Bewertung von Wartbarkeit mit Machine Learning
In einer Forschungskooperation mit der TU München untersuchen wir die Möglichkeiten, die der Einsatz von Machine Learning für die Qualitätsbewertung von Software bietet. Da manuelle Reviews viel Zeit in Anspruch nehmen und deswegen oft nur stichprobenartig durchgeführt werden können bietet sich mit KI die Chance, Aufwände zu reduzieren und Qualität zu verbessern.
In dieser Studie wurde untersucht, wie Metriken mehrerer Werkzeuge zur statischen Codeanalyse mit Machine Learning kombiniert werden können, um Wartbarkeit von Software automatisiert und verlässlich zu bewerten.
- Werkzeuge zur statischen Codeanalyse sind verbreitet
- Metriken müssen von Experten interpretiert werden
- Machine Learning reduziert den Aufwand erheblich
- Untersuchte Codebasis von 115.000 LoC
- 80% Präzision erreicht
Weiterlesen?
LEARNING A CLASSIFIER FOR PREDICTION OF MAINTAINABILITY BASED ON STATIC ANALYSIS TOOL
Markus Schnappinger, Mohd Hafeez Osman, Alexander Pretschner, Arnaud Fietzke
2019 IEEE/ACM 27TH INTERNATIONAL CONFERENCE ON PROGRAM COMPREHENSION (ICPC)
