ा बदलाव हो और दूसरा बहुत छोटा।

3. मानव "कैप्टन" (Human Captain)

यहाँ चालाकी भरी बात है: कंप्यूटर समूहों को बनाने में तो माहिर है, लेकिन उसे यह नहीं पता कि वे समूह क्यों मौजूद हैं। वह बस देखता है कि "समूह A", "समूह B" जैसा दिखता है।

कंप्यूटर हजारों बदलावों को, मान लीजिए 12 अलग-अलग ढेरों (clusters) में स्वतः वर्गीकृत करता है।
फिर, एक मानव विशेषज्ञ (एक "कैप्टन") को प्रत्येक ढेर से केवल एक छोटा सा नमूना (sample) देखने की आवश्यकता होती है।
कैप्टन कहता है, "आह, यह ढेर ज्यादातर 'बग फिक्स' है," और "वह ढेर ज्यादातर 'नई सुविधाएँ' है।"
एक बार जब कैप्टन ढेरों को लेबल कर देता है, तो कंप्यूटर उन ढेरों में मौजूद हर एक बदलाव को स्वचालित रूप से लेबल कर देता है।

यह एक बड़ी बात क्यों है

अतीत में, यदि कोई डेवलपर 2,000 बदलावों की समीक्षा करना चाहता था, तो उन्हें शायद सभी 2,000 को पढ़ना पड़ता।
इस तरीके के साथ:

कंप्यूटर भारी काम (sorting) करता है।
मानव विशेषज्ञ को केवल प्रत्येक ढेर के एक बहुत छोटे हिस्से की समीक्षा करने की आवश्यकता होती है (पेपर के उदाहरण में, उन्होंने कंप्यूटर को बाकी चीजों को छांटना सिखाने के लिए 2,069 में से केवल 73 बदलावों को देखा था)।
परिणाम यह है कि 75% बदलावों को स्वचालित रूप से सही ढंग से वर्गीकृत किया जाता है।

वास्तविक दुनिया का परीक्षण

कन्याज़ेव ने वास्तविक सॉफ्टवेयर प्रोजेक्ट्स पर इसका परीक्षण किया, जिसमें सबवर्जन (Subversion) (कोड प्रबंधित करने का एक टूल) और NHibernate (डेटाबेस को जोड़ने वाला एक टूल) शामिल थे।

परिणाम: मानक बदलावों के लिए यह सिस्टम शानदार तरीके से काम करता है। इसने विशेषज्ञों द्वारा कोड की समीक्षा करने में लगने वाले समय को बहुत बड़े अंतर से कम कर दिया।
सीमा (Limitation): यदि कोई एकल बदलाव एक "मॉन्स्टर" है जो एक साथ सब कुछ करता है (एक फीचर जोड़ता है, एक बग ठीक करता है, और कोड को साफ भी करता है), तो सिस्टम भ्रमित हो जाता है। यह एक ऐसे व्यक्ति की तरह है जिसने शेफ की टोपी, फायरफाइटर की जैकेट और कंस्ट्रक्शन वेस्ट एक साथ पहना हुआ है—सिस्टम नहीं जान पाता कि उसे किस समूह में रखना है।

निचोड़ (Bottom Line)

यह पेपर एक हाइब्रिड दृष्टिकोण का प्रस्ताव करता है: गणित के आधार पर कंप्यूटर को उबाऊ, दोहराव वाले वर्गीकरण करने दें, और मानव विशेषज्ञ को उच्च-स्तरीय निर्णय लेने दें। यह इंसान को बदलने के बारे में नहीं है; यह इंसान को एक ऐसी सुपरपावर देने के बारे में है जिससे वह बारीकियों में खोए बिना बड़े चित्र (big picture) को देख सके।

संक्षेप में: यह कोड बदलावों के अराजक ढेर को व्यवस्थित, लेबल किए गए फोल्डरों में बदल देता है, जिससे डेवलपर्स के घंटों का काम बचता है और उन्हें बेहतर सॉफ्टवेयर बनाने पर ध्यान केंद्रित करने में मदद मिलती है।

यहाँ एवगेनी जी. कन्याज़ेव के शोध पत्र "सॉफ्टवेयर विकास प्रक्रिया में मेट्रिक्स क्लस्टरिंग के आधार पर सोर्स कोड परिवर्तनों का स्वचालित वर्गीकरण" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

आधुनिक सॉफ्टवेयर विकास में सोर्स कोड के विशाल आयतन को प्रबंधित करना शामिल है, जिससे मैन्युअल कोड समीक्षा और गुणवत्ता आश्वासन समय लेने वाला और बाधाओं के प्रति संवेदनशील हो जाता है। हालाँकि वर्जन कंट्रोल सिस्टम परिवर्तनों का इतिहास प्रदान करते हैं, लेकिन समय की कमी के कारण प्रत्येक संशोधन की समीक्षा करना अव्यावहारिक है।

चुनौती: डेवलपर्स को समीक्षाओं को प्राथमिकता देने, विकास प्रक्रियाओं को नियंत्रित करने और गुणवत्ता का आकलन करने के लिए विभिन्न प्रकार के परिवर्तनों (जैसे, बग फिक्स, नई सुविधाएँ, रिफैक्टरिंग, फॉर्मेटिंग) के बीच अंतर करने की आवश्यकता होती है।
वर्तमान सीमाएँ: मौजूदा स्वचालित वर्गीकरण विधियाँ अक्सर निम्नलिखित पर निर्भर करती हैं:
- ह्यूरिस्टिक कीवर्ड सर्च (विविध डेटा के लिए अविश्वसनीय)।
- सिंटैक्टिक विश्लेषण (उच्च जटिलता, भाषा-निर्भर और लचीलापन रहित)।
- बड़े, पूर्व-लेबल वाले प्रशिक्षण सेटों की आवश्यकता वाला डेटा माइनिंग (निर्माण करना कठिन)।
- अधिकांश विधियाँ निश्चित वर्गीकरण उत्पन्न करती हैं जिन्हें विभिन्न परियोजना आवश्यकताओं के लिए आसानी से पुनर्गठित नहीं किया जा सकता है।
लक्ष्य: विशेषज्ञों द्वारा आवश्यक मैन्युअल प्रयास को कम करने के लिए, उच्च सटीकता बनाए रखते हुए, सोर्स कोड परिवर्तनों के वर्गीकरण को आंशिक रूप से स्वचालित करने की विधि विकसित करना।

2. कार्यप्रणाली (Methodology)

प्रस्तावित विधि एक दो-चरणीय हाइब्रिड दृष्टिकोण पर कार्य करती है: मेट्रिक्स के आधार पर परिवर्तनों का स्वचालित क्लस्टरिंग, उसके बाद क्लस्टर्स का अर्थपूर्ण वर्गों (semantic classes) में विशेषज्ञ मैपिंग।

A. इनपुट डेटा और मेट्रिक्स (Input Data & Metrics)

प्रत्येक सोर्स कोड परिवर्तन ( $\delta$ ) के लिए, एक मेट्रिक वेक्टर की गणना की जाती है। यह शोध पत्र आकार, जटिलता और संरचनात्मक परिवर्तनों को कवर करने वाले 11 विशिष्ट सोर्स कोड मेट्रिक्स का उपयोग करता है:

LOC: कोड की पंक्तियाँ जोड़ी गईं ( $LOC^+$ ), हटाई गईं ( $LOC^-$ ), और संशोधित की गईं ( $LOC^*$ ) ।
CC: जोड़ी गई ( $CC^+$ ), हटाई गई ( $CC^-$ ), और संशोधित ( $CC^*$ ) कोड की साइक्लोमैटिक कॉम्प्लेक्सिटी (Cyclomatic Complexity)।
संरचनात्मक गणना (Structural Counts): संशोधित फाइलें ( $F^*$ ), जोड़े गए/हटाए गए इंटरफेस ( $I^+, I^-$ ), और जोड़े गए/हटाए गए क्लासेस/स्ट्रक्चर ( $CS^+, CS^-$ )।

मेट्रिक्स की गणना करने के लिए परिवर्तन को एक 'एडिट स्क्रिप्ट' (इंसर्शन, डिलीशन, रिप्लेसमेंट) के रूप में दर्शाया जाता है।

B. क्लस्टरिंग एल्गोरिदम (Clustering Algorithm)

एल्गोरिदम: k-means क्लस्टरिंग।
डिस्टेंस मेट्रिक: कोसाइन सिमिलरिटी ( $\rho$ $ρ$ ) का उपयोग यूरिडियन डिस्टेंस के बजाय किया जाता है।
- तर्क: यूरिडियन डिस्टेंस परिवर्तनों को उनके पैमाने (मैग्निट्यूड) के आधार पर समूहित करता है। कोसाइन सिमिलरिटी परिवर्तनों को मेट्रिक वेक्टर के दिशा (अनुपातिक संरचना) के आधार पर समूहित करती है। यह सिस्टम को एक "बड़े बग फिक्स" और एक "छोटे बग फिक्स" को एक ही वर्ग का हिस्सा मानने की अनुमति देता, बशर्ते उनके मेट्रिक अनुपात समान हों।
प्रक्रिया:
1. सभी परिवर्तनों के लिए मेट्रिक वेक्टर की गणना करें।
2. $k$ क्लस्टर्स को इनिशियलाइज़ करें (प्रारंभ में विशेषज्ञ वर्गों की संख्या $n$ के बराबर)।
3. कोसाइन सिमिलरिटी के आधार पर परिवर्तनों को निकटतम क्लस्टर सेंटर असाइन करने के लिए पुनरावृत्ति (iteratively) करें।
4. गुणवत्ता जाँच: एक डेंसिटी फंक्शनल ( $I$ ) क्लस्टर्स की "टाइटनेस" को मापता है। यदि $I$ एक थ्रेशोल्ड से नीचे है, तो $k$ को बढ़ाया जाता है और क्लस्टरिंग को फिर से चलाया जाता है।

C. विशेषज्ञ मैपिंग और ऑटोमेशन (Expert Mapping & Automation)

क्लस्टरिंग: सिस्टम हजारों परिवर्तनों को $k$ क्लस्टर्स में स्वचालित रूप से समूहित करता है।
मैपिंग: एक विशेषज्ञ प्रत्येक क्लस्टर (विशेष रूप से क्लस्टर सेंटर के निकटतम परिवर्तनों) से एक छोटा, प्रतिनिधि नमूना (sample) की समीक्षा करता है।
असाइनमेंट: विशेषज्ञ नमूने के प्रमुख वर्ग को पूरे क्लस्टर के लिए असाइन करता है (उदाहरण के लिए, यदि क्लस्टर A में 80% का नमूना "बग फिक्सिंग" है, तो पूरे क्लस्टर को "बग फिक्सिंग" लेबल किया जाता है)।
वर्गीकरण: उस क्लस्टर के सभी परिवर्तनों को स्वचालित रूप से वर्गीकृत किया जाता है।

D. गुणवत्ता मूल्यांकन (Quality Evaluation)

विधि का मूल्यांकन एक वेरिफिकेशन सेट पर प्योरिटी ( $P_C$ ) और एन्ट्रॉपी ( $E_C$ ) का उपयोग करके किया जाता है, जिसे सीमित विशेषज्ञ-लेबल वाले डेटा के संदर्भ में सांख्यिकीय महत्व सुनिश्चित करने के लिए बूटस्ट्रैप रीसैंपलिंग के माध्यम से मान्य किया गया है।

प्योरिटी ( $P_C$ ): एक क्लस्टर में सही ढंग से वर्गीकृत परिवर्तनों का अनुपात।
एन्ट्रॉपी ( $E_C$ ): क्लस्टर्स के भीतर विकार/मिश्रण का माप (कम होना बेहतर है)।

3. मुख्य योगदान (Key Contributions)

व्यवहार्यता औचित्य: सिद्ध किया कि बिना किसी पूर्व-लेबल वाले प्रशिक्षण सेट के, मेट्रिक्स के अनसुपरवाइज्ड क्लस्टरिंग पर भरोसा करके, परिवर्तन वर्गीकरण का आंशिक स्वचालन संभव है।
मेट्रिक-आधारित क्लस्टरिंग रणनीति: कोसाइन सिमिलरिटी के साथ k-means के उपयोग को उचित ठहराया, यह प्रदर्शित करते हुए कि यह कोड संशोधन के परिमाण (magnitude) की परवाह किए बिना परिवर्तन के प्रकारों को प्रभावी ढंग से अलग करता है।
हाइब्रिड वर्कफ़्लो: एक ऐसा वर्कफ़्लो विकसित किया जो पूरे डेटासेट के बजाय परिवर्तनों के एक छोटे उपसमूह (क्लस्टर सेंटर्स) के लिए मैन्युअल वर्गीकरण की आवश्यकता रखकर विशेषज्ञ के समय को कम करता है।
सॉफ्टवेयर कार्यान्वयन: एक टूल बनाया जो मेट्रिक गणना (एडिट स्क्रिप्ट के माध्यम से), क्लस्टरिंग (CLUTO टूलकिट का उपयोग करके), और वर्गीकरण तर्क को एकीकृत करता है।

4. प्रयोगात्मक परिणाम (Experimental Results)

विधि को पाँच सॉफ्टवेयर सिस्टम पर मान्य किया गया, जिसमें दो ओपन-सोर्स प्रोजेक्ट्स (Subversion और NHibernate) और ट्रांसस टेक्नोलॉजीज (Transas Technologies) द्वारा विकसित तीन औद्योगिक सिस्टम शामिल थे।

केस स्टडी (NHibernate):
- डेटासेट: कुल 2,069 परिवर्तन।
- विशेषज्ञ प्रयास: विशेषज्ञों ने मैपिंग के लिए केवल 73 परिवर्तनों और एक वेरिफिकेशन सेट के लिए 68 परिवर्तनों को मैन्युअल रूप से वर्गीकृत किया।
- प्रदर्शन:
  - वर्गीकरण प्योरिटी ( $P_C$ ): $0.75 \pm 0.05$ (75% परिवर्तन सही ढंग से वर्गीकृत)।
  - एन्ट्रॉपी ( $E_C$ ): $0.37 \pm 0.06$ ।
- दक्षता: इस विधि ने मैन्युअल वर्गीकरण कार्यभार को काफी कम कर दिया (मैपिंग के लिए 2,069 से घटाकर ~73 परिवर्तन)।
अवलोकन:
- यह विधि एकसमान परिवर्तनों (जैसे शुद्ध रिफैक्टरिंग या शुद्ध बग फिक्स) पर सर्वोत्तम प्रदर्शन करती है।
- जब परिवर्तन विषम (heterogeneous) होते हैं (एक ही कमिट में कई प्रकार के संशोधनों को मिलाना), तो प्रदर्शन गिर जाता है, विशेष रूप से "रिफैक्टरिंग" वर्ग के लिए, जिसने क्लस्टर्स में कम पृथक्करण दिखाया।

5. महत्व और प्रभाव (Significance and Impact)

प्रक्रिया नियंत्रण: डेवलपर्स को प्रत्येक कमिट मैसेज को पढ़े बिना परिवर्तनों को फ़िल्टर करने (जैसे, "केवल बग फिक्स दिखाएं" या "सभी रिफैक्टरिंग को फ्लैग करें") में सक्षम बनाता है।
गुणवत्ता आश्वासन: उच्च-जोखिम या जटिल परिवर्तनों को प्राथमिकता देकर कोड समीक्षा के समय को कम करता है, जिससे आर्किटेक्चरल या एल्गोरिथमिक त्रुटियों का शीघ्र पता लगाना संभव होता है।
स्केलेबिलिटी: यह दृष्टिकोण भाषा-अज्ञेय (language-agnostic) है (सिंटैक्स ट्री के बजाय संरचनात्मक मेट्रिक्स पर आधारित है) और विशेषज्ञ मैपिंग चरण को बदलकर विभिन्न वर्गीकरण स्कीमा के अनुकूल बनाया जा सकता है।
व्यावहारिक अनुप्रयोग: इस विधि को सफलतापूर्वक नैवी-मैनेजर (Navi-Manager) और LRIT जैसे सिस्टम के लिए ट्रांसस टेक्नोलॉजीज (Transas Technologies) में औद्योगिक सेटिंग्स में तैनात किया गया है, जो वास्तविक दुनिया के सॉफ्टवेयर इंजीनियरिंग वातावरण में इसकी व्यवहार्यता को सिद्ध करता है।

निष्कर्षतः, कन्याज़े का कार्य यह प्रदर्शित करता है कि सॉफ्टवेयर मेट्रिक्स को अनसुपरवाइज्ड क्लस्टरिंग के साथ संयोजित करने से सोर्स कोड परिवर्तन वर्गीकरण के प्रारंभिक चरणों को स्वचालित करने के लिए एक मजबूत, स्केलेबल और कुशल समाधान मिलता है, जो मानव समीक्षकों के बोझ को काफी हद तक कम करता है।