🤖 AI

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

Este artigo apresenta um método automatizado que utiliza o algoritmo k-means com similaridade cosseno em onze métricas de código para agrupar mudanças de software em clusters, os quais são posteriormente mapeados por especialistas para classes pré-definidas, reduzindo significativamente o tempo de revisão e demonstrando alta pureza de classificação em cinco sistemas validados.

Autores originais: Evgenii Kniazev

Publicado 2026-02-17

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Evgenii Kniazev

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você é o gerente de uma grande fábrica de software. Todos os dias, centenas de operários (os programadores) enviam pequenas correções, melhorias e novas peças para a linha de montagem. O problema é que o volume é tão grande que ninguém consegue revisar cada peça manualmente antes de ela ser usada. Se um operário colocar uma peça errada, a máquina inteira pode quebrar.

O trabalho de Evgenii Knyazev, apresentado neste artigo, é como criar um sistema inteligente de triagem para essa fábrica. Em vez de um humano revisar cada uma das milhares de peças, o sistema organiza as peças em caixas baseadas no "formato" delas, e um especialista só precisa olhar rapidamente para dizer o que tem em cada caixa.

Aqui está a explicação passo a passo, usando analogias do dia a dia:

1. O Problema: A Montanha de Mudanças

No desenvolvimento de software, o código muda o tempo todo. Às vezes, alguém adiciona uma nova função (como colocar um novo motor no carro). Outras vezes, alguém conserta um erro (como apertar um parafuso solto). E às vezes, alguém apenas reorganiza a bagunça sem mudar nada (como arrumar a garagem).

Revisar tudo manualmente é lento e cansativo. Os revisores ficam sobrecarregados e podem deixar passar erros importantes.

2. A Solução: A "Balança de Medidas" (Métricas)

Knyazev propõe não ler o código palavra por palavra, mas sim medir as mudanças. Ele criou uma lista de 11 medidas (como uma ficha técnica) para cada mudança enviada:

Quantas linhas de código foram adicionadas ou apagadas?
A complexidade aumentou ou diminuiu?
Quantos arquivos ou classes foram tocados?

Imagine que cada mudança no código é um pacote de encomenda. Em vez de abrir o pacote para ver o que tem dentro, o sistema pesa o pacote, mede o tamanho e conta quantos lados ele tem.

3. O Segredo: O "Agrupamento por Semelhança" (Clustering)

Aqui entra a mágica da matemática. O sistema pega todas essas "fichas técnicas" e usa um algoritmo chamado k-means (que funciona como um organizador de armário muito eficiente).

A Analogia da Festa: Imagine que você tem 2.000 convidados numa festa e quer separá-los em grupos sem saber quem eles são. Você olha para o que eles estão vestindo e o que estão segurando.
- O sistema percebe que 500 pessoas estão todas de terno e segurando maletas (grupo "Correção de Bugs").
- Outras 300 estão de camiseta e segurando ferramentas (grupo "Novas Funcionalidades").
- Outras 200 estão apenas trocando de lugar na sala (grupo "Refatoração/Reorganização").

O sistema agrupa automaticamente as mudanças que parecem "iguais" em termos de medidas. Ele não sabe o nome do grupo, apenas que "esses aqui são parecidos entre si".

4. O Toque Humano: O "Tradutor" (Mapeamento)

O sistema é inteligente, mas não é um gênio. Ele sabe que "o grupo A" é diferente do "grupo B", mas não sabe que o "grupo A" significa "Consertar Bug".

Aqui entra o especialista humano (o revisor). Ele olha para apenas um ou dois exemplos de cada grupo que o sistema criou e diz:

"Ah, esse grupo aqui é de Conserto de Bugs."
"Esse outro é de Novas Funcionalidades."

Depois que o especialista dá o nome aos grupos, o sistema aplica esse rótulo a todas as mudanças daquele grupo automaticamente.

5. Por que isso é incrível? (O Resultado)

No estudo de caso com o projeto NHibernate (um software famoso), os números foram impressionantes:

Havia 2.069 mudanças para revisar.
Sem o sistema, um humano teria que ler e classificar todas as 2.069.
Com o sistema, o humano só precisou classificar 73 mudanças (apenas para ensinar o sistema a reconhecer os grupos).
O sistema fez o resto sozinho, com 75% de precisão.

Isso significa que a equipe economizou horas e horas de trabalho chato, permitindo que os revisores focassem apenas nas mudanças que realmente importam ou que o sistema teve dúvida.

Resumo em uma frase

O trabalho de Knyazev é como criar um robô organizador que separa a "sujeira" do código em pilhas baseadas no tamanho e formato delas, e pede a um humano apenas para dar um nome a cada pilha, economizando tempo e evitando erros humanos por cansaço.

Palavras-chave da ideia:

Métricas: A "ficha técnica" da mudança.
Clustering (Agrupamento): Colocar coisas parecidas na mesma caixa.
Mapeamento: O humano dizendo o que tem na caixa.
Resultado: Menos trabalho manual, mais qualidade e menos erros.

Resumo Técnico: Classificação Automatizada de Mudanças de Código Fonte Baseada em Agrupamento (Clustering) de Métricas

Autor: Evgenii G. Knyazev (ITMO University, Rússia)
Origem: Tradução do resumo da tese de doutorado (defendida em 2009), publicada no arXiv em fevereiro de 2026.

1. O Problema

O desenvolvimento de software moderno lida com volumes massivos de código-fonte, o que dificulta a compreensão, análise e controle de qualidade. A revisão de código (code review) é uma etapa crítica para detectar defeitos, violações de estilo e alterações redundantes. No entanto, a revisão manual é extremamente demorada, especialmente quando se considera o histórico completo de alterações (commits) em sistemas de controle de versão.
A necessidade de classificar automaticamente as mudanças de código (ex.: novas funcionalidades, correção de bugs, refatoração, remoção de código morto) surge para:

Reduzir o tempo de revisão.
Permitir a seleção seletiva de alterações para revisão.
Automatizar o fluxo de informações entre os participantes do desenvolvimento.
Métodos existentes baseados em heurísticas, busca de palavras-chave ou análise sintática apresentam limitações como complexidade algorítmica, dependência de linguagem de programação e falta de adaptabilidade a novos esquemas de classificação.

2. Metodologia Proposta

O autor propõe um método de dois passos que combina uma abordagem baseada em métricas com técnicas de agrupamento (clustering) não supervisionado. O objetivo é automatizar a distribuição das mudanças em grupos, deixando apenas o mapeamento desses grupos para classes semânticas para um especialista humano.

Etapas do Método:

Cálculo de Vetores de Métricas: Para cada mudança de código ( $\delta$ $δ$ ), é calculado um vetor de métricas numéricas. O artigo utiliza 11 métricas específicas, incluindo:
- Linhas de código adicionadas, deletadas e modificadas (LOC).
- Complexidade Ciclomática (CC) das partes adicionadas, deletadas e modificadas.
- Contagem de arquivos, interfaces e classes/estruturas alteradas.
Agrupamento (Clustering):
- Algoritmo: Utiliza o algoritmo k-means.
- Medida de Proximidade: Em vez da distância euclidiana (sensível à escala), utiliza-se a similaridade de Cosseno entre os vetores de métricas. Isso permite agrupar mudanças baseando-se na "direção" ou natureza da alteração, independentemente do tamanho (escala) da mudança.
- Configuração: O número de clusters ( $k$ ) é inicialmente definido igual ao número de classes esperadas, mas pode ser ajustado iterativamente para otimizar uma função de qualidade ( $I$ ) que mede a densidade dos agrupamentos.
Mapeamento por Especialista: Após o agrupamento automático, um especialista analisa amostras de mudanças em cada cluster e atribui uma classe semântica (ex.: "Bug Fix", "Refactoring") ao cluster inteiro.
Classificação Automática: Todas as mudanças restantes no cluster são automaticamente rotuladas com a classe atribuída pelo especialista.

3. Contribuições Principais

Justificativa da Automação Parcial: Demonstração de que a classificação de mudanças pode ser parcialmente automatizada através de agrupamento de métricas, reduzindo a carga de trabalho do especialista.
Seleção de Métrica de Proximidade: Validação do uso da similaridade de Cosseno com o algoritmo k-means para lidar com a variabilidade de escala nas mudanças de código, superando limitações de métodos anteriores.
Novo Método de Classificação: Desenvolvimento de um fluxo de trabalho completo que reduz drasticamente o número de mudanças que precisam ser revisadas manualmente, mantendo a qualidade da classificação.
Implementação Prática: Criação de uma ferramenta de software que integra cálculo de métricas, geração de scripts de edição (edit scripts) e clustering (usando o toolkit CLUTO).

4. Resultados Experimentais

O método foi validado em cinco sistemas de software, incluindo projetos de código aberto (Subversion e NHibernate) e sistemas industriais desenvolvidos pela Transas Technologies.

Caso de Estudo: NHibernate

Dados: 2.069 mudanças de código analisadas.
Configuração: 12 clusters gerados para 5 classes de especialistas (Novas Funcionalidades, Bug Fix, Refatoração, Deleção, Formatação).
Eficiência: Apenas 73 mudanças precisaram ser classificadas manualmente pelo especialista para mapear os clusters às classes. O restante foi classificado automaticamente.
Qualidade da Classificação (Métricas):
- Pureza ( $P_C$ ): $0,75 \pm 0,05$ (75% das mudanças foram corretamente classificadas).
- Entropia ( $E_C$ ): $0,37 \pm 0,06$ (indicando um nível aceitável de incerteza, embora a classe de "Refatoração" tenha mostrado menor separação).
- Nível de Significância: 0,05.

Conclusões dos Resultados:

O método funciona bem para mudanças uniformes.
A qualidade diminui quando as mudanças combinam modificações heterogêneas de código.
A abordagem reduziu significativamente o tempo de revisão em comparação com uma avaliação puramente manual.

5. Significado e Impacto

Redução de Custos e Tempo: A automação da etapa de distribuição de mudanças permite que os revisores foquem apenas nas mudanças críticas ou nas amostras necessárias para mapear os clusters, acelerando o ciclo de desenvolvimento.
Aplicabilidade Industrial: O método já foi implementado e utilizado em produtos comerciais da Transas Technologies (sistemas de monitoramento de objetos móveis, rastreamento de frotas globais e simuladores de treinamento).
Flexibilidade: Diferente de métodos baseados em treinamento supervisionado rígido, este método permite reconfiguração para diferentes conjuntos de classes de mudanças sem a necessidade de reconstruir grandes conjuntos de dados de treinamento.
Futuro: O autor sugere que a qualidade pode ser ainda melhorada aumentando o número de métricas utilizadas e adaptando o método a outros tipos de classes de mudanças.

Em resumo, a tese apresenta uma solução prática e matematicamente fundamentada para um dos gargalos do desenvolvimento de software: a revisão e classificação eficiente de grandes volumes de alterações de código, equilibrando automação e julgamento humano especializado.