Do Developers Update Their Library Dependencies? An Empirical Study on the Impact of Security Advisories on Library Migration
第三方库重用已经成为当代软件开发中的常见做法,因为它为开发人员带来了许多好处。库依赖关系不断发展,新添加的功能和补丁可以修复旧版本中的错误。为了充分利用第三方重用,开发人员应该始终保持其库依赖项的最新版本。在本文中,我们调查的程度,开发人员更新他们的库依赖。具体来说,我们对库迁移进行了一项实证研究,涵盖了4,600多个GitHub软件项目和2,700个库依赖项。结果表明,虽然这些系统中的许多严重依赖的依赖,81.5%的研究系统仍然保持其过时的依赖。在更新易受攻击的依赖项的情况下,研究表明,受影响的开发人员不太可能对安全建议做出回应。调查这些开发人员,我们发现69%的受访者声称他们不知道他们的脆弱依赖性。此外,开发人员不太可能优先考虑库更新,认为这是额外的工作和额外的责任。这项研究的结论是,即使第三方重用是司空见惯的,更新依赖项的做法并不常见的许多开发人员。
2017-09-14 cs.SE
An Eye for Trust: An Exploration of Developers' Trust Perceptions Through Urgency and Reputation
Polytechnique Montréal(蒙特利尔高等理工学院);McGill University(麦吉尔大学)
研究通过眼动实验探讨紧迫性和声誉如何影响开发者对代码可信度的判断,发现代码优先级影响审查行为但不影响采纳决策,且开发者未充分意识到紧迫性和声誉的影响。
2026-04-09 cs.SE
Towards Exploring the Code Reuse from Stack Overflow during Software Development
作为最知名的程序员问答网站之一,Stack Overflow(即,SO)每天为数万名开发者提供服务。以前的工作表明,许多开发人员在SO上重用代码片段,当他们找到一个答案(来自SO),功能上匹配他们在开发活动中遇到的编程问题。为了研究程序员在项目开发过程中如何重用SO上的代码,我们进行了全面的实证研究。首先,为了捕捉程序员的开发活动,我们从793个开源Java项目的提交中收集了342,148个修改过的代码片段,这些修改过的代码可以反映开发过程中遇到的编程问题。我们还从SO上的1,355,617个帖子中收集了代码片段。然后,我们使用CCBACK来检测提交的修改代码与SO的代码之间的代码克隆,并进一步分析程序员在开发过程中解决编程问题时的代码重用。我们统计了不同年份每个项目提交中修改后的代码片段的代码重用率,结果显示代码重用率平均为6.32%,最高为8.38%。项目提交中的代码复用率逐年上升,新成立项目的代码复用比例高于老项目。我们还发现有些项目重用了很多年前的代码片段。此外,我们发现,有经验的开发人员似乎更有可能重用SO上的知识。此外,我们发现,在bug相关的提交(6.67%)的代码重用率略高于在非bug相关的提交(6.59%)。此外,我们还发现,代码重用率(14.44%)在Java类文件中,经历了多次修改是两倍以上的整体代码重用率(6.32%)。
2022-04-27 cs.SE
A^3-CodGen: A Repository-Level Code Generation Framework for Code Reuse with Local-Aware, Global-Aware, and Third-Party-Library-Aware
提出 A^3-CodGen 仓库级代码生成框架,融合当前文件、跨文件及第三方库上下文,提升生成代码的准确性、效率与复用率。
2024-10-28 cs.SE
Source File Set Search for Clone-and-Own Reuse Analysis
克隆并拥有方法是软件开发人员实现源代码重用的一种自然方法。为了评估克隆组件的已知错误和安全漏洞如何影响应用程序,开发人员和安全分析师需要识别组件的原始版本,并了解克隆组件与原始组件的不同之处。尽管开发人员可以在版本控制系统和/或目录名称中记录原始版本信息,但是这样的信息通常不可用或不完整。在这项研究中,我们提出了一种代码搜索方法,该方法将一组源文件作为输入,并从软件生态系统(即,软件包的现有版本的集合)。我们的方法采用了有效的文件相似性计算使用b位minwise哈希技术。我们使用聚合文件相似性来对组件进行排名。为了评估该工具的有效性,我们分析了Firefox和Android源代码中的75个克隆组件。该工具花了大约两个小时报告Debian GNU/Linux软件包中1000万个文件的原始组件。根据源代码存储库中记录的真实数据,提取列表中前五个组件的召回率为0.907,而使用SHA-1文件散列的基线召回率为0.773。
2017-04-27 cs.SE
Stack Overflow: A Code Laundering Platform?
开发人员使用问答(Q&A)网站来交流知识和专业知识。Stack Overflow是一个流行的Q&A网站,开发人员在这里讨论编码问题并分享代码示例。虽然所有Stack Overflow帖子都可以免费访问,但Stack Overflow上的代码示例受Creative Commons Attribute-ShareAlike 3.0 Unported许可证的约束,开发人员在重用Stack Overflow的代码或将代码发布到Stack Overflow时应遵守该许可证。在本文中,我们对399个Android应用程序进行了案例研究,以调查开发人员在重用Stack Overflow帖子中的代码时是否尊重许可条款(反之亦然)。我们在数据集中的62个Android应用程序中发现了232个代码片段,这些代码片段可能会从Stack Overflow中重复使用,还有1,226个Stack Overflow帖子包含的代码示例是68个Android应用程序中发布的代码的克隆,这表明开发人员可能复制了这些应用程序的代码来回答Stack Overflow问题。我们调查了这些代码的许可证,并观察到1,279个潜在的许可证违规案例(与发布到堆栈溢出的代码或堆栈溢出的代码重用有关)。本文旨在提高软件工程社区对Stack Overflow等问答网站上潜在的不道德代码重用活动的认识。
2017-03-11 cs.SE
Copy-and-Paste? Identifying EVM-Inequivalent Code Smells in Multi-chain Reuse Contracts
本文首次实证研究多链复用合约中的EVM不等价代码异味,定义六类异味并开发EquivGuard工具,通过静态污点分析和符号执行实现自动检测,在六大区块链90余万份合约中发现平均17.70%的异味出现率,警示开发者避免复制粘贴式复用。
2025-04-11 cs.SE
Enhancing Security in Third-Party Library Reuse -- Comprehensive Detection of 1-day Vulnerability through Code Patch Analysis
针对第三方库复用引入的1-day漏洞检测难题,本文设计实现工具VULTURE,通过LLM构建数据库、哈希比较依赖及相似性、版本与块级分析,在10个真实项目中从178个复用TPLs识别出175个漏洞,提升复用安全性。
2024-11-29 cs.SE
SlsReuse: LLM-Powered Serverless Function Reuse
Beijing University of Posts and Telecommunications(北京邮电大学)
SlsReuse是首个基于LLM的无服务器函数重用框架,通过语义增强表示和多级修剪策略提升函数推荐效果。
2025-11-21 cs.SE
On Code Reuse from StackOverflow: An Exploratory Study on Jupyter Notebook
笔记本电脑是数据分析师和科学家使用数据的流行工具。它提供了一种将代码、文档和可视化组合在一个交互式环境中的方法,从而促进了代码的重用。虽然代码重用可以提高编程效率,但它也会降低可读性,安全性和整体性能。我们在Stack Overflow平台上对Jumyter Notebook开发社区的代码重用实践进行了大规模的探索性研究,以了解代码重用的潜在负面影响。我们的研究发现了1,097,470个重复使用Stack Overflow代码片段的1097,470字节Notebook克隆对,平均每个代码片段有7.91个代码质量违规。通过我们的研究,我们深入了解了微软笔记本开发人员决定重用代码的原因以及这种做法的潜在缺点。
2023-02-23 cs.SE
On the Adoption and Effects of Source Code Reuse on Defect Proneness and Maintenance Effort
上下文软件复用机制,如面向对象编程中的继承和委托,被广泛认为是软件设计的关键工具。这些用于降低源代码受缺陷影响的风险,而不是减少维护和改进源代码所需的工作量。以前的工作传统上采用源代码重用度量用于预测目的,例如,在缺陷预测的上下文中。objective.然而,我们的研究发现了当前文献的两个明显的局限性。首先,开发人员随着时间的推移实际使用代码重用机制的程度仍然知之甚少。其次,目前还不清楚这些机制如何有助于解释缺陷倾向和维护工作在软件演化。我们的目标是弥合这一知识差距,因为对这些方面的更好理解可能有助于深入了解这些机制提供的实际支持,例如,通过建议是否以及如何将它们用于预测目的。法我们提出了一个探索性的研究,旨在(1)评估开发人员如何使用继承和委托在软件演化过程中;(2)统计分析继承和委托的故障倾向和维护工作的影响。该研究将在DEFECTS4J数据集的17个Java项目的提交上进行。
2022-08-15 cs.SE
An Empirical Study of Downstream Adaptation for Agent Skills
King’s College London(伦敦国王学院);Tsinghua University(清华大学)
研究大语言模型智能体技能下游适配,分析六个技能库的1126个适配实例,构建含46种模式的分类法,揭示重用悖论,发现适配相互依赖及近五分之一适配引入安全敏感内容,为改进技能设计等提供启示。
2026-07-07 cs.SE
Optimising the Fit of Stack Overflow Code Snippets into Existing Code
软件开发人员经常在他们的项目中重用来自在线资源(如Stack Overflow)的代码。然而,搜索代码段并将其集成到现有源代码中的过程可能是乏味的。为了提高代码重用的效率和减少代码重用所花费的时间,我们提出了一个用于Eclipse IDE(集成开发环境)的自动化代码重用工具NLP 2TestableCode。NLP 2TestableCode不仅可以使用自然语言任务搜索Java代码段,还可以基于用户现有代码评估代码段,修改代码段以改进匹配并纠正错误,然后向用户呈现最佳代码段,所有这些都无需离开编辑器。NLP 2TestableCode还包括自动生成可定制测试用例并建议参数和返回类型的功能,以便进一步评估代码片段。在评估中,NLP 2TestableCode能够为82.9%的任务找到可编译的代码片段,为42.9%的任务找到可测试的代码片段。
2020-04-16 cs.SE
Automated Change Rule Inference for Distance-Based API Misuse Detection
开发人员构建应用程序编程接口(API)以重用代码库的现有功能。尽管重用已建立的库(例如,节省时间,高质量),开发人员可能会偏离API的预期用途;可能导致错误,或者更具体地说,API误用。最近的研究重点是开发自动检测API滥用的技术,但许多技术的假阳性率很高。在本文中,我们通过提出ChaRLI(更改规则推理)来改进这种情况,ChaRLI是一种基于API使用图(AUG)从开发人员对API误用的修复中自动推断更改规则的技术。通过随后应用图距离算法,我们使用更改规则来区分API误用和正确使用。这允许开发人员在同一个或另一个项目的其他代码位置重用其他人对API误用的修复。我们基于三个数据集评估了更改规则检测API误用的能力,并发现最佳平均相对精度(即,对于可测试的用途)范围从77.1%到96.1%,而对于单个更改规则,平均召回率范围从0.007%到17.7%。这些结果表明,ChaRLI和我们的误用检测是对现有API误用检测器的有益补充。
2022-07-14 cs.SE
Don't Reinvent the Wheel: Towards Automatic Replacement of Custom Implementations with APIs
重用代码是软件开发中的一种常见做法:它可以帮助开发人员加速实现任务,同时还可以减少引入错误的机会,假设重用的代码已经过测试,可能在生产中。尽管有这些好处,但重用的机会并不总是显而易见的,因此开发人员可能会错过它们。我们提出了构建RETIWA的初步步骤,RETIWA是一个推荐器,能够自动识别给定项目中的自定义实现,这些实现是被开源API取代的良好候选者。RETIWA依赖于一个由自定义实现到API替换的真实示例组成的“知识库”。在这项工作中,我们提出了我们定制的挖掘策略,以自动可靠地从开源项目中提取API自定义实现的替代品。这是构建预期推荐器的第一步。
2022-08-16 cs.SE
From API to NLI: A New Interface for Library Reuse
开发人员经常重用现有库中的API来实现某些功能。然而,学习API是困难的,因为它们的规模和复杂性。在本文中,我们设计了一个抽象的框架NLI2Code,以减轻重用过程。在该框架下,用户可以使用高级的自动生成的NLI(自然语言接口)而不是详细的API元素来重用库功能。该框架由三个组件组成:一个功能特征提取器,以自然语言的形式总结经常使用的库函数,一个代码模式挖掘器,为每个功能特征提供一个代码模板,和一个合成器,以完成代码模式到良好类型的片段。从用户的角度来看,NLI2Code下的重用任务从选择功能特性开始,我们的框架将指导用户合成所需的解决方案。我们将框架实例化为重用Java库的工具。评估表明,我们的工具可以生成一个高质量的自然语言界面,并节省了一半的编码时间为新人解决现实世界的编程任务。
2020-07-07 cs.SE
Why and How Java Developers Break APIs
现代软件开发依赖于API来重用代码并提高生产力。与大多数软件系统一样,这些库和框架也会发展,这可能会破坏现有的客户端。然而,在API中引入突破性变化的主要原因尚不清楚。因此,在本文中,我们报告了一个近4个月的长期实地研究的结果与400个流行的Java库和框架的开发人员。我们配置了一个基础设施来观察这些库中的所有更改,并在代码中引入这些更改后不久检测出破坏性更改。在确定了突破性的更改之后,我们要求开发人员解释他们决定更改API的原因。在研究过程中,我们确定了59个突破性的变化,并得到了19个项目开发人员的确认。通过分析开发人员的回答,我们报告说,突破性的变化主要是出于实现新功能的需要,希望使API更简单,元素更少,并提高可维护性。最后,我们提供建议,语言设计者,工具建设者,软件工程研究人员和API开发。
2018-01-16 cs.SE
Towards Using Package Centrality Trend to Identify Packages in Decline
由于其日益增加的复杂性,今天的软件系统经常通过利用库和包形式的可重用代码来构建。软件生态系统(例如,npm)是这种代码重用的主要推动者,为开发人员提供了一个共享自己代码和使用他人代码的平台。这些生态系统发展迅速:开发人员每天都添加新的软件包来解决新的问题或提供替代的解决方案,导致过时的软件包对社区的重要性下降。开发人员应该避免依赖于下降的包,因为随着时间的推移,这些包的重用率越来越低,维护频率也越来越低。然而,当前流行度度量(例如,Stars和Downloads)不适合向开发人员提供这些信息,因为它们的语义不能恰当地捕捉社区兴趣的变化。在本文中,我们提出了一种可扩展的方法,使用包在生态系统中的中心地位来识别下降的包。我们使用npm生态系统评估了我们的方法,并表明随着时间的推移,中心性的趋势可以正确区分ROC-AUC为0.9的软件包。该方法可以捕获87%的软件包下降,平均18个月前的趋势显示在目前使用的软件包流行度指标。我们在一个工具中实现了这种方法,该工具可用于增强npm指标,并帮助开发人员在重用npm中的包时避免包下降。
2021-10-19 cs.SE
An Empirical Study on the Bugs Found while Reusing Pre-trained Natural Language Processing Models
在NLP中,重用预先训练的模型而不是从头开始训练已经越来越流行;然而,NLP模型大多是黑盒子,非常大,并且通常需要大量资源。为了方便,使用大型语料库训练的模型可以使用,开发人员可以将它们重用于不同的问题。相比之下,开发人员大多从零开始构建他们的模型来解决传统的DL相关问题。通过这样做,他们可以控制算法的选择,数据处理,模型结构,调整超参数等,而在NLP中,由于预训练模型的重用,NLP开发人员对这些设计决策的控制很少或没有。他们对预先训练好的模型应用调优或迁移学习来满足他们的要求。此外,NLP模型及其相应的数据集明显大于传统的DL模型,需要大量的计算。这样的原因往往会导致系统中的错误,同时重用预先训练的模型。虽然传统深度学习软件中的错误已经被深入研究,但广泛重用和黑盒结构的本质促使我们了解重用NLP模型时发生的不同类型的错误。这些bug的根本原因是什么?这些bug是如何影响系统的?为了回答这些问题,我们研究了在重用11个流行的NLP模型时报告的错误。我们从GitHub存储库中挖掘了9,214个问题,并确定了984个bug。我们创建了一个包含bug类型、根本原因和影响的分类法。我们的观察得出了几个发现,包括对模型内部的访问有限导致缺乏鲁棒性,缺乏输入验证导致算法和数据偏差的传播,以及高资源消耗导致更多崩溃等。我们的观察结果表明了几个错误模式,这将大大有助于进一步减少预训练模型和代码重用…
2022-11-30 cs.SE
Enhancing Software Development Process (ESDP) using Data Mining Integrated Environment
如今,重用现有的应用程序编程接口(API)、类库和框架已成为快速软件开发的基本需求。软件开发人员经常通过调用相应的API或库来重用它。但在这样做的时候,开发人员在搜索适当的代码段时通常会遇到不同的问题。在大多数情况下,API和库是复杂的,没有良好的结构或良好的文档记录。在线搜索引擎的搜索耗时长,但匹配的相关性不高,表示性不好。为了根据查询获得建议,我们可以使用搜索引擎或代码搜索引擎在线找到该片段。在某些情况下,依赖于数据库的搜索和基于远程Web服务器的挖掘存储库搜索给开发人员带来了问题。在代码搜索引擎上查找API建议通常会处理超大文件,最终会减慢软件开发过程。我们在整个工作过程中一直在寻找解决办法,并努力取得更好的结果。作为替代行动,我们已经实施了一个系统,我们称之为增强软件开发过程(ESDP)工具,该工具能够为开发人员提供一个高效的集成环境,更好地抽象和表示搜索结果,程序员需要从源代码中派生。我们还构建并应用了一个基于XML的丰富存储库,以从客户端的挖掘存储库中获得推荐,而无需与依赖于互联网的服务器进行交互,以节省复杂性和时间。我们使用基于图的表示为程序员或开发人员提供最相关的代码框架或映射。
2020-05-06 cs.SE
Refactoring for Reuse: An Empirical Study
重构是优化软件健康的实际实践。虽然一些研究提出了重构策略,通过应用设计模式和删除设计缺陷来优化软件设计,但很少有人知道开发人员实际上如何重构代码以提高其重用性。因此,我们从1,828个开源项目中提取了一组旨在提高软件可重用性的重构。我们分析了可重用性重构对最先进的可重用性度量的影响,并比较了可重用性重构类型的分布,以及其余主流重构的分布。总的来说,我们发现在可重用性的上下文中应用的重构类型的分布与主流开发中重构类型的分布不同。在为提高可重用性而执行的重构中,源文件受到更多设计级别类型的重构的影响。可重用性重构会显著影响高级代码元素,如包、类和方法,而典型的重构会影响所有代码元素,包括标识符和参数。这些发现提供了实际的见解,目前的重构实践中的代码重用的背景下,涉及重构的行为。
2021-11-13 cs.SE
Augmenting Machine Learning with Information Retrieval to Recommend Real Cloned Code Methods for Code Completion
软件开发人员经常重用存储库中的源代码,因为它节省了开发时间和精力。因此,在这些存储库中积累的代码克隆通常代表重复的功能,并且是在探索性或快速开发中重用的候选者。在以前的工作中,我们介绍了DeepClone,这是一种深度神经网络模型,通过在BigCloneBench数据集上微调GPT-2模型来训练,以预测代码克隆方法。DeepClone输出生成的概率性质可能导致语法和逻辑错误,需要手动编辑输出以进行最终重用。在本文中,我们提出了一种新的方法,在DeepClone输出之上应用信息检索(IR)技术,以推荐与预测输出紧密匹配的真实克隆方法。我们已经定量评估了我们的策略,表明所提出的方法显着提高了推荐的质量。
2020-10-02 cs.SE
Sourcerer's Apprentice and the study of code snippet migration
在万维网上,不仅网页是连接的,源代码也是。软件开发正变得越来越容易为每个人所用,而软件的许可证仍然很复杂。我们需要知道软件许可证在其重用和发展过程中是否得到了正确的维护。这激发了Sourcer's Apprentice的开发,这是一个帮助跟踪克隆重新授权的网络服务,因为软件通常使用软件许可证来描述其软件的使用和改编方式。但大多数开发人员不具备解决许可证冲突的法律专业知识。在本文中,我们让Apprentice进行了实证研究,证明StackOverflow代码和Python模块以及Python文档之间存在大量共享,这违反了原始Python模块和文档的许可:通过StackOverflow共享的软件片段经常被不正确地重新许可到CC-BY-SA 3.0,而没有保持适当的属性。我们发现,StackOverflow上的许多片段被StackOverflow用户不适当地重新授权,危及重用StackOverflow片段的公司和开发人员构建的软件的状态。
2018-07-31 cs.SE
Cherry-Picking of Code Commits in Long-Running, Multi-release Software
本文介绍了Tartarian,一个工具,支持维护软件的长期运行,多发布分支的分布式版本控制系统。当新的维护代码(如错误修复和代码改进)提交到分支中时,这些代码可能会应用于其他分支或与其他分支重用。要做到这一点,开发人员可以手动识别一个提交并进行挑选。Tartarian可以通过提供提交主题标签来支持此活动,开发人员在提交代码时将其用作元数据来指定他们的意图。有了这些标签,Tartarian使用依赖关系图(dependency graph)和分支标识符(Branch Identifier)来识别提交的适用分支,依赖关系图表示分支的依赖关系约束,分支标识符将提交主题标签与依赖关系图匹配。使用Tartarian,开发人员可以更有效地维护多个版本的软件。
2017-08-08 cs.SE
The role of library versions in Developer-ChatGPT conversations
本研究通过分析含4000多条交互的DevGPT数据集,发现开发者与ChatGPT的代码对话中仅9%提及库版本约束,且多由用户提出,同时定性识别出相关潜在问题。
2024-01-29 cs.SE
APIzation: Generating Reusable APIs from StackOverflow Code Snippets
像StackOverflow这样的开发者论坛已经成为现代软件开发实践的重要资源。然而,许多代码片段缺乏定义良好的方法声明,因此它们通常不完整,无法立即重用。开发人员必须通过参数化所涉及的变量并标识返回值来调整检索到的代码片段。这个活动,我们称之为代码段的API化,可能是乏味和耗时的。在本文中,我们提出了APIzator自动执行的Java代码片段的APIzations。APIzator基于我们通过研究GitHub中的真实APIzations提取的四种常见模式。APIzator提供了一种静态分析算法,可以自动提取方法参数和返回语句。我们使用从20个开发人员收集的200个APIzations的地面事实来评估APIzator。对于113个(56.50%)和115个(57.50%)APIzation,APIzator和开发人员分别提取了相同的参数和返回语句。对于163个(81.50%)API,参数或返回语句相同。
2021-09-02 cs.SE
A Global Author-Identity Map for the World of Code:62.7M Developer Identities from 106.8M Author Strings over 5.87B Commits
University of Tennessee, Knoxville(田纳西大学诺克斯维尔分校)
研究全球软件仓库作者身份映射难题,提出含四个工件的方法,构建无巨型集群映射,提高人工身份提交覆盖率,揭示聚类问题及映射精度真相,与黄金集对比有一定召回率和精度,工件随版本发布。
2026-07-08 cs.SE
Code Duplication and Reuse in Jupyter Notebooks
复制自己的代码可以更快地编写软件。这种便利对于计算笔记本的用户特别有价值。复制功能允许笔记本用户快速检验假设并覆盖数据。在本文中,我们探讨了多少,如何以及从哪里发生的代码重复计算笔记本电脑,并确定潜在的障碍代码重用。以前在计算笔记本领域的工作描述了开发人员重用和重复的动机,但没有显示重用发生了多少,或者他们在重用代码时面临哪些障碍。为了解决这一差距,我们首先分析了GitHub存储库中包含在存储库的笔记本中的代码重复,然后进行了一项代码重用的观察性用户研究,参与者使用笔记本解决了特定任务。我们的研究结果表明,在我们的样本库有一个平均的自我复制率为7.6%。然而,在我们的用户研究中,很少有参与者复制自己的代码,他们更喜欢重用来自在线资源的代码。
2020-05-27 cs.HC cs.SE
Wired for Reuse: Automating Context-Aware Code Adaptation in IDEs via LLM-Based Agent
School of Computer Science and Technology, Beijing Institute of Technology(北京理工大学计算机科学与技术学院);College of Intelligence and Computing, Tianjin University(天津大学智能与计算学部)
本文提出基于 LLM 的 IDE 智能体 WIRL,将代码接线建模为 RAG 填空任务,结合规则、工具与状态机完成未解析变量的上下文替换,显著优于先进 LLM 和 IntelliJ IDEA。
2025-10-04 cs.SE
Apples, Oranges & Fruits -- Understanding Similarity of Software Projects Through The Lens of Dissimilar Artifacts
开源项目的日益增长的可用性促进了开发人员重用现有的软件工件并利用它们开发新软件。然而,很难理解相似性的概念,因为它因开发人员而异。有些开发人员可能会搜索具有类似源代码的存储库,而有些开发人员可能会搜索具有类似需求或问题的存储库。现有的方法倾向于通过比较类似的工件来找到类似的项目,例如源代码与源代码,API使用与API使用,文档与文档等。即使两个类似的工件之间存在差异,两个不同的工件之间也可能存在相似性。因此,在本文中,我们的目标是回答这个问题-我们可以通过不同的工件找到软件存储库的相似性吗?为此,我们进行了一个实验,以找到三个存储库之间的相似之处,两个类似的项目和一个不同的项目比较相似和不同的工件(文档,提交和源代码)。我们观察到了不同工件之间的相似性,例如在相似和不同存储库的上下文中的提交、源代码和自述文件。
2021-03-02 cs.SE
Code2API: A Tool for Generating Reusable APIs from Stack Overflow Code Snippets
针对Stack Overflow代码片段无法直接测试复用的问题,提出Chrome扩展Code2API,利用LLMs的思维链推理和少样本学习自动将其转换为可调用API,评估显示其显著优于基于规则的方法。
2025-04-19 cs.SE
The Design Space of Lockfiles Across Package Managers
Université de Montréal(蒙特利尔大学);KTH Royal Institute of Technology(瑞典皇家理工学院)
本文研究了7种流行包管理器的锁文件设计,通过访谈揭示开发者在使用锁文件时的挑战,并提出改进建议以提升开发体验。
2025-10-27 cs.SE
Where to Go Now? Finding Alternatives for Declining Packages in the npm Ecosystem
本文提出一种基于 npm 生态中真实依赖迁移模式的方法,自动识别衰退软件包并推荐替代方案,实验显示替代建议准确率达 96%,且获 67% 专业 JavaScript 开发者认可。
2023-08-16 cs.SE
AndroLibZoo: A Reliable Dataset of Libraries Based on Software Dependency Analysis
针对静态分析中库白名单不可靠的问题,提出自动化方法生成准确且最新的第三方库数据集 AndroLibZoo,含 34,813 个库,供社区使用。
2024-02-09 cs.SE
Tales from the Git: Automating the detection of secrets on code and assessing developers' passwords choices
本研究通过爬取公共 GitHub 代码库中数百万个密码,首次调查了开发者在不同编程语言和上下文下的密码选择特质,发现开发者倾向于使用更安全的密码,但仍需加强明文密码泄露的安全意识。
2023-07-03 cs.CR cs.SE
Code Search: A Survey of Techniques for Finding Code
大量的源代码在软件开发过程中提供了大量的挑战和机会。为了处理代码库的大小,开发人员通常搜索代码,例如,当试图找到实现特定功能的位置或寻找要重用的代码示例时。为了支持开发者找到相关代码,已经提出了各种代码搜索引擎。本文回顾了30年来对代码搜索的研究,全面概述了挑战和解决这些挑战的技术。我们讨论了代码搜索引擎支持的查询类型,如何预处理和扩展查询,索引和检索代码的不同技术,以及排名和修剪搜索结果的方法。此外,我们描述了代码搜索在实践中的实证研究。基于对以前工作的讨论,我们总结了未来要解决的挑战和机遇的轮廓。
2022-10-05 cs.SE
More Code, Less Reuse: Investigating Code Quality and Reviewer Sentiment towards AI-generated Pull Requests
Institute of Science Tokyo(东京科学研究所);Nara Institute of Science and Technology(奈良科学技術大學);Ritsumeikan University(立命館大學);Kyushu University(九州大學);University of British Columbia(不列颠哥伦比亚大學)
本研究调查了AI生成的拉取请求在代码质量和审查员情绪方面的表现,发现AI生成代码存在冗余问题,但审查员对其情绪更中性或积极,揭示了人机协作中的技术债务积累问题。
2026-01-29 cs.AI cs.HC cs.SE
One-off Events? An Empirical Study of Hackathon Code Creation and Reuse
背景:黑客松已经成为团队合作项目和开发软件原型的热门活动。大多数现有的研究集中在事件期间的活动,对黑客代码的演变关注有限。目的:我们的目标是了解在黑客攻击事件中使用和创建的代码的演变,特别关注代码blob,具体来说,黑客攻击团队重用已有代码的频率,他们开发了多少新代码,如果代码在之后被重用,以及影响重用的因素。方法:我们从DevPost收集了22,183个黑客项目的信息,并从World of Code获得了相关的代码blob、作者、项目特征、原作者、代码创建时间、语言和大小信息。我们通过识别所有包含在黑客马拉松期间创建的blob的提交并识别所有包含这些提交的项目来跟踪代码blob的重用。我们还进行了一系列的调查,以更深入地了解黑客代码的演变,我们发送给黑客参与者的代码被重用,其代码没有被重用,以及重用一些黑客代码的开发人员。测试结果:在hacksons仓库中,9.14%的代码blob和8%的代码行(codelines)是在hacksons中创建的,大约三分之一的hacksons代码在其他项目中被blob和codelines重用。相关技术的数量和黑客松参与者的数量增加了重用概率。结论:我们的研究结果表明,黑客马拉松并不总是像常识所指示的那样是“一次性”的事件,它们可以作为这一领域进一步研究的起点。
2022-07-03 cs.CY cs.SE
Evolving with AI: A Longitudinal Analysis of Developer Logs
JetBrains Research(JetBrains 研究);University of California, Irvine(加州大学尔湾分校);JetBrains
研究通过纵向数据和调查分析AI对开发者日常编码实践的长期影响,发现AI使用提高了代码产出但也增加了删除量,同时开发者报告生产力提升但其他维度变化不明显。
2026-03-30 cs.HC cs.SE
On the Possibility of Breaking Copyleft Licenses When Reusing Code Generated by ChatGPT
本文通过大规模实验(生成超7万个方法实现)研究ChatGPT推荐代码时复现copyleft代码的风险,发现增大上下文会提高复现概率,而提高温度参数可缓解该问题。
2025-02-07 cs.SE
A Model-Driven Engineering Approach for ROS using Ontological Semantics
FZI Research Center for Information Technology(FZI信息技术研究中心);fortiss GmbH(福蒂斯有限公司);Fraunhofer Institute for Manufacturing Engineering and Automation (IPA)(弗劳恩霍夫制造工程与自动化研究所(IPA))
本文提出了一种新的本体驱动的软件工程方法,用于工业机器人控制软件的开发。它介绍了ReApp架构,该架构将模型驱动工程与语义技术相结合,以促进基于ROS的组件和应用程序的开发和重用。在ReApp中,我们展示了硬件、软件和功能的不同本体分类系统如何帮助开发人员为他们的任务发现合适的软件组件,并正确地应用它们。所提出的模型驱动工具使开发人员能够在更高的抽象级别上工作,并促进自动代码生成。它以本体为基础,以最大限度地减少开发工作流中的不连续性,并提供一个集成的开发环境,为用户提供无缝的界面。第一个结果表明,在搜索或开发软件时,考虑到重用的可行性和所选的方法的协同作用。
2016-01-15 cs.RO cs.SE
PatchTrack: A Comprehensive Analysis of ChatGPT's Influence on Pull Request Outcomes
University of Nevada Las Vegas(内华达大学拉斯维加斯分校)
研究分析了338个包含ChatGPT使用的拉取请求,发现ChatGPT生成的代码被完全采用的比例仅为25%,开发者通常将AI输出作为起点进行调整和迭代,影响不仅限于代码生成,还涉及协作流程中的决策过程。
2026-04-04 cs.SE
An empirical study of ChatGPT-3.5 on question answering and code maintenance
本研究通过问答质量对比、开发者偏好调研、代码维护任务测试三类实验,系统评估ChatGPT在技术问答与软件维护场景下的能力,为行业应用提供参考。
2023-10-03 cs.SE
Session-based Social and Dependency-aware Software Recommendation
随着现代软件复杂性的增加,社会化协作编码和开源软件包复用越来越普遍,从而大大提高了开发效率和软件质量。但是,开放源码软件包的爆炸式增长使开发人员面临信息超载的挑战。虽然这可以通过传统的推荐系统来解决,但是它们通常不考虑社交编码的特定约束,例如开发者之间的社交影响和软件包之间的依赖关系。在本文中,我们的目标是建立模型的动态利益的开发者与社会影响和依赖约束,并提出了基于会话的社会和依赖意识的软件推荐(SSDRec)模型。该模型将递归神经网络(RNN)和图注意力网络(GAT)集成到一个统一的框架中。一个RNN被用来模拟开发人员在每个会话中的短期动态兴趣,两个GAT被用来分别捕获来自朋友的社会影响和来自依赖软件包的依赖约束。在真实世界的数据集上进行了大量的实验,结果表明,我们的模型显着优于竞争对手的基线。
2022-03-08 cs.IR cs.SE
Faster or Slower? Performance Mystery of Python Idioms Unveiled with Empirical Evidence
Python习惯用法在Python开发人员中很受欢迎,在Stack Overflow上对101个与Python习惯用法有关的性能问题进行的形成性研究中,我们发现开发人员经常对Python习惯用法的性能影响感到困惑,并使用轶事玩具代码或依赖于个人项目经验,这在性能结果中往往是矛盾的。一直没有大规模的,系统的经验证据来调和这些性能的争论。在本文中,我们创建了一个大型的合成数据集,其中包含24,126对非惯用和功能等效的惯用代码,用于Zhang等人确定的9种独特的Python惯用法,本文提出了一种可靠的性能度量方法,比较了惯用代码与非惯用代码的性能提升或降低,分析了合成代码与真实项目代码之间的性能差异、代码特征与性能变化之间的关系以及字节码级别性能变化的根本原因。我们总结了我们的发现,作为使用Python习惯用法的一些可操作的建议。
2023-01-30 cs.SE
Mining unit test cases to synthesize API usage examples
软件开发人员研究和重用现有的源代码,以了解如何正确使用应用程序编程接口(API)。然而,手动为给定API找到足够的代码示例是一项困难且耗时的活动。查找或生成示例的现有方法假定使用API的合理客户端代码集可用。这个假设不适用于新发布的API库,非广泛使用的API,也不适用于私有API。在这项工作中,我们重用了测试代码中自然存在的重要信息,以避免在其他客户端代码源不可用时缺乏API的使用示例。我们提出了一种自动识别每个单元测试用例中最具代表性的API使用的方法。然后,我们开发了一种方法来合成API使用的例子,通过提取相关的语句,代表这样的API的使用。我们比较了我们的方法的原型实现的输出,人类编写的例子和国家的最先进的方法。所获得的结果是令人鼓舞的,与我们的方法自动生成的例子是优于国家的最先进的方法和高度相似的手动构造的例子。
2022-07-30 cs.SE
Analyzing and Supporting Adaptation of Online Code Examples
开发人员经常求助于在线Q&A论坛,如Stack Overflow(SO),以满足他们的编程需求。虽然这些论坛上的代码示例是很好的起点,但它们通常不完整,不适合开发人员的本地程序上下文;对这些示例进行改编是将其集成到生产代码中所必需的。因此,改编在线代码示例的过程是由多个开发人员独立地一遍又一遍地完成的。我们的工作广泛地研究了这些适应性和变化,作为一个工具,帮助集成这些在线代码的例子在一个目标上下文中的交互式方式的基础。我们进行了大规模的实证研究的性质和程度的适应和变化的SO片段。我们基于克隆检测、时间戳分析和显式URL引用构建了一个将SO帖子与GitHub对应帖子联系起来的综合数据集。然后,我们定性地检查了400个SO示例及其GitHub对应项,并开发了24种适应类型的分类法。使用这种分类法,我们在GumTree之上构建了一个自动适应分析技术,将整个数据集分类为这些类型。我们构建了一个名为ExampleStack的Chrome扩展,它可以自动从每个SO示例及其GitHub对应项中提取一个适应感知模板,以识别发生大多数更改的热点。一项针对16名程序员的用户研究表明,看到类似GitHub对应程序的共性和差异,增加了他们对给定SO示例的信心,并帮助他们更全面地了解如何以不同的方式重用示例,避免常见的陷阱。
2019-05-28 cs.SE
Too Quiet in the Library: An Empirical Study of Security Updates in Android Apps' Native Code
Android应用包含第三方原生库,以提高性能和重用功能。原生代码通过Java原生接口或Android原生开发工具包直接从应用执行。Android开发人员将预编译的原生库添加到他们的项目中,以启用它们的使用。不幸的是,开发人员经常努力或干脆忽视及时更新这些库。这导致在补丁可用多年后,仍继续使用过时的本机库,这些本机库具有未修补的安全漏洞。为了进一步了解这种现象,我们研究了9月10日以来Google Play上最受欢迎的200个免费应用程序中原生库的安全更新。2013年至2020年5月。我们在这项研究中面临的一个核心困难是图书馆及其版本的识别。开发人员经常重命名或修改库,使其识别具有挑战性。我们创建了一种名为LibRARIAN(LibRAry veRsion IdentificAtioN)的方法,该方法基于我们新颖的相似性度量bin 2sim准确识别Android应用中的原生库及其版本。LibRARIAN利用了基于元数据从库中提取的不同特征,并在只读部分中识别字符串。我们发现,在2009年9月20日至2011年9月30日期间,200个流行应用程序中有53个(26.5%)存在已知CVE的易受攻击版本。2013年和2020年5月,其中14个应用程序仍然存在漏洞。我们发现,应用程序开发人员平均需要528.71天来应用安全补丁,而库开发人员在54.59天后发布安全补丁-更新速度慢了10倍。
2021-03-03 cs.CR cs.SE
An Empirical Study of C++ Vulnerabilities in Crowd-Sourced Code Examples
软件开发人员在像Stack Overflow这样的问答网站上分享编程解决方案。众包代码片段的重用可以促进快速原型设计。然而,最近的研究表明,共享的代码段可能质量较低,甚至可能包含漏洞。本文旨在了解众包代码示例中安全漏洞的性质和流行程度。为了实现这一目标,我们调查了10年来在Stack Overflow上共享的C++代码片段中的安全漏洞。在涉及多个人类编码员的协作会话中,我们根据CWE(常见弱点枚举)指南手动评估每个代码片段的安全漏洞。从GitHub上至少一个项目中使用的72,483个代码片段中,我们发现了69个易受攻击的代码片段,分为29种类型。许多被调查的代码片段仍然没有在Stack Overflow上得到纠正。在Stack Overflow中发现的69个易受攻击的代码片段在总共2859个GitHub项目中被重复使用。为了帮助提高在Stack Overflow上共享的代码段的质量,我们开发了一个浏览器扩展,允许Stack Overflow用户在将代码段上传到平台时检查代码段中的漏洞。
2021-01-19 cs.SE
CSRS: Code Search with Relevance Matching and Semantic Matching
在软件开发过程中,开发人员经常搜索和重用现有的代码片段。代码搜索旨在根据开发人员输入的自然语言查询从代码库中检索相关代码段。到目前为止,研究人员已经提出了基于信息检索(IR)的方法和基于深度学习(DL)的方法。基于IR的方法专注于关键字匹配,即通过查询和代码片段之间的相关性对代码进行排名,而基于DL的方法专注于捕获语义相关性。然而,现有的方法没有考虑同时捕获两个匹配信号。因此,在本文中,我们提出了CSRS,一个代码搜索模型的相关性匹配和语义匹配。CSRS包括(1)包含不同大小的卷积核的嵌入模块,其可以提取查询和代码的n-gram嵌入,(2)测量词汇匹配信号的相关性匹配模块,以及(3)捕获语义相关性的基于共同注意的语义匹配模块。我们训练和评估CSRS的数据集与18.22米和10 k代码片段。实验结果表明,CSRS实现了0.614的MRR,比两个最先进的模型DeepCS和CARLCS-CNN分别高出33.77%和18.53%。此外,我们还进行了几个实验,以证明CSRS的每个组成部分的有效性。
2022-04-27 cs.SE
Using the TypeScript compiler to fix erroneous Node.js snippets
针对在线Node.js代码片段错误多、复用难的问题,提出结合TypeScript编译器、内置修复、定制修复及删错行的NCC方法,能检测更多错误且修复效率更高,可大幅降低NPM文档代码错误率。
2023-08-23 cs.SE
Promises and Perils of Mining Software Package Ecosystem Data
本文综述了挖掘软件包生态系统数据的承诺与风险,探讨了依赖网络获取、边界界定、未使用依赖检测、开发者识别等挑战,并强调了跨语言泛化问题。
2023-05-29 cs.SE
SE Factual Knowledge in Frozen Giant Code Model: A Study on FQN and its Retrieval
预训练的巨型代码模型(PCM)开始进入开发人员的日常实践。了解什么类型的软件知识以及有多少软件知识被打包到PCM中是将PCM纳入软件工程(SE)任务并充分释放其潜力的基础。在这项工作中,我们对最先进的PCM CoPilot中的SE事实知识进行了第一次系统研究,重点是API的完全限定名称(FullyQualified Names,缩写为FKN),这是有效代码分析,搜索和重用的基础知识。在CSDN数据分布特性的驱动下,我们在Copilot上设计了一种新的轻量级上下文学习来进行CSDN推理,它不需要像传统方法那样进行代码编译,也不需要最近的CSDN调优来进行梯度更新.我们系统地实验了五个情境学习设计因素,以确定开发人员在实践中可以采用的最佳上下文学习配置。有了这个最佳的配置,我们调查的数量的例子提示和CNON数据属性对Copilot的CNON推理能力的影响。我们的研究结果证实,Copilot存储不同的CNON知识,并可以应用于CNON推理,由于其高推理精度和不依赖于代码分析。根据我们与Copilot互动的经验,我们讨论了在CNON推理任务中改善人类与CoPilot互动的各种机会。
2022-12-16 cs.SE
V2: Fast Detection of Configuration Drift in Python
代码片段很普遍,但很难重用,因为它们通常缺乏相应的环境配置。大多数都不是主动维护的,随着时间的推移,代码片段会过时,从而导致最新可能的配置和代码片段之间出现漂移。最近的工作已经将验证和检测过期代码片段的问题确定为代码重用的最重要考虑因素。然而,确定一个片段是否正确,但只是过时,是一个不平凡的任务。在最好的情况下,破坏性的更改都有很好的文档记录,允许开发人员手动确定代码段何时包含过时的API用法。在最坏的情况下,确定是否以及何时进行了破坏性更改需要对以前的依赖项版本进行详尽的搜索。我们提出了V2,这是一种通过检测配置漂移的离散实例来确定代码片段是否过时的策略,其中代码片段使用的API已经发生了重大变化。配置漂移的每个实例根据验证期间遇到的故障和配置补丁进行分类,配置补丁由依赖版本更改组成,用于修复底层故障。V2使用反馈导向搜索来探索代码片段的可能配置空间,减少了需要验证的潜在环境配置的数量。当运行在之前研究的公共Python片段语料库上时,V2识别出248个配置漂移实例。
2019-09-13 cs.SE