Jun, 2023

预测批量重构代码异味对应用程序资源消耗的影响

PDF
TL;DR本文旨在探索代码异味批量重构与资源消耗之间的关系，并设计算法预测其对资源的影响。实验结果表明基于人工神经网络的预测模型能够高度准确地预测批量重构对资源消耗的影响。同时，本文提出了资源感知的代码异味重构的概念，以满足软件应用开发者在提高代码质量和可维护性的同时减少资源消耗的需求。
automated batch refactoringcode smellresource utilizationregression algorithmsresource aware code smell refactoring
发现论文，激发创造
  • URegM：开源云中重构软件坏味道的资源消耗的统一预测模型

    通过一种名为统一回归建模（URegM）的框架，本文旨在预测代码异味重构对云资源使用的影响，实验结果表明 URegM 能够准确预测由于代码异味重构而带来的资源消耗，从而使云服务提供商能够更有效地进行资源配置和代码重构。

    Oct, 2023

  • 机器学习应用的代码异味

    该论文提出了 22 个机器学习代码异味，解释了它们的背景和可能产生的后果，并给出了相应的解决方案以及它们所属的流程阶段和相关证据，以帮助数据科学家和开发人员生成和维护高质量的机器学习应用程序代码。

    Mar, 2022

  • 代码异味数据集和验证机制的系统文献综述

    通过评估 45 个现有的数据集，我们发现指标工具报告的准确度因用于评估工具的数据集而异。现有的数据集支持 God Class，Long Method 和 Feature Envy，但 Fowler 和 Beck 目录中的六种气味没有任何数据集支持。我们得出结论，现有的数据集在样本不平衡，缺乏支持严重程度级别和限制 Java 语言方面存在问题。

    Jun, 2023

  • 探索变分图自编码器以提取类重构建议

    本文旨在提出一种将 God Class 分解为多个更具体职责的少量类的自动方法，并使用可变图形自动编码器来将每个方法学习为向量表示，以便将其聚类为不同的组。本方法得到的结果比现有方法更好，证明了其有效性。

    Mar, 2022

  • 利用 mllint 分析机器学习项目的软件质量的经验与探讨：关于项目异味的探究

    本研究提出 project smells 的概念，在工业上下文中对 ING 进行评估并实施了开源静态分析工具 mllint，发现需要上下文感知的静态分析工具，以适应项目当前发展阶段的需求，并要求用户进行最少的配置工作。

    Jan, 2022

  • 应用 CodeBERT 对 Java 简单缺陷进行自动化程序修复

    本文提出一种基于 CodeBERT 的自动化程序修复方法，使用 ManySStuBs4J 小和大数据集对模型进行微调，能够准确地预测开发人员在 19-72％的情况下实现修复代码，并可以在不到一秒钟的时间内自动生成修复程序。

    Mar, 2021

  • Twitter SQL 查询成本预测

    本文介绍了一种使用机器学习技术来预测 SQL 查询资源使用的服务，并且可以帮助改善查询调度，解决 SQL 引擎集群中不平衡的 OLAP 工作负载问题。

    Apr, 2022

  • 应用机器学习分析软件质量测试

    本文利用机器学习对可用数据进行了操作并计算出了累计软件故障程度。应用机器学习预测软件的残余缺陷，以准确预测软件故障是本文的总体目标。

    May, 2023

  • 利用动态批处理驯服分布式机器学习训练中的资源异质性

    本文提出一种动态数据并行训练技术，该技术通过使用比例控制和 PID 控制器的思想，在异构计算集群上均等迭代时间、调整 mini-batch 大小，从而减少模型训练时间。

    May, 2023

  • 程序阶段的模型复杂度

    在资源受限的计算系统中，序列预测模型必须在严格约束下运行。我们提出了一种理论和相关的实证方法，探索一种特定类型机器学习模型（如深度神经网络）的成本与预测质量之间的权衡空间，以增加对资源受限任务模型的理论和实践限制的认识。

    Oct, 2023