Revisiting Abstractions for Software Architecture and Tools to Support Them
本文回顾了1995年关于软件架构抽象的论文,将其置于软件开发抽象能力增强的历史背景中,反思其影响,并探讨该抽象识别策略在当前架构思想与挑战中的适用性。
2025-03-06 cs.SE
Revisiting Sentiment Analysis for Software Engineering in the Era of Large Language Models
Singapore Management University(新加坡国立大学)
本文研究了大规模语言模型在解决软件工程任务中标注数据不足问题的效果,比较了大模型与微调小模型在零样本和少样本场景下的表现。
2024-09-07 cs.SE
Docker Does Not Guarantee Reproducibility
Télécom Paris, Institut Polytechnique de Paris(巴黎电信学院,巴黎理工学院)
本文通过文献综述和实证研究,评估 Docker 镜像的实际可重现性,并探讨最佳实践的有效性。
2026-01-19 cs.SE
Revisiting reopened bugs in open source software systems
重新打开的bug会降低软件系统的整体质量,因为它们需要开发人员进行不必要的返工。此外,重新打开的错误也会导致最终用户对软件质量的信任丧失。因此,预测可能重新打开的错误对于软件开发人员避免返工非常有帮助。先前关于重新开放的错误预测的研究只关注三个开源项目(即,Apache、Eclipse和OpenOffice)来生成见解。我们注意到,三个项目中有一个(即,Apache)有一个数据泄漏问题--重新打开的错误状态被包括在训练数据中,以预测重新打开的错误。此外,先前的研究使用过时的预测模型管道(即,利用构建预测模型的旧技术)来预测重新打开的错误。因此,我们重新开放的错误研究的一个大规模的数据集,包括47个项目跟踪JIRA使用现代技术,如SMOTE,排列重要性与7个不同的机器学习模型。我们使用混合方法(即,定量和定性研究)。我们发现:1)在使用更新后重新开放的bug预测模型管道后,只有34%的项目给出了AUC >= 0.7的可接受性能。2)有四个主要原因导致bug被重新打开,即技术原因(即,补丁/集成问题),文档,人(即,由于错误评估),以及错误报告中未显示的原因。3)在具有可接受AUC的项目中,94%的重新打开的bug是由于补丁问题(即,使用了不正确的补丁)。我们的研究重新开放的错误,并提供了新的见解开发人员的错误重开活动。
2022-02-17 cs.SE
Revisiting the Impact of Dependency Network Metrics on Software Defect Prediction
通过应用社会网络分析(SNA度量)从软件模块的依赖图中提取软件依赖网络度量,已被证明可以提高软件缺陷预测(SDP)模型的性能。然而,这些SNA指标在提高SDP模型性能方面相对于代码指标的相对有效性一直受到广泛讨论,没有明确的共识。此外,一些常见的SDP场景,如预测跨版本和跨项目SDP上下文中的模块中的缺陷数量(缺陷计数)仍然没有探索。与广泛使用的代码度量相比,SNA度量的有效性缺乏明确的指导,这使我们无法构建性能更好的SDP模型。因此,通过对30个版本的9个开源软件项目的案例研究,我们研究了SNA指标与3个常用SDP上下文(项目内,跨版本和跨项目)和场景(缺陷计数,缺陷分类(如果模块有缺陷,则进行分类)和工作量感知(将缺陷模块排名为所涉及的工作量))的代码指标相比的相对有效性。我们发现SNA度量本身或与代码度量一起提高了SDP模型的性能,而不仅仅是在9个研究的SDP场景中的5个场景(三个SDP场景,三个SDP上下文)上使用代码度量。然而,我们注意到,在某些情况下,通过考虑SNA度量或与代码度量一起考虑SNA度量所提供的改进可能只是微不足道的,而在其他情况下,改进可能是巨大的。基于这些研究结果,我们建议未来的工作应该:考虑SNA度量在其SDP模型中的代码度量;以及考虑自我度量和全局度量,这两种不同类型的SNA度量在训练SDP模型时分开,因为它们的行为不同。
2022-02-12 cs.SE
Unleashing the Power of Sound: Revisiting the Physics of Notations for Modelling with auditory symbols
本文借鉴Moody视觉符号学“物理学”理论,提出一套面向软件建模工具的声音符号设计原则,并基于UML构建声音目录,通过实证研究验证其有效性,为声音在建模中的进一步应用奠定基础。
2023-04-17 cs.SE
Revisiting Aristotle vs. Ringelmann: The influence of biases on measuring productivity in Open Source software development
本文通过复现苏黎世联邦理工学院两个团队关于开源软件生产力与团队规模关系的研究,发现抽样偏差只能部分解释其相反结论,仪器偏差才是造成差异的主要原因。
2024-08-08 cs.SE
Revisiting Vulnerability Patch Localization: An Empirical Study and LLM-Based Solution
Zhejiang University(浙江大学);Hangzhou City University(杭州城市大学)
针对漏洞补丁定位难题,本文通过实证研究总结四项关键洞见,并提出结合版本驱动候选过滤与 LLM 多轮对话投票的两阶段框架,在 750 个真实漏洞上验证其优于现有方法。
2025-09-28 cs.SE
Revisiting the size effect in software fault prediction models
背景技术背景:在面向对象(OO)的软件系统中,类大小已被公认为具有一定的工件特性,通过度量捕获,和故障倾向之间的关系的间接影响,因此,它是建议在设计故障预测模型时,控制大小。目的:使用强大的统计方法,以评估是否有证据表明任何真正的影响,类的大小对故障预测模型。方法:我们研究了潜在的调解和适度的影响类大小之间的关系面向对象的指标和故障数。我们采用回归分析和基于自举的方法来研究两个广泛使用的数据集,包括17个系统的中介和缓和效果。结果:我们没有发现有力的证据表明,一个显着的中介或适度的影响类的大小之间的关系OO指标和故障。特别是,大小似乎有一个更显着的中介效果CBO和扇出比其他指标,虽然证据是不一致的,在所有检查系统。另一方面,大小似乎有一个显着的调节作用,WMC和CBO在大多数的系统检查。再次,所提供的证据是不一致的,在所有检查的系统结论:我们无法确认类的大小有一个显着的中介或适度的影响OO指标和故障的数量之间的关系。我们认为,类大小并不能完全解释OO指标和故障数量之间的关系,它并不总是影响这些关系的强度/幅度。我们建议研究人员在构建预测模型时考虑班级规模的潜在中介和调节效应,但这应该针对每个系统进行独立检查。
2021-04-26 cs.SE
Revisiting Software Engineering Education in the Era of Large Language Models: A Curriculum Adaptation and Academic Integrity Framework
本文提出一个理论框架,分析生成式AI如何改变软件工程能力,并推动教育模式向过程透明度转变,以应对大语言模型时代教育与实践的不匹配问题。
2026-01-18 cs.AI cs.SE
Revisiting Hyper-Parameter Tuning for Search-based Test Data Generation
基于搜索的软件测试(SBST)是近年来研究较多的一种测试方法。从理论上讲,由于Meta启发式搜索方法的性能高度依赖于它们的参数,因此有必要研究SBST调整。在这项研究中,我们部分复制了以前的论文SBST工具调整,并重新审视该文件的一些要求。特别是,与以前的工作不同,我们的结果表明,调优的影响非常有限,只有一小部分的类在一个项目中。我们还认为,在以前的文件中的评估指标的选择,并表明,即使是受影响的类调整,最好的和平均配置之间的实际差异是微小的。最后,我们将详尽地探索超参数的搜索空间,并表明一半的研究配置与基线论文的默认配置相同或更好。
2019-06-05 cs.SE
Chatbots As Fluent Polyglots: Revisiting Breakthrough Code Snippets
PeopleTec(PeopleTec公司)
该研究应用人工智能驱动的代码助手来分析一系列有影响力的计算机代码,这些代码塑造了现代技术,包括电子邮件、互联网浏览、机器人和恶意软件。这项研究的最初贡献是检查过去50年中最重要的代码进步的一半,并在某些情况下,在清晰度或性能方面提供显着的改进。AI驱动的代码助手可以在所有检查的情况下提供对模糊代码或缺乏解释性注释的软件的见解。我们基于错误更正和代码优化生成了额外的示例问题,这些问题需要比传统Google搜索更深入的推理。未来的工作重点是添加自动化文档和代码注释,并将选定的大型代码库转换为具有多个新应用程序编程接口(API)和链式多任务的更现代版本。人工智能驱动的代码助手为软件工程提供了一个有价值的工具,特别是它能够提供人类级别的专业知识,并帮助重构遗留代码或简化高价值存储库的解释或功能。
2023-01-05 cs.CL cs.LG cs.SE
Revisiting Exception Handling Practices with Exception Flow Analysis
现代程序设计语言,如Java和C#,通常提供处理异常的功能。这些功能将错误处理代码与常规源代码分开,旨在帮助软件理解和维护的实践。尽管已经认识到异常处理功能的优点,但它们的滥用仍然会导致可靠性下降,甚至是灾难性的软件故障。以往对异常处理的研究主要是从不同的角度来理解异常处理的实践,如异常的来源和异常的处理代码。然而,观察到的结果是分散和多样化的。在本文中,以补充以前的研究成果异常处理,我们研究其特点,丰富了处理代码的知识与异常流分析。我们的案例研究使用了来自16个开源Java和C#(.NET)库和应用程序的超过10K的异常处理块和超过77K的相关异常流。我们的案例研究结果表明,每个try块有多达12个可能的潜在可恢复但传播的异常。更重要的是,22%的不同的可能异常可以追溯到多个方法(平均值为1.39,最大值为34)。这样的结果突出了编写高质量异常处理代码的额外挑战。更糟糕的是,我们确认缺乏关于可能的例外及其来源的文件。然而,这样的关键信息可以通过对记录良好的API调用的异常流分析来识别(例如,JRE和.NET文档)。最后,我们观察了Java和C#之间异常处理代码的不同策略。我们的研究结果强调了利用自动化软件分析来协助异常处理实践的机会,并表明需要对异常处理实践进行更深入的研究。
2017-08-02 cs.PL cs.SE
Revisiting Unsupervised Learning for Defect Prediction
NC State(北卡罗来纳州立大学)
从软件项目中收集高质量的数据可能既耗时又昂贵。因此,一些研究人员探索了不需要标记数据的“无监督”质量预测方法。另一种技术是使用“监督”方法,从标有“有缺陷”或“无缺陷”的项目数据中学习模型。大多数研究人员使用这些监督模型,因为他们可以利用更多的项目知识。在FSE'16上,Yang等人报告了惊人的结果,其中无监督缺陷预测器在努力感知的即时缺陷预测方面优于有监督预测器。如果得到证实,这些结果将导致一个看似复杂的任务(数据采掘),在软件工程文献中广泛探讨戏剧性的简化。本文重复并反驳了这些结果如下。(1)Yang等人的预测器的有效性存在很大的差异,因此即使使用他们的方法,也需要一些监督数据来修剪较弱的预测器。(2)他们的研究结果按$N$项目分组。当我们在逐个项目的基础上重复他们的分析时,监督预测器被认为工作得更好。尽管本文拒绝了杨等人的具体结论,我们仍然赞同他们的总体目标。在我们的实验中,监督预测器在努力感知的即时缺陷预测方面并没有比无监督预测器表现得更好。因此,它们可能确实是无监督学习器的某种组合,以实现与有监督学习器相当的性能。因此,我们鼓励其他国家在这一有希望的领域开展工作。
2017-06-24 cs.LG cs.SE
Applying Large Language Models to Issue Classification: Revisiting with Extended Data and New Models
Grand Canyon University(大峡谷大学);Colorado State University(科罗拉多州立大学);Northern Arizona University(北亚利桑那大学)
本研究提出基于大型语言模型的问题分类自动化方法,通过对比GPT-4o和DeepSeek R1在多个数据集上的表现,发现GPT-4o性能更优且无需依赖海量训练数据,为软件工程问题分类提供了高效解决方案。
2025-05-30 cs.LG cs.SE
The Shifting Sands of Motivation: Revisiting What Drives Contributors in Open Source
本文通过调查242名OSS贡献者,从开源生态变化、个人成长和人口统计差异三方面揭示贡献动机的演变及其对社区治理与工具设计的意义。
2021-01-29 cs.SE
Revisiting Code Debloating with Ground Truth-based Evaluation
University of Arizona(亚利桑那大学);University of Illinois Chicago(伊利诺伊大学芝加哥分校);University of Michigan(密歇根大学);LUMS(拉合尔管理科学大学);Google(谷歌);SRI(斯坦福国际研究院)
本文通过基于真实数据的评估方法重新审视应用层代码去冗余,发现动态分析工具过度移除代码,而静态分析工具存在高误保留率,影响系统稳定性与安全性。
2026-04-21 cs.SE
Revisiting the Performance of Deep Learning-Based Vulnerability Detection on Realistic Datasets
University of Waterloo(滑铁卢大学)
本文构建真实场景漏洞数据集Real-Vul,评估四种深度学习漏洞检测模型,揭示其在实际代码库中精确率和F1分数大幅下降,并针对过拟合问题提出数据增强方法,最多可提升30%性能。
2024-07-03 cs.AI cs.CR cs.LG
On Security Weaknesses and Vulnerabilities in Deep Learning Systems
School of Electrical and Computer Engineering, The University of Sydney(悉尼大学电气与计算机工程学院);CSIRO’s Data61(澳大利亚联邦科学与工业研究组织Data61)
本文首次系统研究了深度学习系统中的漏洞,通过分析 CVE 及 TensorFlow、PyTorch 等开源框架中的 3,049 个漏洞,提出双流数据分析框架,揭示了 DL 生态分散化带来的安全挑战。
2024-06-12 cs.AI cs.SE