GitRank: A Framework to Rank GitHub Repositories
Intel Labs（英特尔研究院）
开源存储库提供了丰富的信息，并且越来越多地用于构建基于人工智能（AI）的系统，以解决软件工程中的问题。开源存储库可能具有不同的质量级别，质量差的存储库可能会降低这些系统的性能。因此，评估开源存储库的质量非常重要，因为在GitHub等代码托管网站上无法直接获得。在这个黑客程序中，我们利用已知的代码质量度量和GrimoireLab工具包来实现一个名为GitRank的框架，以三种不同的标准对开源存储库进行排名。我们在这份黑客报告中讨论了我们的发现和初步评估。
2022-05-04 cs.AI cs.LG cs.SE
Forecasting the Maintained Score from the OpenSSF Scorecard: A Study of GitHub Repositories Linked to PyPI Packages
fortiss GmbH（fortiss公司）；Technical University of Munich（慕尼黑工业大学）
本文研究如何通过机器学习和深度学习模型预测OpenSSF评分卡中的维护分数，发现聚合表示如分桶分数和趋势类型能实现较高准确率。
2026-04-30 cs.SE
On a Factorial Knowledge Architecture for Data Science-powered Software Engineering
鉴于科学中的数据密集型和协作趋势，软件工程社区也越来越关注从数据存储库中获得有价值和有用的见解。然而，将数据科学应用于软件工程（例如，如果缺乏合适的知识体系结构（KA），挖掘软件存储库）可能是盲目的和无意义的。通过观察软件工程实践通常通过一组因素（例如，编程器容量、不同的环境条件等）在此基础上，提出了一种基于因素的软件工程知识共享层次模型，以最大化软件资源库的价值，并对未来的软件数据驱动研究有所启发。特别是，它是有组织的因素和它们的关系，有助于指导软件工程知识挖掘，而挖掘的知识反过来将通过相关的因素和它们的相互作用索引/管理。本文阐述了我们关于阶乘KA的思想，并简要地说明了一个KA组件，即软件产品工程的早期版本KA。一旦充分的范围，这个拟议的KA将补充众所周知的SWEBOK的因素为中心的知识管理和潜在的软件工程知识的覆盖面/含义。
2021-03-02 cs.SE
AIDev: Studying AI Coding Agents on GitHub
Queen's University（女王大学）
AIDev是一个大规模数据集，包含来自五个AI代理的GitHub pull requests，用于研究AI在软件工程中的应用、开发者生产力及人机协作。
2026-02-09 cs.AI cs.SE
Integrating Large Language Models in Software Engineering Education: A Pilot Study through GitHub Repositories Mining
本研究通过挖掘400个GitHub项目开展试点，实证验证了SE教育中LLM应用的激励与阻碍因素分类体系，为构建负责任融入的综合框架奠定基础。
2025-09-05 cs.SE
Inter-Package Dependency Networks in Open-Source Software
本研究分析了开源软件中包间层次的复杂网络，其中包依赖关系通常跨越项目和开发团队。我们审查复杂的网络确定在“较低”的抽象层次，然后制定一个描述的软件组件的相互作用在包的水平，一个相对“高”的抽象层次。通过从两个来源挖掘开源软件存储库，我们经验性地表明，在这种粒度下的模块耦合在这两种情况下都创建了一个小世界和无标度网络。
2004-11-29 cs.SE
Using Experience Sampling to link Software Repositories with Emotions and Work Well-Being
背景：经验抽样方法研究人类在自然环境中的日常经验。在心理学中，它被用来研究工作幸福感和生产力之间的关系。据我们所知，日常经验抽样以前没有在软件工程中使用过。目标：我们的目的是确定软件开发人员自我报告的情感状态和工作幸福感和从软件库中获得的措施之间的联系。方法：我们在一家软件公司进行了为期八个月的经验抽样研究，我们使用逻辑回归将幸福感测量与开发活动联系起来，即提交和聊天消息的数量。结果：我们发现问卷变量和软件库变量之间有几个显着的关系。令我们惊讶的是，匆忙和提交数量之间的关系是负的，这意味着更多的感知匆忙与更少的提交数量有关。我们还发现，社会互动和阻碍工作幸福感之间存在负相关。结论：提交和匆忙之间的负面联系是违反直觉的，也与之前软件工程中的实验室实验相反，这些实验表明在时间压力下效率会提高。总的来说，我们的工作是在软件工程中使用经验抽样和验证软件工程领域其他领域的工作幸福感理论的第一步。
2018-09-04 cs.SE
Mining Container Image Repositories for Software Configuration and Beyond
本文介绍了挖掘容器映像存储库的思想，以获取软件系统的配置和其他部署信息。与传统的软件存储库（例如，镜像存储库是一个完整的执行生态系统（包括源代码存储库和应用程序商店），镜像存储库封装了用于运行目标软件的整个执行生态系统，包括其配置、依赖库和组件以及操作系统级实用程序，从而提供了丰富的数据和信息。我们展示了基于具体软件工程任务的机会，这些任务可以从挖掘图像存储库中受益。为了促进未来的挖掘工作，我们总结了分析图像存储库的挑战和解决这些挑战的方法。我们希望这篇论文将激发挖掘这种新兴类型的软件存储库的令人兴奋的研究议程。
2018-02-13 cs.SE
How do Software Engineering Researchers Use GitHub? An Empirical Study of Artifacts & Impact
本文通过手工标注顶级软件工程会议论文中的 GitHub/Zenodo 链接并深入分析309个仓库，考察研究制品的维护、社区关注与学术影响力。
2024-04-05 cs.SE
Mining Software Repositories with a Collaborative Heuristic Repository
许多软件工程研究或任务依赖于对软件工程工件进行分类。在实践中，这是通过定义简单但通常不精确的分类，或者通过人工标记工件来完成的。不幸的是，这些分类中的错误会影响依赖它们的任务。为了提高这些分类的精度，我们建议在一个协作的启发式存储库中收集知识，研究人员可以为各种SE工件上的各种任务贡献大量不同的知识。然后，利用最先进的弱监督技术来训练高质量的分类器，从而改进分类。我们提出了一个初始版本的启发式存储库，我们适用于提交分类的具体任务。
2021-03-02 cs.SE
Analyzing the Evolution and Maintenance of Quantum Software Repositories
本研究通过挖掘GitHub上2.1万余个量子软件仓库的120万次提交，分析其演化与维护特征，揭示了增长趋势、提交类型分布及量子特有问题占比，为量子软件工程实践改进提供实证依据并开源数据集。
2025-06-06 cs.SE
SWE-Bench++: A Framework for the Scalable Generation of Software Engineering Benchmarks from Open-Source Repositories
Research & Development, Turing（研发与图灵）
SWE-Bench++通过自动化生成多语言软件工程基准，提升仓库级代码生成的评估与改进
2025-12-19 cs.AI cs.CL cs.LG
ATime-Consistent Benchmark for Repository-Level Software Engineering Evaluation
本文提出时间一致性基准方法，通过冻结仓库时间点并利用历史代码知识评估未来任务，展示提示构造对软件工程评估的重要性。
2026-03-27 cs.AI cs.SE
Content and structure of laboratory packages for software engineering experiments
本文针对软件工程实验复制数量少的问题，通过评估七次实验复制，提出了能减少复制工作量的实验包内容与结构。
2024-02-11 cs.SE
Mining for Process Improvements: Analyzing Software Repositories in Agile Retrospectives
软件仓库包含有关软件工程团队如何工作、通信和协作的知识。它可以用于开发团队开发过程的数据信息视图，这反过来又可以用于过程改进计划。在现代敏捷开发方法中，过程改进发生在回顾会议中，在回顾会议中讨论最后的开发迭代。然而，在这些会议上进行的先前提议的活动通常不依赖于项目数据，而是完全依赖于团队成员的看法。我们提出了新的回溯活动，基于挖掘各个团队的软件存储库，以补充现有的方法，更客观，数据知情的过程视图。
2020-07-16 cs.SE
Mutating the "Immutable": A Large-Scale Study of Git Tag Alterations
Télécom Paris, Institut Polytechnique de Paris（巴黎电信学院，巴黎理工学院）
通过分析3.284亿软件仓库，发现1020万次标签变更影响18.9万仓库，并与Nixpkgs交叉验证表明标签变更导致可重现构建失败，建议使用加密提交哈希固定依赖并建立审计日志。
2026-07-01 cs.SE
Chaos Engineering in the Wild: Findings from GitHub
Jheronimus Academy of Data Science（杰罗尼穆斯数据科学学院）；Tilburg University（蒂尔堡大学）；University of Sannio（萨尼奥大学）；University of Salerno（萨莱诺大学）
本研究通过大规模挖掘GitHub仓库，揭示了混沌工程工具在开源项目中的采用集中于少数工具，网络故障和实例终止占主导，为工具选择和未来研究提供了实证依据。
2026-09-22 cs.SE
Possible Directions for Improving Dependency Versioning in R
R最强大的功能之一是它的贡献代码基础设施。内置的包管理器和补充存储库为代码的开发和交换提供了一个很好的系统，并且在平台向当今统计计算的事实标准发展的过程中发挥了重要作用。然而，CRAN和其他存储库上的软件包数量的增加超出了预期，并揭示了当前设计的一些局限性。其中一个问题是基础设施中普遍缺乏依赖性版本控制。本文更详细地探讨了这个问题，并建议其他开源社区采取的方法也适用于R。定义了三个用例来解决这个问题，并说明了如何改善包管理的这一方面可以提高可靠性，同时支持R社区的进一步发展。
2013-11-01 cs.MS cs.SE stat.CO
RepoMiner: a Language-agnostic Python Framework to Mine Software Repositories for Defect Prediction
来自开源软件项目的数据为提高软件质量提供了宝贵的信息。在软件缺陷预测的范围内，最具挑战性的部分之一是从这些存储库中提取有关易失败软件组件的有效数据，这可以帮助开发更健壮的软件。特别是，从这些存储库中收集数据、计算度量和合成结果是一项乏味且容易出错的任务，这通常需要理解所挖掘的存储库中涉及的程序设计语言，最终导致特定于语言的数据挖掘软件的激增。本文介绍了RepoMiner，语言无关的工具，开发支持软件工程研究人员在创建数据集，以支持任何研究缺陷预测。RepoMiner自动从软件组件中收集故障数据，将其标记为易故障或中性，并计算用作缺陷预测模型基础事实的指标。我们提出了它的实现，并提供了它的应用程序的例子。
2021-11-23 cs.SE
Natural Language or Not (NLoN) - A Package for Software Engineering Text Analysis Pipeline
自然语言处理（NLP）的使用在软件工程中越来越受欢迎。为了正确执行NLP，我们必须对文本信息进行预处理，以将自然语言与其他信息（例如日志消息）分离开来，这些信息通常是软件工程中通信的一部分。我们提出了一个简单的方法来分类一些文本输入是否是自然语言或没有。虽然我们的NLoN包只依赖于11种语言特征和字符三元组，但我们能够在三个不同的数据源上实现0.976-0.987之间的ROC曲线下面积，Glmnet的Lasso回归作为我们的学习者，两个人类评分员提供地面真相。跨源预测性能较低，波动较大，最高ROC性能在0.913至0.980之间。与以前的工作相比，我们的方法提供了类似的性能，但更轻量级，更容易应用于软件工程文本挖掘管道。我们的源代码和数据作为R包提供，以供进一步改进。
2018-03-20 cs.SE
SWE-fficiency: Can Language Models Optimize Real-World Repositories on Real Workloads?
Harvard University（哈佛大学）；Google DeepMind（谷歌DeepMind）；Princeton University（普林斯顿大学）；Google（谷歌）
本文提出SWE-fficiency基准，评估语言模型在真实工作负载上优化软件仓库性能的能力，发现现有模型在定位优化机会和保持正确性方面表现不佳。
2026-06-27 cs.AI cs.PF cs.SE
AutoFL: A Tool for Automatic Multi-granular Labelling of Software Repositories
AutoFL是一种从源代码自动标注软件仓库的工具，支持文件、包和项目多粒度注释，旨在减少开发者理解大型代码库的时间。
2025-04-25 cs.SE
On the Feasibility of Cross-Language Detection of Malicious Packages in npm and PyPI
本研究提出一种基于语言无关特征的跨语言恶意包检测方法，通过训练模型捕捉 npm 和 PyPI 中恶意包的共性，成功检测出58个未知恶意包。
2023-10-14 cs.CR cs.SE
TNM: A Tool for Mining of Socio-Technical Data from Git Repositories
工程师之间的协作网络反映在版本控制系统（VCS）中开发人员活动的痕迹中。从Git存储库中提取数据是从事社会技术分析的研究人员和从业人员的一项基本任务，但这需要大量的工程工作。随着人们对分析社会技术数据并将其应用于实践的兴趣日益浓厚，目前还没有灵活且易于重复使用的工具来从虚拟社区服务中检索社会技术信息。由于没有通用的可重用工具来完成这项任务，挖掘的负担将研究人员的注意力从他们的核心研究问题上转移开来。在本文中，我们介绍了TNM --一个从Git存储库中挖掘社会技术数据的开源工具。TNM快速、灵活、易于扩展。TNM可在GitHub上获得：https://github.com/JetBrains-Research/tnm
2021-03-17 cs.SE cs.SI
Software Engineering Data Analytics: A Framework Based on a Multi-Layered Abstraction Mechanism
本文提出一个基于多层抽象机制的领域特定框架，用于查询、建模和集成异构软件仓库，并通过案例研究验证其潜力。
2025-09-26 cs.SE
On the Creation of Representative Samples of Software Repositories
针对软件仓库抽样常依赖随机选择或无关变量的问题，提出一种兼顾仓库总体特征与实证研究需求的代表性样本创建方法，并以 Hugging Face 仓库用例验证。
2024-10-02 cs.SE
Loop Engineering: Building Blocks, Adoption, and Impact
Singapore Management University（新加坡管理大学）；Heidelberg University（海德堡大学）
本文对新兴循环工程领域开展探索性研究，分析其构建模块、开源项目采用情况，挖掘36710个仓库发现217个存在自主智能体循环，并规划了智能体自主层级的对照研究。
2026-10-26 cs.SE
Packaged Software Implementation Requirements Engineering by Small Software Enterprises
中小型企业（SMEs）通常蓬勃发展，因为他们在利基市场中成功地做了一些独特的事情。为此，中小企业可能会设法避免使用套装软件所鼓励的任何标准化，以保护其竞争优势。因此，在中小企业实施成套软件提出了挑战，涉及如何最好地应对成套软件提供的功能与每个中小企业的业务需求之间的不匹配。一个重要的问题是，小型软件企业或中小型软件开发公司（SMSSDC）应用哪些流程来识别并处理这些不合适的情况。为了探索打包软件（PS）实施的过程，进行了人种学研究，以深入了解分析师在两个SMSSDC中所扮演的角色。这项研究的目的是了解PS实施方面的需求工程（或“PSIRE”）。民族志研究期间收集的数据进行了分析，使用归纳法。基于对案例的分析，我们构建了一个解释PS实施需求工程过程的理论模型，并将其命名为PSIRE并行星型模型。并行星模型表明，在PSIRE期间，可以同时进行多个RE过程。平行星型模型几乎没有什么限制，因为不仅可以并行地执行过程，而且不必总是按照特定的顺序进行。因此，本文提供了一个新的调查和解释的RE实践打包软件实现，接近的现象，从分析师的角度来看，并提供了第一个广泛的研究打包软件实现RE（PSIRE）在SMSSDC。
2021-06-07 cs.SE
Towards Measuring Vulnerabilities and Exposures in Open-Source Packages
本研究定量分析开源软件仓库与包管理器中漏洞的频率与演变，提出CVE映射方法，并展示其在不同编程语言中的分布，以评估开源生态的安全风险。
2023-05-09 cs.CR cs.SE
Aspect OntoMaven - Aspect-Oriented Ontology Development and Configuration With OntoMaven
在敏捷的基于本体的软件工程项目中，对来自大型现有远程存储库的本体的模块化重用的支持、本体项目生存周期管理和传递依赖管理是重要的需求。本文的贡献是一个新的设计工件OntoMaven结合了一个统一的方法，本体模块化，面向方面的本体开发，这是受面向方面的编程。OntoMaven采用基于Apache Maven的开发方法，并将其概念适用于基于Maven的本体开发和分布式本体库中本体工件管理的知识工程。与面向方面的本体开发相结合，允许对本体模块进行细粒度的、声明性的配置。
2015-07-01 cs.SE
Exploring the Lifecycle and Maintenance Practices of Pre-Trained Models in Open-Source Software Repositories
本文提出一项探索性研究计划，通过挖掘开源软件仓库分析预训练模型的使用、维护与测试实践，旨在为模型依赖背景下的软件工程实践提供可操作见解。
2025-04-08 cs.SE
Qualitative Data Analysis in Software Engineering: Techniques and Teaching Insights
本章面向软件工程研究，系统介绍定性编码、编码指南设计与质量保证原则，并结合教学经验帮助研究者严谨分析代码注释、提交信息等定性资料。
2024-06-12 cs.SE
Inside the Skill Market: From Software Engineering Activities to Reusable Agent Skills
The Hong Kong University of Science（香港科技大学）；University of Chinese Academy of Sciences Beijing, China（中国科学院大学）；Institute of Software, Chinese Academy of Sciences Beijing, China（中国科学院软件研究所）；Zhejiang University Hangzhou, China（浙江大学）
研究探讨软件工程活动如何转化为可复用智能体技能。通过对公共库和市场中SE技能大规模实证研究，分析其封装活动、生命周期覆盖等，发现SE活动正通过技能成为可复用工件，为技能推荐等提供研究机会及相关机制需求。
2026-07-13 cs.AI cs.SE
Code2UML: Agentic LLMs with context engineering for scalable software visualization
Bucharest University of Economic Studies（布加勒斯特经济大学）
提出一种基于五个专门智能体和确定性IR压缩层的智能体架构，用于从源代码仓库自动生成UML图，在12个开源仓库和7种UML图上验证了高语法有效性（平均91.5%）和结构质量（平均81.7/100），且质量不随规模下降。
2026-05-23 cs.AI cs.SE
Modeling Sampling Workflows for Code Repositories
University of Rennes, Inria, CNRS, IRISA（雷恩大学、Inria、CNRS、IRISA）；McGill University（麦吉尔大学）；INSA Rennes, University of Rennes, Inria, CNRS, IRISA（雷恩国立应用科学学院、雷恩大学、Inria、CNRS、IRISA）；DIRO, Université de Montréal（蒙特利尔大学DISO）
本文提出一种领域特定语言，用于描述复杂采样策略，以提高采样方法的可表示性和可推理性，通过统计指标验证了其在代码仓库采样中的有效性。
2026-04-09 cs.SE
The Software Heritage Graph Dataset: Large-scale Analysis of Public Software Development History
Software Heritage是现存最大的软件源代码及其开发历史的公共档案。它涵盖了超过50亿个独特的源代码文件和10亿个独特的提交，来自8000多万个软件项目。这些软件工件是从主要的协作开发平台（例如，GitHub、GitLab）和包存储库（例如，PyPI，Debian，NPM），并存储在一个统一的表示链接在一起的源代码文件，目录，提交，和版本控制系统（DRM）存储库的完整快照，如软件遗产在定期爬网期间观察。这个数据集在可访问性和规模方面是独一无二的，并且允许探索公共软件开发长尾上的许多研究问题，而不是像经常发生的那样仅仅关注“最受欢迎”的存储库。
2020-11-16 cs.SE
SWE-Bench Pro: Can AI Agents Solve Long-Horizon Software Engineering Tasks?
ScaleAI
本文推出面向长周期企业级软件工程任务的高难度基准SWE-Bench Pro，构建多分区真实任务集并分析现有智能体错误模式，提供抗污染测试床以推进专业级自主软件工程智能体研发。
2025-11-14 cs.CL cs.SE
Are Machine Programming Systems using Right Source-Code Measures to Select Code Repositories?
Intel（英特尔）
机器编程（MP）是确定性和概率计算交叉的新兴领域，它旨在帮助软件和硬件工程师以及其他应用程序。随着强大的计算资源，MP系统往往依赖于大量的开源代码来学习有趣的属性代码和编程和解决问题的调试，代码推荐，自动完成等领域的不幸的是，现有的MP系统中的几个要么不考虑质量的代码库或使用非典型的质量措施比那些通常用于软件工程社区选择他们。因此，需要研究代码库质量对这些系统性能的影响。在这篇初步论文中，我们评估了候选MP系统的性能不同的质量库的影响。为了实现这一目标，我们开发了一个名为GitRank的框架，通过利用现有的研究，对开源存储库的质量，可维护性和受欢迎程度进行排名。然后，我们应用GitRank来评估候选MP系统使用的质量度量与我们框架使用的质量度量之间的相关性。我们的初步结果揭示了GitRank中使用的质量度量与ControlFlag的性能之间的一些相关性，这表明GitRank中使用的一些度量适用于ControlFlag。但它也提出了关于MP系统中使用的代码存储库的正确质量度量的问题。我们相信，我们的研究结果也产生有趣的见解代码质量的措施，影响MP系统的性能。
2022-09-24 cs.AI cs.LG cs.SE
MALTA: Maintenance-Aware Technical Lag, Estimation to Address Software Abandonment
Boise State University（博伊西州立大学）；The University of Tennessee, Knoxville（田纳西大学诺克斯维尔分校）
MALTA通过引入维护意识指标，有效识别被传统版本滞后指标遗漏的废弃软件包，提高依赖项风险评估的准确性。
2026-03-10 cs.SE
SpecMap: Hierarchical LLM Agent for Datasheet-to-Code Traceability Link Recovery in Systems Engineering
H2LooP.ai（H2LooP人工智能研究院）
SpecMap通过分层LLM代理实现嵌入式系统datasheet到代码的可追溯性链接恢复，提升映射精度与效率，支持自动化分析与下游应用。
2026-01-16 cs.AI cs.SE
DI-BENCH: Benchmarking Large Language Models on Dependency Inference with Testable Repositories at Scale
Microsoft（微软公司）；Wuhan University（武汉大学）；Tongji University（同济大学）；Shanghai AI Laboratory（上海人工智能实验室）；Zhejiang University（浙江大学）
DI-BENCH是一个大规模基准，用于评估大语言模型在仓库依赖推断上的能力，包含581个仓库，最佳模型执行通过率仅42.9%，凸显改进空间。
2025-01-23 cs.CL cs.SE
Quantum software experiments: A reporting and laboratory package structure guidelines
本文针对量子软件实验缺乏标准化报告与实验包结构的问题，提出扩展和调整实验软件工程指南的新方案，并通过回顾11项工作验证其有效性，以提升量子软件实验的可复现性和可靠性。
2024-05-07 cs.SE
Evolution of repositories and privacy laws: commit activities in the GDPR and CCPA era
研究分析了GDPR和CCPA时代软件仓库的提交活动，发现隐私相关术语在提交信息中出现，但对用户权利的引用较少，提出需加强隐私教育和工具开发。
2025-05-28 cs.SE
Automatically Categorising GitHub Repositories by Application Domain
The University of Adelaide（阿德莱德大学）；Federal Institute of Pernambuco（伯南布哥联邦学院）；Federal University of Mato Grosso do Sul（南马托格罗索联邦大学）；Federal University of Pará（帕拉联邦大学）；Zup Innovation（Zup创新公司）；The University of Melbourne（墨尔本大学）
GitHub是互联网上最大的开源软件主机。这个庞大的、可免费访问的数据库吸引了从业人员和研究人员的关注。但随着GitHub的持续增长，越来越难以浏览跨越广泛领域的过多存储库。过去的工作表明，考虑应用程序域对于预测存储库的流行程度和推理项目质量等任务至关重要。在这项工作中，我们建立在先前注释的5，000个GitHub存储库的数据集上，以设计一个自动分类器，用于按应用程序域对存储库进行分类。分类器使用最先进的自然语言处理技术和机器学习，根据五个应用领域从多个数据源和目录库中学习。我们的贡献与（1）一个自动分类器，可以分配流行的存储库到每个应用程序域至少有70%的精度，（2）调查的方法的性能不太流行的存储库，和（3）这种方法的实际应用，以回答如何通过软件工程实践不同的应用程序域。我们的工作旨在帮助GitHub社区识别感兴趣的存储库，并为未来调查不同应用程序域存储库之间差异的工作开辟有希望的途径。
2022-07-30 cs.LG cs.SE
Repositories, Contributors, and Continuity: An Empirical Study of Foundational Quantum Software
Technical University of Applied Sciences Regensburg（雷根斯堡应用技术大学）
研究量子软件生态系统中概念和影响如何跨存储库边界持续存在，运用实证软件工程技术分析基础量子软件存储库，结合跨库活动与贡献者关系研究社区演变，发现多种发展路径并提供实证视角。
2026-07-29 cs.SE quant-ph
A Study of Malware Prevention in Linux Distributions
本文通过访谈多个主要 Linux 发行版维护者并构建恶意软件基准数据集，评估六款开源扫描器，发现现有工具检测恶意 Linux 软件包效果不佳，揭示了当前开源检测手段的不足。
2025-07-21 cs.CR cs.SE
Empirical Evaluation of AI-Assisted Software Package Selection: A Knowledge Graph Approach
Computer Science, Utrecht University, Utrecht, The Netherlands Michel Chaudron Department of Mathematics；Computer Science, TU Eindhoven, Eindhoven, The Netherlands
本研究将软件包选择建模为多准则决策问题，提出数据驱动框架PySelect，利用知识图谱和LLM提升推荐质量，实验验证其优于生成式AI基线。
2025-08-06 cs.AI cs.SE
Lost in Zero Space -- An Empirical Comparison of 0.y.z Releases in Software Package Distributions
专用于特定程序设计语言的开放源码软件包的分发通过允许软件项目依赖于这种可重用软件包所提供的功能来促进软件开发。软件项目的健康状况可能会受到它所依赖的软件包的成熟度的影响。所使用的软件包版本号提供了其成熟度的指示。带有0.y.z版本号的软件包通常被认为处于初始开发阶段，这表明它们可能不太稳定，并且依赖于它们可能被认为是不太健康的。在本文中，我们实证研究了四个开源软件包发行版（Cargo，npm，Packagist和RubyGems）在何种程度上0.y.z软件包发行版和>=1.0.0软件包发行版的行为不同。我们量化了0.y.z版本的流行程度，我们探索了软件包在初始开发阶段的持续时间，我们比较了0.y.z和>=1.0.0软件包版本的更新频率，我们研究了其他软件包需要0.y.z版本的频率，我们评估了语义版本是否尊重对它们的依赖，我们比较了托管在GitHub上的0.y.z和>=1.0.0包存储库的一些特征。除此之外，我们观察到包发行版比语义版本控制对0.y.z版本的要求更宽松，并且许多0.y.z版本实际上可以被视为成熟的包。因此，版本号并不能很好地指示软件包发布的成熟度。
2021-01-04 cs.SE
Spotlights: Discovering Improvement Opportunities in Software Repositories
本文提出优化机会发现任务及Spotlights系统，通过逻辑映射和代理审查在软件仓库中定位改进区域，实验表明能恢复多数专家目标并显著提升性能。
2026-09-18 cs.SE
LightSys: Lightweight and Efficient CI System for Improving Integration Speed of Software
软件的复杂性和大小的增加延长了开发人员等待代码分析和代码合并的延迟。随着软件越来越大，越来越复杂，现在越来越多的开发人员正在开发具有大型源代码存储库的软件。软件平台立即用特征更新和错误修复来更新软件包的趋势是一个重大障碍。在软件包的积极开发过程中，持续集成系统可能有助于防止软件缺陷，即使是在频繁部署和更新的情况下。在这里，我们提出了一个便携式和模块化的代码审查自动化系统，检查传入的代码更改，如代码格式和风格，性能回归，静态分析，构建和部署测试，并在合并和更改代码之前的动态分析。所提出的机制是足够轻量级的，即使对于许多开发人员来说，也可以托管在常规的台式计算机上。由此产生的成本降低允许开发人员将所提出的机制应用于许多源代码存储库。实验结果表明，该机制大大减少了开销，并提高了可用性相比，传统的机制：执行时间（6倍快），CPU使用（40%），内存消耗（1/180），和没有内存不足的发生。
2021-01-29 cs.SE
Should I Get Involved? On the Privacy Perils of Mining Software Repositories for Research Participants
挖掘软件存储库（MSR）是一种基于证据的方法，它将数据交叉链接，以揭示有关软件系统的可操作信息。软件工程中的实证研究经常利用MSR技术，因为它们允许研究人员揭示软件开发中的问题和缺陷，以便分析导致这些问题和缺陷的不同因素。因此，依靠关于被挖掘的存储库和源的细粒度信息（例如，服务器名称和贡献者的身份）对于MSR研究的可重复性和透明度至关重要。然而，这也可能对参与者的隐私造成威胁，因为他们的身份可能与有缺陷/次优的编程实践（例如，代码气味、不正确的文档），反之亦然。此外，这可以扩展到密切的合作者和社区成员，从而导致“因关联而有罪”。这份立场文件旨在开始讨论间接参与MSR调查，关于共享非汇总数据的“隐私与效用”的二分法，以及其对参与者参与的隐私限制和道德考虑的影响。
2022-02-24 cs.IR cs.SE
SWE-smith: Scaling Data for Software Engineering Agents
Stanford University（斯坦福大学）；Princeton University（普林斯顿大学）；Alibaba Qwen（阿里巴巴文言）
提出SWE-smith流水线，通过自动构建执行环境并合成任务实例，生成了5万个实例的大规模数据集，训练的SWE-agent-LM-32B在SWE-bench Verified上达到40.2%的Pass@1解决率，刷新开源模型纪录。
2025-05-21 cs.AI cs.CL cs.SE
Does Functional Package Management Enable Reproducible Builds at Scale? Yes
LTCI, Télécom Paris Institut Polytechnique de Paris（巴黎电信学院，巴黎理工学院）
本文通过大规模研究Nix功能包管理器，验证了大规模可重复构建的可行性，发现位级可重复性率高达69%-91%，重新构建率超过99%。
2025-05-07 cs.SE
Automated DevOps Pipeline Generation for Code Repositories using Large Language Models
本研究利用GPT 3.5和GPT 4生成并评估GitHub Action工作流，提出DevOps感知分数，验证GPT 4在语法和DevOps感知上的显著提升，并开发了基于Probot的自动化应用。
2023-12-20 cs.SE
