[논문]CNN 모델을 이용한 프로그램 코드 변경 예측

김동관

doi:10.15207/jkcs.2021.12.9.011

CNN 모델을 이용한 프로그램 코드 변경 예측
Predicting Program Code Changes Using a CNN Model 원문보기

한국융합학회논문지 = Journal of the Korea Convergence Society, v.12 no.9, 2021년, pp.11 - 19

초록
AI-Helper

소프트웨어 시스템은 생명주기동안 기능 추가, 버그 수정, 새로운 컴퓨팅 환경 수용 등의 다양한 이유로 프로그램 코드 변경이 요구된다. 이러한 코드 수정 과정에서 새로운 오류 발생을 가져올 수 있으므로 프로그램 코드 수정 과정은 새로운 시스템 개발 못지 않게 신중하게 처리되야 한다. 또한, 오픈 소스 프로그램에 대한 재사용이 일반화된 소프트웨어 개발환경에서 오픈 소스 프로그램의 코드 변경 가능성을 예측할 수 있다면, 보다 양질의 프로그램 개발 효과를 기대할 수 있을 것이다. 본 논문은 소스 코드 변경을 예측하는 Convolutional Neural Network (CNN) 기반의 딥러닝 모델을 제안한다. 소스 코드 변경을 예측하는 문제는 딥러닝의 이진 분류 문제이며 레이블된 데이터가 요구되는 지도학습을 사용한다. 코드 예측 모델의 학습 및 시험을 위해 깃허브에서 수집한 Java 소스 코드와 코드 변경 로그를 데이터로 사용한다. 수집된 Java 소스 코드에서 소프트웨어 메트릭스를 계산한 후 제안된 코드 변경 예측 모델의 입력 데이터로 사용한다. 제안된 모델의 성능 평가를 위해 정밀도, 재현율, F1점수, 정확도가 측정되었으며 각각의 평가 지표에 있이서 CNN 모델은 95%, 다층 퍼셉트 기반의 DNN 모델은 92%를 달성했다.

Abstract ▼ AI-Helper

A software system is required to change during its life cycle due to various requirements such as adding functionalities, fixing bugs, and adjusting to new computing environments. Such program code modification should be considered as carefully as a new system development becase unexpected software errors could be introduced. In addition, when reusing open source programs, we can expect higher quality software if code changes of the open source program are predicted in advance. This paper proposes a Convolutional Neural Network (CNN)-based deep learning model to predict source code changes. In this paper, the prediction of code changes is considered as a kind of a binary classification problem in deep learning and labeled datasets are used for supervised learning. Java projects and code change logs are collected from GitHub for training and testing datasets. Software metrics are computed from the collected Java source code and they are used as input data for the proposed model to detect code changes. The performance of the proposed model has been measured by using evaluation metrics such as precision, recall, F1-score, and accuracy. The experimental results show the proposed CNN model has achieved 95% in terms of F1-Score and outperformed the multilayer percept-based DNN model whose F1-Score is 92%.

주제어

표/그림 (11)

그림 Fig. 1. The Overall Workflow of Predicting Code Changes Using Deep Learning.
표 Table 1. Summary of the dataset. TC: Total of Classes, CC: Changed Classes, and NCC: Non-Changed Classes.
그림 Fig. 2. Frequency Distribution of Code Chages of the Java Projects.
그림 Fig. 3. The Proposed CNN-Based Code Change Prediction System.
표 Table 2. Confusion Matrix.
표 Table 3. Model Evaluation Metrics.
그림 Fig. 4. Accuracy Distribution in terms of Kernel Sizes.
그림 Fig. 5. Training Loss and Accuracy of the Code Change Prediciton Model
표 Table 4. Computing Environment for the Experiments.
표 Table 5. CNN Architecture Layers
표 Table 6. Performance Measures of the fully-connected DNN and CNN. NCC: Non-Changed Code and CC: Changed Code.

참고문헌 (21)

B. W. Boehm. (1991). Software risk management: principles and practices. IEEE Software 8(1), 32-41. DOI : 10.1109/52.62930

상세보기
M. Lindvall & K. Sandahl. (1998). How well do experienced software developers predict software change?, Journal of Systems and Software, 43(1), 19-27. DOI : 10.1016/S0164-1212(98)10019-5

상세보기
L. Kaur & A. Mishra. (2020). A Pragmatic Framework for Predicting Change Prone Files Using Machine Learning Techniques with Java-based Software, Asia Pacific Journal of Information Systems, 30(3). DOI : 10.14329/apjis.2020.30.3.457

원문보기 상세보기
A. G. Koru & H. Liu. (2007). Identifying and characterizing change-prone classes in two large-scale opensource products. Journal of Systems and Software, 80(1), 63-73. DOI : 10.1016/j.jss.2006.05.017

상세보기
C. S. Melo, M. M. L. da Cruz, A. D. F. Martins, T. Matos, J. M. da Silva Monteiro Filho & J. de Castro Machado, (2019). A practical guide to support change-proneness prediction. In Proceedings of the 21st International Conference on Enterprise Information Systems, SciTePress, 269-276. DOI : 10.5220/0007727702690276
A. D. F. Martins, C. Melo, J. M. S. Monteiro & J. C. Machado, (2020). Empirical Study about Class Change Proneness Prediction using Software Metrics and Code Smells, In Proceedings of the 22nd International Conference on Enterprise Information Systems, SciTePress, 140-147. DOI : 10.5220/0009410601400147
A. Barbez, F. Khomh & Y. Gueheneuc. (2019). Deep Learning Anti-patterns from Code Metrics History. In Proceedings of the 37th International Conference on Software Maintenance and Evolution. IEEE, 114-124. DOI : 10.1109/ICSME.2019.00021
N. Pritam, M. Khari, L. Hoang Son, R. Kumar, S. Jha, I. Priyadarshini, M. Abdel-Basset, & H. Viet Long. (2019). Assessment of code smell for predicting class change proneness using machine learning. IEEE Access, 7, 37414-37425. DOI : 10.1109/ACCESS.2019.2905133

상세보기
F. Pudlitz, F. Brokhausen, & A. Vogelsang. (2019). Extraction of system states from natural language requirements. In Proceedings of the 27th International Conference on Requirements Engineering. IEEE, 211-222. DOI : 10.14279/depositonce-8717
J. Chen, C, Chen, Z. Xing, X. Xia, L. Zhu, J. Grundy, & J. Wang. (2020). Wireframe-based UI design search through image autoencoder. ACM Transactions on Software Engineering and Methodology, 29(3), ACM, 1-31. DOI : 10.1145/3391613

상세보기
Y. Hussain, Z. Huang, Y. Zhou, & S. Wang. (2020). CodeGRU: Context-aware deep learning with gated recurrent unit for source code modeling. Information and Software Technology, 125, 106309. DOI : 10.1016/j.infsof.2020.106309

상세보기
Y. Yang, X. Xia, D. Lo, & J. Grundy. (2020), A Survey on Deep Learning for Software Engineering, ArXiv, 2011.14597.
Tianchi Zhou, Xiaobing Sun, Xin Xia, Bin Li & Xiang Chen. (2019). Improving defect prediction with deep forest. Information and Software Technology, 114, 204-216. DOI : 10.1016/j.infsof.2019.07.003

상세보기
H. K. Dam, T. Pham, S. W. Ng, T. Tran, J. Grundy, A. Ghose, T. Kim & C. Kim. (2019). Lessons learned from using a deep tree-based model for software defect prediction in practice. In Proceedings of the 16th International Conference on Mining Software Repositories. IEEE, 46-57. DOI : 10.1109/MSR.2019.00017
M. Wen, R. Wu & S. Cheung. (2018). How well do change sequences predict defects? sequence learning from software changes. IEEE Transactions on Software Engineering, 46, 1155-1175. DOI : 10.1109/TSE.2018.2876256

상세보기
M. Y. Mhawish & M. Gupta. (2019) Generating Code-Smell Prediction Rules Using Decision Tree Algorithm and Software Metrics, International Journal of Computer Sciences and Engineering, 7(5), 41-48. DOI : 10.26438/ijcse/v7i5.4148
T. Guggulothu & S. A. Moiz. (2020). Code smell detection using multi-label classification approach. Software Quality Journal, 28, 1063-1086. DOI : 10.1007/s11219-020-09498-y

상세보기
M. Y. Mhawish & M. Gupta. (2020). Predicting Code Smells and Analysis of Predictions: Using Machine Learning Techniques and Software Metrics. Journal of Computer Science and Technology, 35, 1428-1445. DOI : 10.1007/s11390-020-0323-7

상세보기
H. Watson, T. J. McCabe, & D. R. Wallace. (1996). Structured Testing: A Testing Methodology Using the Cyclomatic Complexity Metric. Gaithersburg, MD, USA: NIST, 1-114. DOI : 10.6028/NIST.SP.500-235
V. Y. Shen, S. D. Conte, & H. E. Dunsmore. (1983). Software science revisited: A critical analysis of the theory and its empirical support, IEEE Transactions on Software Engineering, 9(2), 155-165. DOI : 10.1109/TSE.1983.236460

상세보기
S. Chidamber, & C. Kemerer. (1994). A metrics suite for object oriented design, IEEE Transaction on Software Engineering, 20(6), 476-493. DOI : 10.1109/32.295895

상세보기

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증