買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費(fèi)！專利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)恭喜杭州電子科技大學(xué)申請的專利基于代碼異味的軟件重構(gòu)預(yù)測方法獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN114138328B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-05-27發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202111468006.8，技術(shù)領(lǐng)域涉及：G06F8/72；該發(fā)明授權(quán)基于代碼異味的軟件重構(gòu)預(yù)測方法是由俞東進(jìn);翁樂輝;陳潔;陳信;陳宇廷;葉佳萍設(shè)計(jì)研發(fā)完成，并于2021-12-03向國家知識產(chǎn)權(quán)局提交的專利申請。

本基于代碼異味的軟件重構(gòu)預(yù)測方法在說明書摘要公布了：本發(fā)明公開了一種基于代碼異味的軟件重構(gòu)預(yù)測方法。該方法基于LGBM和LogisticRegression來實(shí)現(xiàn)軟件重構(gòu)的預(yù)測，合理利用了存在于源代碼文件中蘊(yùn)含的結(jié)構(gòu)性信息、代碼異味的強(qiáng)度和歷史性信息，憑借不同信息度量之間強(qiáng)大的互補(bǔ)性提高了預(yù)測的效果。此外，通過過采樣技術(shù)SMOTE解決了樣本比例不均衡的問題。通過本發(fā)明方法能夠高效預(yù)測軟件的重構(gòu)時機(jī)，對于軟件的可維護(hù)性和可拓展性的提升具有非常重要的意義。

本發(fā)明授權(quán)基于代碼異味的軟件重構(gòu)預(yù)測方法在權(quán)利要求書中公布了：1.基于代碼異味的軟件重構(gòu)預(yù)測方法，其特征在于包括以下步驟：步驟一：給定待分析系統(tǒng)中m*n個源代碼文件版本集合F＝F1,1,F1,2,…,Fi,j,…,Fm,n，其中Fi,j表示源代碼文件Fi的第j個版本，利用代碼解析工具解析每一個源代碼文件，將每一個源代碼文件版本Fi,j的結(jié)構(gòu)與異味信息度量表示為Si,j＝className,classVersion,structure,hasSmell的形式，i＝1,2,…,m，j＝1,2,…,n，其中className表示源代碼文件版本Fi,j的類名，設(shè)一個源代碼文件包含一個類；classVersion表示源代碼文件版本Fi,j在項(xiàng)目歷史中的版本號，structure表示源代碼文件版本Fi,j的結(jié)構(gòu)特征集合W，hasSmell表示源代碼文件版本Fi,j中是否存在某種代碼異味，1表示存在異味，0則表示不存在；特征集合W＝wLOC,wNOA,wCBO,wMPC,wTCC,wMcCabe,wWMC，其中wLOC表示該文件的代碼行數(shù)，wNOA表示該文件中屬性的個數(shù)，wCBO表示與該文件相耦合的目標(biāo)類的數(shù)量，耦合即該文件中的方法調(diào)用了目標(biāo)類的方法或變量；wMPC表示該文件中的方法調(diào)用其他方法的個數(shù)，WTCC表示通過訪問相同的屬性而直接發(fā)生聯(lián)系的方法個數(shù)，wMcCabe表示該文件通過McVabe度量法計(jì)算得到的復(fù)雜度，wWMC表示該文件中方法的圈復(fù)雜度的和；步驟二：如果源代碼文件版本Fi,j被識別為存在某種代碼異味，判別是否具有這種代碼異味的特征閾值集為T＝w1|b1,...,wg|bg,...,wt|bt，其中wg為W中的一個特征，bg為識別為這種代碼異味的特征wg對應(yīng)的閾值，g＝1,2,…,t，通過以下公式計(jì)算得到異味強(qiáng)度： 其中，mwg表示待分析系統(tǒng)中存在的、由于特征wg引起某種代碼異味的最大或最小值：當(dāng)wg超過bg時引起某種代碼異味的時候選用最大值，當(dāng)wg小于bg時引起某種代碼異味的時候選用最小值；添加強(qiáng)度信息后源代碼文件版本Fi,j的結(jié)構(gòu)與異味信息度量表示為：S′i,j＝className,classVersion,structure,hasSmell,intensity；步驟三：獲取源代碼文件歷史信息度量：設(shè)源代碼文件Fi在某個歷史版本p中引入了代碼異味，源代碼文件Fi當(dāng)前版本為j，則源代碼文件版本Fi,j中關(guān)于歷史信息度量表示為：Hi,j＝className,classVersion,diffDays,diffVersions,action其中，diffDays表示版本p和j之間間隔的自然天數(shù)，diffVeersions表示版本p和j之間間隔的版本數(shù)，action表示版本p和j之間文件Fi發(fā)生修改的次數(shù)；步驟四：我們在源代碼文件集合F中找到所有的代碼異味消除的源代碼文件版本，分成以下兩類：1Fi,j的hasSmell＝1，而Fi,j+1的hasSmell＝0；2Fi,j的hasSmell＝1，且j是源代碼文件Fi的最后一個版本；根據(jù)1和2中的策略，在源代碼文件集合F中獲取到存在某種代碼異味的所有的最后一個源代碼文件版本Fi,j，組成代碼異味消除的源代碼文件集合，并通過過采樣技術(shù)SMOTE將其進(jìn)行擴(kuò)充，形成ζP，即為數(shù)據(jù)集中的正樣本，將源代碼文件集合F中剩余的源代碼文件版本作為數(shù)據(jù)集的負(fù)樣本ζN，最后得到了完整的樣本數(shù)據(jù)集:ζ＝ζP∪ζN，其中ζP中每一個源代碼文件版本對應(yīng)的重構(gòu)標(biāo)簽值y為1，ζN中的每一個源代碼文件版本對應(yīng)的重構(gòu)標(biāo)簽值y為0；步驟五：使用特征遞歸消除技術(shù)、RandomForestClassifier和LGBMClassifier來保留最重要的z個特征，記為W*＝w1,w2,…,wz；經(jīng)過特征選擇之后的源代碼文件版本Fi,j用S*i,j,H*i,j來表示，其中S*i,j表示保留的結(jié)構(gòu)與異味信息度量，H*i,j表示保留的歷史信息度量；步驟六：將數(shù)據(jù)集中的一部分?jǐn)?shù)據(jù)作為訓(xùn)練集ζtrain；步驟七：對于每一個源代碼文件版本的信息表示S*i,j,H*i,j，將S*i,j輸入到LGBM中得到輸出h1，將H*i,j輸入到LogisticRegression中得到輸出h2，最終模型的輸出表示重構(gòu)的預(yù)測概率其中a1和a2表示權(quán)重，且a1+a2＝1；步驟八：使用交叉熵?fù)p失函數(shù)來計(jì)算重構(gòu)標(biāo)簽值y和輸出之間的損失，損失函數(shù)的定義如下： 其中d表示訓(xùn)練的樣本數(shù)；步驟九：利用訓(xùn)練集ζtrain來訓(xùn)練LGBM和LogisticRegression模型參數(shù)，直至達(dá)到最大迭代次數(shù)MaximumIter，獲得訓(xùn)練之后最佳參數(shù)的LGBM和LogisticRegression模型；步驟十：對于一個源代碼文件，首先按步驟一、步驟二、步驟三，獲取到文件與異味信息度量和歷史信息度量，然后根據(jù)步驟五抽取出最佳的特征，將這些特征輸入到步驟九獲得的模型中，最終獲得關(guān)于此文件是否需要進(jìn)行重構(gòu)的預(yù)測概率，如果概率大于等于0.5則說明要進(jìn)行重構(gòu)，小于0.5則說明不需要。

如需購買、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人杭州電子科技大學(xué)，其通訊地址為：310018 浙江省杭州市錢塘新區(qū)白楊街道2號大街1158號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。