Le document présente une méthode pour la génération automatique d'algorithmes de détection des défauts de conception (DCS) dans les programmes orientés objet, en mettant en avant l'importance de détecter ces défauts pour améliorer la qualité architecturale et réduire les coûts de maintenance. La méthode, appelée Decor, implique des étapes comme l'analyse de domaine et la validation, et elle évalue la précision et le rappel des algorithmes générés. Des expérimentations sur différents types de défauts démontrent l'efficacité de cette méthode dans l'identification des DCS.

1. Génération automatique d’algorithmes de
détection des défauts de conception
Naouel Moha, Foutse Khomh, Yann-Gaël Guéhéneuc,
Laurence Duchien, Anne-Françoise Le Meur
Ptidej Team, GEODES, Université de Montréal, Canada
LIFL, INRIA Lille - Nord Europe / ADAM Team, Université de Lille, France
LMO’08
5-7 mars, 2008

2. Moha © Génération automatique d’algorithmes de détection des défauts de conception 2
Contexte

3. Moha © Génération automatique d’algorithmes de détection des défauts de conception 3
Contexte

4. Moha © Génération automatique d’algorithmes de détection des défauts de conception 4
Patrons de conception sont de “bonnes” solutions à des
problèmes de conception récurrents
Défauts de conception (DCs)
sont de “mauvaises” solutions à des problèmes récurrents
2 catégories:
Problèmes de haut niveau (global) : antipatterns [Brown 98]
Problèmes de bas niveau (local) : mauvaises odeurs* [Fowler 99]
“ déviations de spécifications ou d’exigences qui peuvent entraîner des
défaillances dans les operations ”
* Certaines mauvaises odeurs peuvent être considérées comme
défauts de haut niveau
Défauts de conception ?
≠

5. Moha © Génération automatique d’algorithmes de détection des défauts de conception 5
Défauts de conception ?
2 exemples de défauts de conception [Brown 98]
Blob (God Class)
“ Procedural-style design leads to one object with a
lion’s share of the responsibilities while most other
objects only hold data or execute simple processes ”
Large classe contrôleur
Beaucoup de champs et méthodes avec une
faible cohésion*
Dépendent des données localisées dans des
classes de données associées
* À quel point les méthodes sont étroitement liées aux variables
d'instance de la classe.

6. Moha © Génération automatique d’algorithmes de détection des défauts de conception 6
2 exemples de défauts de conception [Brown 98]
Défauts de conception ?
Spaghetti Code
“ Ad hoc software structure makes it difficult to extend
and optimize code. ”
Pensée procédurale dans la programmation OO
Manque de structure : pas d’héritage, pas de
réutilisation, pas de polymorphisme
Longues méthodes sans paramètres avec une
faible cohésion
Noms des classes suggèrent une
programmation procédurale
Utilisation excessive de variables globales

7. Moha © Génération automatique d’algorithmes de détection des défauts de conception 7
Motivation
Pourquoi il est important de détecter les DCs ?
DCs atténuent la qualité des architectures OO et entravent leur
évolution et leur maintenance
La maintenance est coûteuse à cause des DCs [PER 92] : ajout,
debuggage, et évolution des fonctionnalités sont plus difficiles
Une bonne architecture logicielle sans DCs: plus facile à
comprendre, changer, et donc maintenir
Motivation
Atteindre un haut niveau de qualité logicielle
Réduire les coûts du développement logiciel et de maintenance

8. Moha © Génération automatique d’algorithmes de détection des défauts de conception 8
Method DECOR
Specification
Domain
Analysis
Detection
Processing
Validation

9. Moha ©
Specification
Domain
Analysis
Detection
Processing
Validation
Génération automatique d’algorithmes de détection des défauts de conception 9
Method DECOR
Contributions
Génération automatique des algorithmes de détection
Évaluation des algorithmes générés en terme de précision et de
rappel

10. Moha ©
Specification
Domain
Analysis
Detection
Processing
Validation
Génération automatique d’algorithmes de détection des défauts de conception 10
Method DECOR

11. Moha ©
Specification
Domain
Analysis
Detection
Processing
Validation
Génération automatique d’algorithmes de détection des défauts de conception 11
Method DECOR

12. Moha ©
On all defects On each defect
1
Specification
2
Domain
Analysis
Vocabulary
Taxonomy
Operational
specifications
Brown et al. (1998)
Demeyer (2002)
Dudney (2003)
Fowler (1999)
Riel (1996)
Webster (1995)
Marinescu (2004)
Munro (2005)
Alikacem (2006)
Suspicious
classes
Text-based descriptions
of design defects
Marinescu (2004)
Alikacem (2006)
Travassos : manual detection (1999)
Tools: SmallLint, PMD, CROCOPAT
Detection
4
DECOR Method
Source code
of the system
Processing
3
Specifications Classes having
design defects
Validation
5
Source code
of the system
Marinescu (2004)
Munro (2005)
On each system
RULE_CARD : SpaghettiCode {
...
RULE: LongMethodMethodNoParameter { INTER LongMethod MethodNoParameter };
RULE: LongMethod { METRIC LOC_METHOD VERY_HIGH 10.0 };
RULE: MethodNoParameter { METRIC NMNOPARAM VERY_HIGH 10.0 };
...
RULE: NoInheritance { METRIC DIT 1 0.0 } ;
RULE: NoPolymorphism { STRUCT NO_POLYMORPHISM } ;
RULE: ProceduralNameGlobalVariable { UNION ProceduralName GlobalVariable };
RULE: ProceduralName { LEXIC CLASS_NAME (Make, Create, System, Exec) };
RULE: UseGlobalVariable { STRUCT USE_GLOBAL_VARIABLE };
} ;
12
Spécifications
SADSL (Software Architectural Defect Specification Language) [LMO’06]
Langage pour spécifier les DCs basé sur un méta-modèle
Génération automatique d’algorithmes de détection des défauts de conception

13. Moha © 13
Spécifications
Méta-modèle SADDL (Software Architectural Defect Definition Language)
Génération automatique d’algorithmes de détection des défauts de conception
On all defects On each defect
1
Specification
2
Domain
Analysis
Vocabulary
Taxonomy
Operational
specifications
Brown et al. (1998)
Demeyer (2002)
Dudney (2003)
Fowler (1999)
Riel (1996)
Webster (1995)
Marinescu (2004)
Munro (2005)
Alikacem (2006)
Suspicious
classes
Text-based descriptions
of design defects
Marinescu (2004)
Alikacem (2006)
Travassos : manual detection (1999)
Tools: SmallLint, PMD, CROCOPAT
Detection
4
DECOR Method
Source code
of the system
Processing
3
Specifications Classes having
design defects
Validation
5
Source code
of the system
Marinescu (2004)
Munro (2005)
On each system

14. Moha ©
Specification
Domain
Analysis
Detection
Processing
Validation
Génération automatique d’algorithmes de détection des défauts de conception 14
Method DECOR

15. Moha ©
Specification
Domain
Analysis
Detection
Algorithm
Generation
Validation
Génération automatique d’algorithmes de détection des défauts de conception 15
Method DECOR

16. Moha © Génération automatique d’algorithmes de détection des défauts de conception 16
Génération des algos
On all defects On each defect
1
Specification
2
Domain
Analysis
Vocabulary
Taxonomy
Operational
specifications
Brown et al. (1998)
Demeyer (2002)
Dudney (2003)
Fowler (1999)
Riel (1996)
Webster (1995)
Marinescu (2004)
Munro (2005)
Alikacem (2006)
Suspicious
classes
Text-based descriptions
of design defects
Marinescu (2004)
Alikacem (2006)
Travassos : manual detection (1999)
Tools: SmallLint, PMD, CROCOPAT
Detection
4
DECOR Method
Source code
of the system
Processing
3
Specifications Classes having
design defects
Validation
5
Source code
of the system
Marinescu (2004)
Munro (2005)
On each system

17. Moha © Génération automatique d’algorithmes de détection des défauts de conception 17
Génération des algos
On all defects On each defect
1
Specification
2
Domain
Analysis
Vocabulary
Taxonomy
Operational
specifications
Brown et al. (1998)
Demeyer (2002)
Dudney (2003)
Fowler (1999)
Riel (1996)
Webster (1995)
Marinescu (2004)
Munro (2005)
Alikacem (2006)
Suspicious
classes
Text-based descriptions
of design defects
Marinescu (2004)
Alikacem (2006)
Travassos : manual detection (1999)
Tools: SmallLint, PMD, CROCOPAT
Detection
4
DECOR Method
Source code
of the system
Processing
3
Specifications Classes having
design defects
Validation
5
Source code
of the system
Marinescu (2004)
Munro (2005)
On each system

18. Moha © Génération automatique d’algorithmes de détection des défauts de conception 18
Génération des algos
On all defects On each defect
1
Specification
2
Domain
Analysis
Vocabulary
Taxonomy
Operational
specifications
Brown et al. (1998)
Demeyer (2002)
Dudney (2003)
Fowler (1999)
Riel (1996)
Webster (1995)
Marinescu (2004)
Munro (2005)
Alikacem (2006)
Suspicious
classes
Text-based descriptions
of design defects
Marinescu (2004)
Alikacem (2006)
Travassos : manual detection (1999)
Tools: SmallLint, PMD, CROCOPAT
Detection
4
DECOR Method
Source code
of the system
Processing
3
Specifications Classes having
design defects
Validation
5
Source code
of the system
Marinescu (2004)
Munro (2005)
On each system
Plateforme SAD
- Méta-modèle pour représenter les programmes OO
- Un répertoire de métriques
- Des services pour analyser to analyse des relations
structurelles
- Des services pour appliquer des analyses
structurelles et lexicales
Complexité : O((c+op) X n)
- c : le nombre de propriétés
- op : le nombre d’opérateurs
- n : le nombre de classes

19. Moha ©
1 public class <CODESMELL>Detection
2 extends CodeSmellDetection
3 implements ICodeSmellDetection {
4 public Set performDetection() {
5 IClass c = iteratorOnClasses.next();
6 LOCofSetOfClasses.add(
7 Metrics.compute(<METRIC>, c));
8 ...
9 BoxPlot boxPlot = new BoxPlot(
10 <METRIC>ofSetOfClasses, <FUZZINESS>);
11 Map setOfOutliers =
12 boxPlot.<ORDINAL_VALUE>();
13 ...
14 suspiciousCodeSmells.add( new CodeSmell(
15 <CODESMELL>, setOfOutliers));
16 ...
17 return suspiciousCodeSmells;
18 }
Génération automatique d’algorithmes de détection des défauts de conception 19
Génération des algos
On all defects On each defect
1
Specification
2
Domain
Analysis
Vocabulary
Taxonomy
Operational
specifications
Brown et al. (1998)
Demeyer (2002)
Dudney (2003)
Fowler (1999)
Riel (1996)
Webster (1995)
Marinescu (2004)
Munro (2005)
Alikacem (2006)
Suspicious
classes
Text-based descriptions
of design defects
Marinescu (2004)
Alikacem (2006)
Travassos : manual detection (1999)
Tools: SmallLint, PMD, CROCOPAT
Detection
4
DECOR Method
Source code
of the system
Processing
3
Specifications Classes having
design defects
Validation
5
Source code
of the system
Marinescu (2004)
Munro (2005)
On each system
RULE: LongMethod { METRIC LOC_METHOD VERY_HIGH 10.0 };
Visiteur Gabarit

20. Moha © Génération automatique d’algorithmes de détection des défauts de conception 20
Génération des algos
On all defects On each defect
1
Specification
2
Domain
Analysis
Vocabulary
Taxonomy
Operational
specifications
Brown et al. (1998)
Demeyer (2002)
Dudney (2003)
Fowler (1999)
Riel (1996)
Webster (1995)
Marinescu (2004)
Munro (2005)
Alikacem (2006)
Suspicious
classes
Text-based descriptions
of design defects
Marinescu (2004)
Alikacem (2006)
Travassos : manual detection (1999)
Tools: SmallLint, PMD, CROCOPAT
Detection
4
DECOR Method
Source code
of the system
Processing
3
Specifications Classes having
design defects
Validation
5
Source code
of the system
Marinescu (2004)
Munro (2005)
On each system
Visiteur Code généré
RULE: LongMethod { METRIC LOC_METHOD VERY_HIGH 10.0 };

21. Moha ©
RULE: LongMethod { METRIC LOC_METHOD VERY_HIGH 10.0 };
21
Génération des algos
Box-plot pour les métriques de type ordinal
Génération automatique d’algorithmes de détection des défauts de conception
On all defects On each defect
1
Specification
2
Domain
Analysis
Vocabulary
Taxonomy
Operational
specifications
Brown et al. (1998)
Demeyer (2002)
Dudney (2003)
Fowler (1999)
Riel (1996)
Webster (1995)
Marinescu (2004)
Munro (2005)
Alikacem (2006)
Suspicious
classes
Text-based descriptions
of design defects
Marinescu (2004)
Alikacem (2006)
Travassos : manual detection (1999)
Tools: SmallLint, PMD, CROCOPAT
Detection
4
DECOR Method
Source code
of the system
Processing
3
Specifications Classes having
design defects
Validation
5
Source code
of the system
Marinescu (2004)
Munro (2005)
On each system

22. Moha ©
Specification
Domain
Analysis
Detection
Algorithm
Generation
Validation
Génération automatique d’algorithmes de détection des défauts de conception 22
Method DECOR

23. Moha ©
Specification
Domain
Analysis
Detection
Algorithm
Generation
Validation
Génération automatique d’algorithmes de détection des défauts de conception 23
Method DECOR

24. Moha © 24
Expérimentations
But : évaluer les algorithmes générés en terme de précision et rappel
Temps de
détection
RappelPrécision
Défauts
détectés
Défauts
existants
Nbre de
classes
Défauts
2,45s100%88,6%44 (8,6%)39 (7,6%)
513
Blob
0,91s100%51,7%29 (5,6%)15 (2,9%)Functional Decomp.
0,23s100%60,5%76 (14,8%)46 (9,0%)Spaghetti Code
0,08s100%41,1%56 (10,9%)23 (4,5%)Swiss Army Knife
Génération automatique d’algorithmes de détection des défauts de conception
Xerces: 71,217LOC, 513 classes et 162 interfaces

25. Moha © 25
Démonstration
Génération automatique d’algorithmes de détection des défauts de conception

26. Moha © Génération automatique d’algorithmes de détection des défauts de conception 26
Conclusion
Method DECOR
Méthode pour générer des algorithmes de détection des DCs
Contributions
Processus explicite de génération des algorithmes de détection
Évaluation des algorithmes de détection en terme de précision et
de rappel
Travaux futurs
- Expérimentations sur d’autres systèmes et défauts
- Plus de flexibilité dans la génération de code en utilisant XML
- Intégrer les plateformes existantes

27. Moha © Génération automatique d’algorithmes de détection des défauts de conception 27
Questions
Merci pour votre attention !
Contact: mohanaou@iro.umontreal.ca
http://www-etud.iro.umontreal.ca/~mohanaou