گسترش ابزارهاي خودكار شناسايي الگوهاي طراحي با عملگر تصحيح برچسب

Extending Automatic Design Pattern Detection Tools by Label Correcting Operation

چكيده: الگوهاي طراحي، راه حل هاي اثبا ت شده و قابل‌اطميناني هستند كه براي پاسخ به برخي از مسايل با رخداد مكرر در طراحي نرم افزار شي‌ گرا، ارايه شده اند.‌ شناسايي آن‌ها در كد، به‌منزله بازيابي طرح و هدف طراح و سهولت در امر نگهداشت پذيري است. ازآنجاكه سهولت در نگهداشت پذيري سيستم بسيار مهم و اجتناب‌ناپذير است، لذا توليد ابزارهاي خودكار براي شناسايي الگوها، موردتوجه محققين قرارگرفته است. اكثر ابزارهاي شناسايي كنوني درصد بازيابي بالايي دارند. اما در شناسايي الگوها، خصوصاً با ساختار و عملكرد مشابه، مثبت كاذب بالايي توليد مي‌كنند. لذا تحقيقاتي در پالايش خروجي ابزارها، براي حذف مثبت هاي كاذب نيز شروع شده است. در اين مقاله براي اولين بار يك روش «تصحيح برچسب» ارايه شده است. روش فوق، ابتدا مثبت هاي كاذب را شناسايي و سپس هويت صحيح آن‌ها را به كمك يك مجموعه معيارهاي جديد تعيين مي كند. خـودكارسازي روش با داده كاوي است و نتايج حاصل، با دقت يادگيري 2/98% در دسته بندي «چندبرچسبه»، با مد 2/98% در دسته بندي «يكي در مقابل همه» و مد100% در دسته بندي «دو به دو» خروجي ابزارها را تصحيح مي كند.

Abstract: Design patterns (DP) are reliable and stable solutions to frequently occurring problems in object oriented software design. Detecting design patterns can reveal design purposes in code and facilitates maintainance. Thus automatic design pattern detection is an active area or research. Majority of automatic design pattern detection tools have high recall. However they suffer from high false positive rate since some of the design patterns are structureally and/or behaviorally similar. Hence another research direction is filtering the results of other automatic DP detection tools. In this paper, correcting the labels of these false positives is presented for the first time. Several metrics have been proposed that facilitates this process. Automatic label correcting is performed by data mining techniques. Results achieved with this process are as follows: accuracy about 98.2% in "multi-class classifications", 98.2% mode in "one versus all" classification and 100% mode in "pairwise" classification.