[pt] Code smells são estruturas pobres que prejudicam a manutenção do sistema.
Sendo assim, code smells devem ser detectados e removidos, através
de refatoração, no começo do ciclo de vida do software. Refatoração consiste
em modificações no código que visam melhorar a manutenção do software,
removendo ou mitigando estruturas pobres. Contudo, as estratégias
de detecção e refatoração de smells são subjetivas. Isto é, desenvolvedores
trabalhando no mesmo sistema podem divergir acerca da existência de um
smell. Essa divergência é influenciada pelo conhecimento do desenvolvedor,
incluindo o design do sistema e o código analisado. Como consequência,
essa divergência afeta também a aplicação das refatorações. Assim, é preciso
customizar a detecção de smell e refatoração a partir do conhecimento
dos desenvolvedores. Afinal, o desenvolvedor é quem confirma a nocividade
de um smell e define como refatorá-lo. Para isso, decompomos nossa pesquisa
em 3 passos: (i) como customizar estratégias de detecção de smells?,
(ii) se e com que frequência os desenvolvedores customizam suas refatorações?
e (iii) como dar suporte a customização de refatoração?. No primeiro
passo avaliamos as técnicas de aprendizagem de máquina quanto a capacidade
de customizar sua detecção para cada desenvolvedor. Segundo, nós investigamos
como desenvolvedores customizam refatorações, analisando suas
modificações de código enquanto aplicam certos tipos de refatoração. Além
disso, nós também discutimos como essas customizações estão relacionadas
com a inserção, remoção ou mitigação de smells e se são apoiados pelo
Eclipse. Terceiro, nós propusemos uma abordagem que permite a aplicação
de refatorações customizadas. Nossos resultados indicaram que as técnicas
de aprendizagem de máquina são capazes de capturar o conhecimento do
desenvolvedor e obter alta acurácia detectando smells. Além disso, desenvolvedores
frequentemente customizam refatorações que não são totalmente
suportadas pelo Eclipse. Para piorar, customizações complexas, geralmente
manuais, tendem a reduzir o efeito positivo da refatoração. Portanto, nossos
resultados servem como base para melhorar o suporte de ferramentas: a (i)
detecção customizada de smells, levando em consideração o conhecimento
do desenvolvedor e (ii) a aplicação de refatoração customizada. / [en] Code smells are poor structures that harm software maintenance. Therefore,
code smells should be detected and removed, through refactoring, early in
the software lifecycle. Refactoring consists of a sequence of code modifications
that aim to improve software maintenance by removing or mitigating
poor code structures. However, the strategies for detecting and refactoring
smells are subjective. Even developers working on the same software may
diverge on their opinions about the existence of a smell. In fact, this divergence
is mostly influenced by the developer s knowledge, including the
system s design and the analyzed source code. As a consequence, the same
divergence affects the application of the corresponding refactorings. Therefore,
there is a need to support the customization of smell detection and
refactoring based on the developer s knowledge. The developer is who, after
all, becomes the decision maker on confirming the harmfulness of a smelly
structure and how to refactor it out. In order to address this issue, we split
our research in 3 steps: (i) how to customize smell detection strategies? (ii)
whether and how often developers customize their refactorings? and (iii)
how to support refactoring customization? In the first step, we evaluated
the use of machine learning techniques for properly customizing smell detection
for each developer. Second, we investigated how developers customize
refactorings by analyzing their code modifications while applying certain
refactoring types. Besides, we also discussed how these customizations are
related to the introduction, removal or mitigation of smells, and whether
they are currently supported by Eclipse, a popular IDE. Third, we proposed
an approach that allows the application of custom refactoring. Our
results indicated that machine learning techniques are able to efficiently capture
the developer s knowledge and achieve high smell detection accuracy.
Also, even though developers frequently customize refactorings, their customizations
are often not supported by Eclipse. To make it worse, complex
customizations, which are manually performed, tend to reduce the positive
effect of the refactoring. Therefore, our contributions serve as a basis for
improving tool support for: (i) customized detection of smells considering
the developer s knowledge, and (ii) application of customized refactoring.
| Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:56525 |
| Date | 10 December 2021 |
| Creators | DANIEL TENORIO MARTINS DE OLIVEIRA |
| Contributors | ALESSANDRO FABRICIO GARCIA, ALESSANDRO FABRICIO GARCIA |
| Publisher | MAXWELL |
| Source Sets | PUC Rio |
| Language | English |
| Detected Language | English |
| Type | TEXTO |
Page generated in 0.0029 seconds