What Characterizes Pairwise Modular Smells?

Technische Samenvatting: Wat kenmerkt Pairwise Modular Smells?

Probleemstelling
Het verbeteren van de modulaire structuur van bestaande softwaresystemen is een kritieke uitdaging. Hoewel technieken voor softwaremodularisatie proberen systemen te herstructureren naar optimale modules, zijn deze vaak onpraktisch vanwege de uitgebreide en kostbare wijzigingen die vereist zijn. Daartegenover staan benaderingen die ontwerpproblemen (smells) identificeren als refactoring-mogelijkheden, die echter vaak lijden aan een grove granulariteit (bijv. op moduleniveau), wat het moeilijk maakt om specifieke refactoring-strategieën te bepalen.

Om dit aan te pakken, introduceerde het eerdere werk van de auteurs Pairwise Modular Smell (PairSmell), een fijnmazige architecturale smell gedefinieerd als de afwijking tussen de werkelijke modulaire relatie (MR) van een paar bestanden en een geschikte (apt) MR. De geschikte MR wordt afgeleid van een consensus van meerdere modularisatietools. Als de werkelijke relatie (gecolleerd of gescheiden) in strijd is met de consensus, vormt dit een smell: InSep (inapate scheiding, waarbij tools het erover eens zijn dat ze samen zouden moeten zijn maar ze zijn gescheiden) of InCol (inapate collocatie, waarbij tools het erover eens zijn dat ze gescheiden zouden moeten zijn maar ze zijn geocolleerd).

Echter, de definitie van PairSmell steunt op de "black box"-output van modularisatietools, waardoor het concept obscuur en moeilijk uit te leggen is. Ontwikkelaars missen inzicht in waarom een specifiek paar een smell vertoont. Deze studie beoogt PairSmell te verklaren door de specifieke paar-kenmerken te identificeren die bepaalde entiteiten vatbaar maken voor deze architecturale afwijkingen.

Methodologie
De studie hanteert een mixed-method aanpak die een snelle literatuurstudie, machine learning (ML) modellering en kwalitatieve analyse combineert:

1. Snelle Literatuurstudie: De auteurs hebben 178 primaire studies over softwaremodularisatie doorzocht om een set kandidaat-kenmerken te synthetiseren die de relaties tussen twee entiteiten vertegenwoordigen. Dit proces leverde 19 verschillende paar-kenmerken op over zes dimensies: gerelateerdheid, afstand, onafhankelijkheid, complexiteit, cohesie en grootte.
2. Dataset Constructie: De studie maakte gebruik van een gecureerde dataset van meer dan 6,1 miljoen paren van entiteiten afkomstig van 11 open-source Java-projecten (bijv. Kafka, Hadoop, Druid). De dataset bevat zowel gescheiden als gecolleerde paren, waarbij ground truth labels voor InSep en InCol instanties in eerder werk zijn vastgesteld.
3. Voorspellend Modelleren:
   • Kenmerken: De 19 kenmerken werden gebruikt als onafhankelijke variabelen.
   • Target: Twee binaire classificatietaken werden gedefinieerd: het voorspellen van InSep (voor gescheiden paren) en InCol (voor gecolleerde paren).
   • Modelselectie: Verschillende modellen (Logistische Regressie, SVM, Random Forest) werden getraind. Support Vector Machines (SVM) werden gekozen als de primaire modellen vanwege hun superieure prestaties.
   • Preprocessing: Om collineariteit aan te pakken, werden kenmerken met een Spearman's rangcorrelatie ($\rho$) $\ge 0,7$ verwijderd. Class imbalance werd aangepakt met behulp van Inverse Transform Sampling.
4. Interpretatie: De auteurs gebruikten Permutation Feature Importance om de meest invloedrijke kenmerken te identificeren. Partial Dependence Plots (PDP) werden gegenereerd om te visualiseren hoe veranderingen in specifieke kenmerkwaarden de waarschijnlijkheid beïnvloeden dat een paar als een smell wordt geclassificeerd.
5. Kwalitatieve Validatie: Representatieve voorbeelden uit de dataset werden handmatig geanalyseerd om te illustreren hoe de geïdentificeerde invloedrijke kenmerken zich in de werkelijke code manifesteren.

Belangrijkste Bijdragen

1. Systematische Karakterisering van PairSmell: De studie gaat verder dan enkel het detecteren van PairSmell naar het verklaren van de opkomst ervan. Het identificeert en interpreteert de onderliggende paar-kenmerken die InSep en InCol instanties drijven.
2. Identificatie van Invloedrijke Indicatoren:
   • Voor InSep (gescheiden paren die samen zouden moeten zijn), zijn de meest invloedrijke indicatoren uitgaande afhankelijkheden (out-going dependencies), gedeelde termen met anderen (degree) en gedeclareerde velden (total-fields).
   • Voor InCol (gecolleerde paren die gescheiden zouden moeten zijn), zijn de meest invloedrijke indicatoren semantische gelijkenis (tf-idf), gedeelde termen tussen het paar (intersection), gedeelde termen met anderen (degree) en inkomende afhankelijkheden (in-going dependencies).
3. Praktische Illustratie: Het artikel biedt concrete voorbeelden die aantonen hoe een hoge out-degree of een lage hoeveelheid gedeelde termen correleert met specifieke type smells, wat bruikbare inzichten biedt voor ontwikkelaars.

Resultaten

• Voorspellende Prestaties: De getrainde SVM-modellen behaalden een verbetering van 58,6% in ROC-AUC ten opzichte van baseline-modellen voor gecolleerde paren en een verbetering van 34,6% voor gescheiden paren. De modellen vertoonden ook een bewonderenswaardige balans tussen precisie en recall (AUPRC-verbeteringen van 1,57x en 2,77x ten opzichte van de baselines).
• Kenmerkenanalyse:
  • InSep: Hoge uitgaande afhankelijkheden verhogen aanvankelijk de waarschijnlijkheid van een smell (wat duidt op excessieve externe koppeling), terwijl een zeer lage out-degree functionele onafhankelijkheid suggereert die scheiding rechtvaardigt. Een hoge degree (gedeelde termen met anderen) duidt op overlappende verantwoordelijkheden, wat scheiding ongepast maakt. Een lage total-fields in afhankelijke paren suggereert eenvoudige, verspreide verantwoordelijkheden die beter bij elkaar gehouden kunnen worden.
  • InCol: Lage semantische gelijkenis (sim-tfidf) en een lage intersection geven aan dat gecolleerde entiteiten ongerelateerd zijn, wat de Single Responsibility Principle schendt. Een hoge in-degree suggereert dat de entiteiten te veel verantwoordelijkheden hebben, wat de module potentieel overbelast.
• Statistische Significantie: Mann-Whitney U-testen bevestigden significante verschillen in de distributies van kenmerken tussen smelly en niet-smelly paren.

Betekenis en Claims
Het artikel claimt het begrip van PairSmell te vergroten door de focus te verschuiven van de prevalentie en consequenties naar de verklaarbaarheid. Door specifieke paar-kenmerken te koppelen aan het voorkomen van smells,:

• Demystificeert het PairSmell: Het legt uit waarom bepaalde paren als smells worden gemarkeerd, waardoor het concept verschuift van een opaak tool-output naar een begrijpelijk ontwerpprobleem.
• Begeleidt Refactoring: De bevindingen bieden specifieke, op kenmerken gebaseerde strategieën voor mitigatie (bijv. het abstraheren van interfaces om de out-degree te verminderen, of het hernoemen van identifiers om de semantische gelijkenis te verbeteren).
• Informeert Modulair Ontwerp: De studie suggereert dat toekomstige modularisatietools niet alleen moeten focussen op gerelateerdheid, maar ook onafhankelijkheid en grootte moeten overwegen om rationelere oplossingen te produceren. Het benadrukt dat kenmerken die vaak in modularisatie-algoritmen worden gebruikt, collinear kunnen zijn, wat wijst op een noodzaak voor zorgvuldige kenmerkselectie om redundante analyse te voorkomen.

De auteurs positioneren dit werk als een fundament voor een effectievere inspectie en verbetering van de structuren van softwaremodules, waarbij zij empirisch bewijs leveren dat een genuanceerd perspectief op modulair ontwerp ondersteunt, verder reikend dan eerdere bevindingen die enkel gericht waren op de prevalentie van smells.