A survey on test practitioners' awareness of test smells
开发测试代码可能是一项耗时的任务,通常需要大量的工作和成本,特别是在手动完成时。此外,在这个过程中,开发人员和测试人员很可能会采用糟糕的设计选择,这可能会导致在测试代码中引入所谓的测试气味。测试气味是实现或设计测试代码的糟糕解决方案。随着带有测试气味的测试代码的大小增加,这些测试可能会变得更加复杂,因此更难理解和正确地发展。因此,测试气味可能会对测试代码的质量和维护产生负面影响,也可能会损害整个软件测试活动。在此背景下,本研究旨在了解测试专业人员是否无意中插入测试气味。我们进行了一项专家调查,以分析一组测试气味的使用频率。来自不同公司的60名专业人士参加了调查。我们从文献中选择了14种广泛研究的气味,这些气味也在现有的测试气味检测工具中实现。产生的结果表明,有经验的专业人员在日常编程任务中引入测试气味,即使他们使用的是公司的标准化实践,而不仅仅是他们的个人假设。另一个相关的证据是,开发人员的专业经验不能被认为是在测试代码中插入测试气味的根本原因。
2020-03-12 cs.SE
The Prevalence of Code Smells in Machine Learning projects
Delft University of Technology(代尔夫特理工大学);ING(ING集团)
人工智能(AI)和机器学习(ML)在当前的计算机科学领域中无处不在。然而,在这一领域仍然缺乏软件工程经验和最佳实践。静态代码分析是这样一种最佳实践,可以用来发现代码气味,即,源代码中的(潜在)缺陷、重构机会以及违反通用编码标准。我们的研究旨在发现ML项目中最普遍的代码气味。我们收集了74个开源机器学习项目的数据集,安装了它们的依赖项,并在上面运行了Pylint。这导致了每个类别中所有检测到的代码气味的前20个。对这些气味的手动分析主要表明代码重复是普遍存在的,并且由于其与数学符号的相似性,用于标识符命名风格的PEP 8约定可能并不总是适用于ML代码。然而,更有趣的是,我们发现了ML项目的可维护性和可重复性的几个主要障碍,主要与Python项目的依赖管理有关。我们还发现Pylint无法可靠地检查导入依赖项的正确使用,包括PyTorch等突出的ML库。
2021-03-06 cs.AI cs.LG cs.SE
Refactoring Assertion Roulette and Duplicate Assert test smells: a controlled experiment
测试气味会降低开发人员与测试代码交互的能力。重构测试代码提供了一种安全的策略来处理测试气味。然而,手动重构活动并不是一个简单的过程,它通常是乏味的并且容易出错。本研究旨在评估RAIDE,一个自动识别和重构测试气味的工具。我们提出了RAIDE的实证评估,在其中,我们分析了它在重构断言轮盘赌和重复断言测试气味的能力,并将结果与手动重构和最先进的方法进行了比较。结果表明,RAIDE提供了一个更快,更直观的方法来处理测试气味比使用自动化的气味检测工具结合手动重构。
2022-07-12 cs.SE
Developers perception on the severity of test smells: an empirical study
单元测试是软件开发生命周期的重要组成部分。通过创建和运行单元测试,开发人员可以轻松快速地捕获和修复源代码中引入的软件错误。尽管单元测试很重要,但它会受到糟糕的设计或实现决策的影响,即所谓的测试气味。这些可能会从各个方面降低软件系统的质量,使其更难理解,更复杂的维护,更容易出现错误和bug。许多研究讨论了测试气味对测试代码的可能影响。然而,缺乏研究,捕捉开发人员对这些问题的看法。本研究实证分析了开发人员如何在他们开发的测试代码中感知测试气味的严重性。严重性是指测试气味可能对测试代码产生负面影响的程度。我们从GitHub中选择了六个开源软件项目,并采访了他们的开发人员,以了解测试气味是否以及如何影响测试代码。尽管大多数受访的开发人员认为测试气味对他们的代码的严重性很低,但他们表示测试气味可能会对项目产生负面影响,特别是在测试代码的可维护性和演化方面。此外,从测试代码中检测和移除测试气味可能对项目有积极意义。
2021-07-29 cs.SE
Evaluating Large Language Models in Detecting Test Smells
本研究评估了ChatGPT-4、Mistral Large和Gemini Advanced三种大型语言模型在七种编程语言代码库中自动检测30种测试坏味的能力,发现它们分别识别出21、15和17种,展现了作为测试坏味检测工具的潜力。
2024-07-30 cs.SE
Code Smells for Machine Learning Applications
ING(荷兰国际集团);Delft University of Technology(代尔夫特理工大学)
近年来,机器学习的普及程度得到了广泛的扩展。机器学习技术在学术界得到了热烈的研究,并在工业界应用,创造商业价值。然而,在机器学习应用程序中缺乏代码质量的指导方针。特别是,代码气味在这个领域很少被研究。虽然机器学习代码通常作为总体系统的一小部分集成,但它通常在其核心功能中发挥重要作用。因此,从长远来看,确保代码质量是避免问题的关键。本文提出并确定了一个22个机器学习特定代码气味的列表,这些气味来自各种来源,包括论文、灰色文献、GitHub提交和Stack Overflow帖子。我们通过描述其背景、长期潜在问题和建议的解决方案来确定每种气味。此外,我们将它们与各自的管道阶段以及来自学术和灰色文献的证据联系起来。代码气味目录帮助数据科学家和开发人员生成和维护高质量的机器学习应用程序代码。
2022-03-30 cs.AI cs.SE
Smells in System User Interactive Tests
测试气味被认为是糟糕的开发实践,反映了软件测试中糟糕的设计和实现选择。在过去的十年中,测试气味被大量研究,以衡量其流行程度和对测试可维护性的影响。然而,这些研究主要集中在单元级别,直到今天,通过图形用户界面与被测系统交互的系统测试工作仍然有限。为了填补这一空白,我们对系统用户交互测试(SUIT)中出现的测试气味进行了探索性分析。首先,基于多声文献综述,我们提出了一个目录的35套特定的气味。然后,我们进行了实证分析,以评估这些气味在48个工业测试套件和12个开源项目的流行和重构。我们发现,相同类型的气味往往出现在工业和开源项目中,但症状并没有以相同的方式得到解决。气味,如模糊的测试,偷偷摸摸的检查,并在超过70%的测试显示症状。然而,重构操作的频率要低得多,只有不到50%的受影响测试经历过重构。有趣的是,虽然重构动作很少见,但一些气味,如自恋,通过删除旧的症状测试和引入不呈现这些症状的新测试而消失。
2021-11-03 cs.SE
How Do Community Smells Influence Self-Admitted Technical Debt in Machine Learning Projects?
本研究针对155个开源机器学习项目的版本数据,分析10类社区异味与6类自承认技术债(SATD)的关联及演化规律,发现特定异味与SATD高发强相关,强调早期干预社会技术问题对ML系统长期质量的重要性。
2025-07-31 cs.SE
A Survey of Algorithm Debt in Machine and Deep Learning Systems: Definition, Smells, and Future Work
本文综述了42项研究,定义了算法债务,揭示了其隐含存在,识别了征兆,并指明了未来研究方向,以提升机器学习和深度学习系统的可靠性。
2026-04-07 cs.SE
xNose: A Test Smell Detector for C#
本文针对 C# 测试坏味检测工具缺乏的问题,开发了 xNose 工具,识别 16 种测试坏味并分析其在 xUnit 项目中的分布,精确率和召回率分别达 96.97% 和 96.03%,以帮助开发者维护代码质量。
2024-05-07 cs.SE
Test Smell Detection Tools: A Systematic Mapping Study
测试气味被定义为开发人员在实现测试用例时做出的次优设计选择。因此,类似于代码气味,研究社区已经产生了许多测试气味检测工具,以调查测试气味对测试套件的质量和维护的影响。然而,很少有人知道的特点,类型的气味,目标语言,以及这些出版的工具的可用性。在本文中,我们提供了所有已知的,同行评审的,测试气味检测工具的详细目录。我们首先对同行评审的科学出版物进行全面搜索,以构建一个包含22种工具的目录。然后,我们进行比较分析,以确定每个工具检测到的气味类型和其他显着特征,包括程序设计语言,测试框架支持,检测策略和采用,等等。从我们的发现中,我们发现了在Java、Scala、Smalltalk和C++测试套件中检测测试气味的工具,大多数工具都支持Java。这些工具可以作为命令行和IDE插件等。我们的分析还表明,大多数工具在检测特定的气味类型时会重叠,例如通用设备。此外,我们遇到了这些工具用来检测气味的四种类型的技术。我们设想我们的研究是研究人员和从业人员确定适合他们需求的工具的一站式来源。我们的研究结果还为社区提供了指导未来工具开发的信息。
2021-05-03 cs.SE
Empirical Characterization of Logging Smells in Machine Learning Code
Polytechnique Montreal(蒙特利尔理工学院)
本文通过分析444个机器学习项目,识别出12种日志异味类型,揭示日志质量对系统可重复性、可维护性和可信度的影响,并公开数据集以支持未来研究。
2026-03-24 cs.SE
Test Smell: A Parasitic Energy Consumer in Software Testing
本研究通过分析12个Apache项目并调查62名开发者,揭示了测试坏味道与软件测试能耗的关联,发现有坏味道的测试代码比无坏味道部分多消耗10.92%的能耗,且重构可降低能耗。
2025-01-08 cs.SE
Manual Tests Do Smell! Cataloging and Identifying Natural Language Test Smells
本研究针对自然语言手工测试中的测试异味问题,通过探索性研究提出了包含八种异味的目录及识别规则,并开发了基于NLP的检测工具,实现了92%精确率与95%召回率,有效提升了手工测试分析效率。
2023-08-02 cs.SE
Code Smell Detection using Multilabel Classification Approach
代码气味是软件的特征,表明代码或设计问题,这些问题可能使软件难以理解,发展和维护。文献中提出的代码气味检测工具产生不同的结果,因为气味是非正式定义的,或者本质上是主观的。为了解决工具主观性的问题,已经提出了机器学习技术,其可以学习和区分有气味和无气味的源代码元素(类或方法)的特征。然而,现有的机器学习技术只能检测代码元素中的单一类型的气味,其不对应于真实世界场景。在本文中,我们已经使用多标签分类方法来检测是否给定的代码元素受到多种气味或没有。我们考虑了两个代码气味数据集,并将它们转换为多标签数据集。在我们的实验中,两种多标签方法在转换后的数据集上执行,在10倍交叉验证中表现出良好的性能,使用10次重复。
2019-02-08 cs.SE
Evaluating LLMs Effectiveness in Detecting and Correcting Test Smells: An Empirical Study
该实证研究评估GPT-4-Turbo、LLaMA 3 70B和Gemini-1.5 Pro在Python与Java测试套件中的测试坏味检测与重构能力,发现Gemini整体表现最佳。
2025-06-09 cs.SE
A proposal and assessment of an improved heuristic for the Eager Test smell detection
本研究提出一种更精确的 Eager Test 坏味道定义及启发式检测方法,通过文献回顾和 300 个 Java 用例评估,解决了现有规则不精确和漏检问题。
2025-07-08 cs.SE
An architectural technical debt index based on machine learning and architectural smells
本文提出一种基于机器学习和架构坏味的技术债务本金估算方法,通过训练学习排序模型评估坏味严重性并结合静态代码行数计算,经案例研究验证,71%的从业者认可其估算的代表性。
2023-10-17 cs.SE
A Catalog of Transformations to Remove Smells From Natural Language Tests
本文提出了一组消除七种自然语言测试坏味的转换目录及基于NLP的配套自动化工具,经专业人员调查和Ubuntu OS真实测试样本评估,验证了其有效性和83.70%的精确度。
2024-04-25 cs.SE
An empirical study into the relationship between class features and test smells
虽然大量的先前研究已经调查了生产代码的形式和性质,但相对较少关注测试代码的特性,特别是测试代码中的测试气味。在本文中,我们探讨了生产代码属性(在类级别)和一组测试气味之间的关系,在五个开源系统。具体来说,我们检查生产类的复杂性属性是否可以用作相关单元测试中测试气味存在的预测因子。我们的结果,来自975个生产类单元测试对的分析,表明生产类的圈复杂度(CC)和加权方法(WMC)是其相关的单元测试中存在气味的强有力的指标。生产类中方法缺乏内聚(LCOM)似乎也是测试气味存在的一个很好的指示器。也许更重要的是,所有这三个指标似乎都是特定测试气味的良好指标,特别是Eager Test和Duplicated Code。另一方面,遗传树的深度(DIT)与测试气味的发生率没有显着相关。这些结果对大规模软件开发具有重要意义,特别是在组织越来越多地使用、采用或改编开源代码作为其开发战略的一部分,并且需要确保类和方法尽可能简单的情况下。
2021-03-27 cs.SE
Crowdsmelling: The use of collective knowledge in code smells detection
代码气味被视为技术债务的主要来源,因此应该被检测和删除。然而,研究人员认为,代码气味检测过程的主观性是减轻气味感染代码问题的主要障碍。我们提出了基于监督机器学习技术的群众嗅觉方法,其中群众(软件开发人员)的智慧用于集体校准代码气味检测算法,从而减轻主观性问题。本文介绍了一个验证实验的结果,群众嗅的方法。在连续三年的软件工程课程的背景下,总共有大约100个团队的“人群”,每个团队平均有三名成员,将Java源代码中存在的3种代码气味(长方法,上帝类和功能嫉妒)分类。这些分类是用于训练六种机器学习算法的预言机的基础。生成并评估了100多个模型,以确定哪些机器学习算法在检测上述每种代码气味时具有最佳性能。God Class检测(Naive Bayes的ROC=0.896)和Long Method检测(AdaBoostM1的ROC=0.870)获得了良好的性能,但Feature Envy的性能要低得多(Random Forrest的ROC=0.570)。得到的结果表明,crowdsmelling是一种可行的方法,用于检测代码气味,但需要进一步的验证实验,以涵盖更多的代码气味,并增加外部有效性。
2020-12-23 cs.SE
Hearing the voice of experts: Unveiling Stack Exchange communities' knowledge of test smells
本研究通过分析Stack Exchange社区的讨论数据,探究开发者对测试坏味道的认知、对应的修正措施及重构挑战,发现开发者更关注他人实操经验,且更常询问测试坏味道的实践优劣而非重构建议。
2023-05-05 cs.SE
Empirical Characterization of Logging Smells in Machine Learning Code
Polytechnique Montréal(蒙特利尔理工学院)
本研究通过实证分析识别并描述机器学习系统中日志恶臭,旨在提供基于证据的理解,以改进日志记录实践。
2026-01-09 cs.SE
Investigating the Performance of Small Language Models in Detecting Test Smells in Manual Test Cases
本研究评估Gemma3、Llama3.2和Phi-4三个小型语言模型在143个Ubuntu测试用例上自动检测七类测试坏味的能力,其中Phi-4以97%的pass@2表现最佳,证明SLMs可低成本、保护隐私地提升测试质量。
2025-07-17 cs.SE
Automatic Identification of Machine Learning-Specific Code Smells
Roxtec Group(Roxtec集团);Ericsson(爱立信);Blekinge Institute of Technology(布莱金厄理工学院);Federal University of Ceará(塞阿拉联邦大学)
本研究设计并开发了静态代码分析工具MLpylint,用于自动识别ML特定代码坏味,并在160个开源项目和15位专家调查中验证了其有效性和实用性。
2025-08-04 cs.AI cs.SE
NALABS: Detecting Bad Smells in Natural Language Requirements and Test Specifications
在大规模嵌入式系统的开发中,需求和测试规范往往是用自然语言来表达的。在开发此类产品的背景下,在许多情况下,使用这些规格作为质量保证的基础手动进行需求审查。低质量的规格在需求工程过程中可能会产生昂贵的后果。特别是,如果需求工程期间的反馈循环很长,导致工件不容易维护,难以理解,并且无法有效地移植到其他系统变体。我们将气味的概念用于用自然语言表达的规范,定义了一组用于难闻气味的规范。我们开发了一个名为NALABS(自然语言不良气味)的工具,可在https://github.com/eduardenoiu/NALABS上获得,用于自动检查规格。我们讨论了一些决定,其实施和未来的工作。
2022-02-14 cs.SE
Agentic LMs: Hunting Down Test Smells
Microsoft(微软)
本研究评估小参数量智能体化大语言模型通过智能体工作流检测和重构测试异味的能力,在多语言场景下表现优异,Phi-4-14B重构准确率达75.3%,多智能体设置优于单智能体,部分生成代码被开源项目采纳。
2025-10-11 cs.SE
Do the Test Smells Assertion Roulette and Eager Test Impact Students' Troubleshooting and Debugging Capabilities?
为了确保软件系统的质量,开发人员执行称为单元测试的活动,其中他们编写代码(称为测试用例)来验证组成系统的各个软件单元。与生产代码一样,测试用例也会受到不良编程实践的影响,这些实践被称为测试气味,会损害维护活动。大多数维护活动的一个重要部分是程序理解,这涉及到开发人员阅读代码以了解其行为,以修复问题或更新功能。在这项研究中,我们进行了一个对照实验,96名本科计算机科学的学生调查的影响,两种常见类型的测试气味,即断言轮盘赌和渴望测试,对学生的能力,调试和故障排除测试用例失败。我们的研究结果表明,当相关测试用例中存在气味时,学生需要更长的时间来纠正生产代码中的错误,特别是断言轮盘赌。我们设想我们的研究结果支持学术界更好地为学生提供编写和维护高质量测试用例的知识和资源。我们的实验材料可在线获取:https://wajdialjedaani.github.io/testsmellstd/
2023-03-07 cs.SE
An Empirical Study of Gemini 3 for Detecting Natural Language Test Smells in Manual Test Cases
UFCG(联邦农村塞阿拉大学);UFAL(阿拉戈斯联邦大学);University of Salerno(萨莱诺大学);IFAL(阿拉戈斯联邦学院)
研究使用 Gemini-3-Pro-Preview 通过整体测试用例分析策略检测手动测试用例中的七种测试异味,相比小型语言模型性能更优,并发现平均每步近一个异味。
2026-10-15 cs.SE
Predicting Software Defects through SVM: An Empirical Approach
软件缺陷预测是软件预防性维护的一个重要方面。许多技术已经被用来通过缺陷预测来提高软件质量。本文介绍了一种基于代码气味的机器学习算法--支持向量机(SVM)的缺陷预测方法。基于支持向量机的缺陷预测模型被用于预测Eclipse软件后续版本中的缺陷。结果表明气味在预测软件缺陷中的作用。结果可以进一步用作基线,以进一步研究气味在预测缺陷中的作用。
2018-03-08 cs.SE
Automated Unit Test Refactoring
针对测试异味导致测试代码质量低、维护难及现有自动化重构方法灵活性不足的问题,提出基于LLM的上下文增强框架UTRefactor,通过思维链模拟手动重构并结合检查点机制,在6个开源Java项目测试中实现89%异味消除率,性能显著优于现有方法。
2025-02-11 cs.SE
A Novel Taxonomy and Classification Scheme for Code Smell Interactions
本研究提出一种针对特定编程语言的代码异味交互新型分类法与分类方案,并通过多种机器学习模型实验验证了领域内异味间检测的存在,为代码异味检测提供了新方向。
2025-04-25 cs.SE
Combining Spreadsheet Smells for Improved Fault Prediction
电子表格通常在组织中用作与业务相关的计算和决策的编程工具。由于电子表格中的错误可能会对业务产生严重影响,因此近年来,通用软件工程中的许多方法已应用于电子表格,其中包括代码气味的概念。气味尤其可以用于故障预测的任务。然而,对现有电子表格气味的分析显示,单个气味的预测能力可能是有限的。因此,在这项工作中,我们提出了一种基于机器学习的方法,它结合了使用AdaBoost集成分类器的个人气味的预测。在两个包含真实电子表格故障的公共数据集上的实验表明,该方法在故障预测准确性方面有显着提高。
2018-05-26 cs.SE
Insights from the Field: Exploring Students' Perspectives on Bad Unit Testing Practices
本文通过让三所高校184名学生使用IDE插件自动检测测试异味,考察其对不良单元测试实践的认知及插件效果,为优化测试教学和代码评审提供依据。
2024-04-15 cs.SE
On the Diffusion of Test Smells in LLM-Generated Unit Tests
University of Luxembourg(卢森堡大学);Nanjing University of Science and Technology(南京理工大学);Bilkent University(比尔肯特大学);Singapore Management University(新加坡管理大学)
本研究通过多基准大规模分析,对比LLM生成、人类编写及EvoSuite生成的单元测试,发现LLM生成测试存在特定测试异味,受提示策略等影响,凸显基于LLM的测试生成的潜力与风险,呼吁开发相关优化方案。
2026-08-04 cs.SE
Code smells: A Synthetic Narrative Review
代码气味是糟糕的设计和实现选择的症状,它可能会阻碍理解,增加代码的复杂性和错误倾向,并降低软件系统的可维护性。本研究的目的是进行一个三角的文献计量学和主题分析的代码气味文献生产。使用检索字符串代码气味在Scopus(Elsevier,Netherlands)数据库中进行检索,共检索到442篇出版物。Go-to语句是1968年软件工程历史上发现的第一个坏代码气味。文学创作的趋势是积极的。生产率最高的国家是美国、意大利和巴西。确定了八个研究主题:管理软件维护,基于故障检测的软件重构,架构气味,多目标方法提高软件质量,技术债务及其实例,挖掘软件仓库的质量改进/保证,编程教育,集成反模式,设计缺陷和设计气味的概念。也出现了一些研究空白,即新的未编目气味识别;从建筑,设计,代码到测试和其他可能的气味的传播;以及识别良好的气味。我们的研究结果可以帮助代码气味研究人员和从业者了解代码气味研究的更广泛方面及其实践。
2021-03-01 cs.SE
Test Behaviors, Not Methods! Detecting Tests Obsessed by Methods
UFMG(米纳斯吉拉斯联邦大学);Delft University of Technology(代尔夫特理工大学)
本文提出一种新的测试气味"Test Obsessed by Method",通过运行时分析发现测试方法覆盖单一生产方法的多个路径,分析了Python标准库中44个此类测试的行为和特征。
2026-01-31 cs.SE
How to Improve Deep Learning for Software Analytics (a case study with code smell detection)
为了减少技术债务并使代码更易于维护,能够警告程序员代码气味是很重要的。最先进的代码小型检测器使用深度学习器,而没有在该技术中探索替代方案。软件分析和深度学习的一个有前途的替代方案是GHOST(来自TSE'21),它依赖于前馈神经网络的超参数优化和一种新的过采样技术来处理类不平衡。之前的研究从TSE'21提出了这种新的“模糊采样”是有点有限的,因为该方法进行了测试的缺陷预测,但没有别的。与缺陷预测一样,代码气味检测数据集也具有类不平衡性(这激发了“模糊采样”)。因此,在这项工作中,我们测试,如果模糊采样是有用的代码气味检测。本文的结果表明,我们可以达到比国家的最先进的结果代码气味检测模糊过采样。例如,对于“特征嫉妒”,我们能够在所有数据集上实现99+\%的AUC,并且在8/10的数据集上实现“错位类”。虽然我们的具体结果涉及代码气味检测,但它们确实为其他类型的分析提供了其他经验教训。举例来说:(a)在尝试复杂学习器之前尝试更好的预处理(b)将更简单的学习器作为软件分析的基线(c)尝试“模糊采样”作为这样的基线。
2022-03-27 cs.SE
Towards Automated Detection of Inline Code Comment Smells
本文通过增强已标注行内注释数据集,比较七种ML模型与GPT 4的注释坏味分类性能,Random Forest以69%准确率和0.44 MCC建立基线。
2025-08-29 cs.SE
Automatic Detection of Five API Documentation Smells: Practitioners' Perspectives
API的学习和使用由官方文档支持。与源代码一样,API文档本身也是一个软件产品。一些研究结果表明,API文档中糟糕的设计会使API功能的重用变得困难。事实上,与代码气味或代码反模式类似,设计不良的API文档也会表现出“气味”。这种文档气味可以被描述为不好的文档风格,不一定会产生不正确的文档,但仍然使文档难以正确理解和使用。最近对API文档的研究集中在发现API文档中的内容不准确性,并使用外部资源(例如,众共享代码示例)。我们知道没有研究专注于自动检测API文档气味。本文有两个贡献。首先,我们通过查阅有关API文档表示问题的文献,生成了一个包含五种API文档气味的目录。我们创建了一个包含1,000个API文档单元的基准数据集,通过详尽和手动验证Java官方API参考和说明文档中五种气味的存在。其次,我们对21名专业软件开发人员进行了调查,以验证目录。开发人员一致认为,他们经常在API官方文档中遇到所有五种气味,其中95.2%的人报告说,文档气味的存在对他们的生产力产生了负面影响。参与者希望工具支持自动检测和修复API官方文档中的气味。我们开发了一套基于规则的,深度和浅层的机器学习分类器来自动检测气味。性能最好的分类器BERT是一种深度学习模型,其F1得分为0.75 - 0.97。
2021-02-16 cs.SE
The Impact of Auto-Refactoring Code Smells on the Resource Utilization of Cloud Software
基于云的软件即服务(SaaS)由于其低成本和弹性而受到欢迎。然而,与其他软件一样,SaaS应用程序也会受到代码气味的影响,这会严重影响功能和资源使用。代码气味是指源代码中任何表明存在更深层次问题的设计。软件社区部署了自动化重构来消除气味,这可以提高性能并减少关键资源的使用。然而,分析SaaS中自动重构气味对CPU和内存等资源的影响的研究在一定程度上是有限的。在这里,我们的目标是填补这一空白,并研究SaaS应用程序的资源使用的影响,由于自动重构的七个经典的代码气味:上帝类,功能嫉妒,类型检查,循环依赖,鸟枪手术,上帝的方法,和意大利面条代码。我们从Github中指定了六个实际的SaaS应用程序,分别是Zimbra,OneDataShare,GraphHopper,Hadoop,JENA和JAMES,它们在Openstack云上运行。结果表明,JDeodrant和JSparrow等工具重构气味对基于气味重构类型的测试应用程序的CPU和内存消耗有着广泛不同的影响。我们提出了每种气味对资源利用的影响,并讨论了导致这种影响的潜在原因。
2020-08-14 cs.SE
On the Feasibility of Transfer-learning Code Smells using Deep Learning
本文研究仅用标记化源代码训练深度学习模型检测代码坏味的可行性,并验证从C#到Java的迁移学习效果,发现实现坏味检测可通过迁移学习达到与直接学习相当的性能。
2019-09-16 cs.SE
Did JHotDraw Respect the Law of Good Style?: A deep dive into the nature of false positives of bad code smells
如果开发人员想保持生产力,他们需要不断努力提高代码质量。因此,突出显示可以从重构中受益的代码位置的工具是非常需要的。这类位置最常见的名称是“代码异味”。一些工具提供了这种高质量的反馈,并且有大量的相关研究。然而,所有这些工具,包括那些基于机器学习的工具,仍然会产生误报。向开发人员显示的每一个假阳性都会给她带来认知负担,因此应该避免。文献讨论了度量阈值的选择,这种判断的一般主观性和有意识的设计选择,“设计思想”的关系。为了检验假阳性和难闻气味与设计理念之间的关系,我们设计并进行了一项探索性的案例研究。虽然之前的研究提供了一个广泛的概述,但我们选择了一个狭窄的环境来获得更深入的见解:JHotDraw框架的设计非常周到,大多数气味警告都是假阳性。尽管如此,“良好风格法则”,也就是众所周知的“得墨忒耳法则”,是一个相当严格的设计规则,因此我们仍然期望找到一些潜在的不良气味,即违反这一“法则”。这种组合导致了1215种潜在的气味,其中最多42种是真阳性。我们发现了通用的以及特定的设计理念,这些设计理念被用来交换气味。我们对这一决定的信心从足够高到非常高不等。我们惊讶地意识到,气味定义本身需要制定建设性的设计思想。最后,我们发现一些气味是由于语言的局限性,人们可以引入辅助的建设性设计思想来弥补他们。一个潜在的气味发生是否实际上是一个真正的积极的决定是非常仔细的。为此,我们考虑了气味可能产生负面…
2020-06-04 cs.PL cs.SE
Quality Assessment of Python Tests Generated by Large Language Models
本研究评估GPT-4o、Amazon Q、LLama 3.3三款大模型在T2C和C2C两种提示上下文下生成的Python测试的质量,分析错误与测试坏味的分布及关联,为提升大模型测试生成质量、优化提示工程提供依据。
2025-06-17 cs.SE
On the Workflows and Smells of Leaderboard Operations (LBOps): An Exploratory Study of Foundation Model Leaderboards
Software Analysis and Intelligence Lab (SAIL)(软件分析与智能实验室(SAIL))
本研究探索了基础模型排行榜的运营工作流,从五个来源收集了1,045个排行榜,识别出五种工作流模式、领域模型及八种排行榜坏味,以提升FM选择与比较的透明度和问责制。
2025-01-29 cs.LG cs.SE
Prompt Learning for Multi-Label Code Smell Detection: A Promising Approach
本文提出基于提示学习检测多标签代码异味的方法PromptSmell,通过遍历AST获取代码片段并构建LLM输入,将多标签问题转化为多分类问题,实验证明其precision_w提升11.17%、F1_w提升7.4%。
2024-02-16 cs.SE
How We Refactor and How We Document it? On the Use of Supervised Machine Learning Algorithms to Classify Refactoring Documentation
Rochester Institute of Technology(罗切斯特理工学院);ETS Montreal, University of Quebec(魁北克大学蒙特利尔分校);University of Michigan(密歇根大学)
重构是一种在不改变系统外部行为的情况下改进系统设计的艺术。重构已经成为一个完善的和有纪律的软件工程实践,已经吸引了大量的研究假设重构的主要动机是需要改善系统结构。然而,最近的研究表明,开发人员可能会将重构纳入其他开发活动中,而不仅仅是改进设计。不幸的是,这些研究仅限于开发人员访谈和一组减少的项目。为了克服上述限制,我们的目标是通过挖掘和分类从800个Java项目中提取的111,884个包含重构的提交来更好地理解是什么促使开发人员应用重构。我们训练了一个多类分类器,将这些提交分为3个类别,即内部QA,外部QA和代码验证解决方案,以及传统的BugFix和Functional类别。这种分类挑战了重构的原始定义,它专门用于改进设计和修复代码气味。此外,为了更好地理解我们的分类结果,我们分析了提交消息,以提取开发人员经常用来描述其重构的文本模式。结果表明:(1)修复代码气味不是开发人员重构代码库的主要驱动力。请求重构的原因有很多,超出了它的传统定义;(2)重构的分布在生产和测试文件之间不同;(3)开发人员使用几种模式来有目的地针对重构;(4)从提交消息中提取的文本模式为开发人员如何记录他们的重构提供了更好的覆盖。
2020-10-26 cs.LG cs.SE
Code smells detection and visualization: A systematic literature review
内容:代码气味(CS)往往会损害软件质量,并且还需要开发人员在整个生命周期中花费更多的精力来维护和发展应用程序。长期以来,它们一直被归类为相应的缓解解决方案,称为重构操作。目的:这个SLR有两个目标:第一个是识别文献中讨论的主要代码气味检测技术和工具,第二个是分析视觉技术在多大程度上被应用于支持前者。方法:通过我们在本SLR中的检索字符串识别出在主要科学知识库中索引的83项主要研究。然后,根据现有的二次研究的最佳实践,我们应用纳入/排除标准来选择最相关的作品,提取其特征并对其进行分类。结果:我们发现最常用的代码气味检测方法是基于搜索的(30.1%)和基于度量的(24.1%)。大多数研究(83.1%)使用开源软件,Java语言占据首位(77.1%)。在代码气味方面,God Class(51.8%),Feature Envy(33.7%)和Long Method(26.5%)是覆盖率最高的。35%的研究使用了机器学习技术。大约80%的研究只检测代码气味,而没有提供可视化技术。在基于可视化的方法中,使用了几种方法,例如:城市隐喻,3D可视化技术。结论:我们确认,CS的检测是一个不平凡的任务,仍然有很多工作要做的方面:减少与CS的定义和检测的主观性;增加检测到的CS和支持的程序设计语言的多样性;构建和共享的神谕和数据集,以促进CS检测和可视化技术验证实验的复制。
2020-12-16 cs.SE
How Do Code Smells Affect Skill Growth in Scratch Novice Programmers?
Universidad Rey Juan Carlos(雷伊胡安卡洛斯大学)
本研究通过分析约200万个Scratch项目,探究计算思维技能与设计级代码坏味之间的关联,并识别最相关的CT维度及任务背景的调节作用,旨在为教育课程和自动化反馈系统提供依据。
2026-06-24 cs.SE
EPiT : A Software Testing Tool for Generation of Test Cases Automatically
软件测试用例可以定义为一组测试条件,测试人员需要在这些条件下测试并确定被测系统(SUT)是否正确地满足预期结果。讨论了利用EpiT(EclipsePlug-inTool)自动生成实例的优化技术。EpiT的开发是为了优化从源代码生成测试用例,以减少传统的手动创建测试用例所花费的时间。通过使用代码气味功能,EpiT可以通过检查Java程序的代码行(code-line)来自动生成测试用例。EpiT的实施也将根据几个案例研究,以显示所生成的测试用例的优化。实验结果表明,EpiT可以解决软件测试人员手工生成测试用例和使用代码气味技术从源代码检查优化的问题。
2020-07-22 cs.SE
A manual categorization of new quality issues on automatically-generated tests
针对自动生成测试存在过往测试坏味未覆盖的质量问题这一研究空白,通过对2340个测试的人工分析与主题分类,提出含13类新问题的分类体系、其出现频率及8项质量提升建议。
2023-12-14 cs.SE
MLScent A tool for Anti-pattern detection in ML projects
University of Oslo(奥斯陆大学)
MLScent是一种基于AST分析的静态工具,通过76个检测器覆盖主流ML框架,高效识别ML项目中的反模式和代码异味,提升代码质量与可维护性。
2025-01-30 cs.AI cs.SE
Does Python Smell Like Java? Tool Support for Design Defect Discovery in Python
这项工作的背景是规范,检测和最终删除源代码中与软件设计和实现中的缺陷相关的可检测有害模式。特别是,我们调查了五个代码气味和四个以前在论文和书籍中定义的反模式。我们的调查是关于检测那些在Python程序设计语言编写的源代码,这是从所有以前的研究,其中大部分涉及Java或C类语言有很大的不同。我们的方法是软件工程师的方法:我们处理了关于这个主题的现有研究文献,提取了九个设计缺陷的抽象定义及其具体的实现规范,在我们编写的工具中实现了它们,并将其释放在从数千个GitHub项目的开源代码中获得的巨大测试集上。当涉及到知识时,我们发现Python中被认为太长的方法是Java中的两倍多(从统计学上看,比同一项目中的相邻方法要长得多),但在Python代码中发现长参数列表的可能性是Java代码的七倍。我们还发现,函数分解(Functional Decomposition)在Java中的定义方式,在Python代码中根本找不到,意大利面条代码和上帝类也非常罕见。这些结果的基础和信心来自于我们在32'058'823行Python代码上进行的实验,这是迄今为止免费提供的Python解析器的最大测试集。我们还设计了这样一种方式,它与以前的研究在Java中的设计缺陷检测,以方便比较,如果我们把我们自己的行动作为一个复制对齐的实验。因此,这项工作的重要性在于它独特的、最高质量的开放式Python语法,经过数百…
2017-03-31 cs.PL cs.SE
Detection of security smells in IaC scripts through semantics-aware code and language processing
University of Luxembourg(卢森堡大学)
针对IaC脚本的安全配置错误检测问题,提出结合CodeBERT(代码文本语义捕捉)和LongFormer(长脚本上下文保留)的语义感知静态分析方法,在Ansible和Puppet数据集上显著提升检测性能,优于现有方法和LLMs。
2025-09-23 cs.AI cs.CR cs.LG