Ce document présente une méthode pour la génération automatique d'algorithmes de détection des défauts de conception, identifiant les défauts à la fois de haut et de bas niveau dans les architectures orientées objet. Il souligne l'importance de détecter ces défauts pour améliorer la qualité du logiciel, réduire les coûts de maintenance et faciliter l'évolution des systèmes. Les résultats expérimentaux démontrent l'efficacité des algorithmes générés en termes de précision et de rappel.

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

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

4. Défauts de conception ?
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
Moha © Génération automatique d’algorithmes de détection des défauts de conception 4

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.
Moha © Génération automatique d’algorithmes de détection des défauts de conception 5

6. Défauts de conception ?
2 exemples de défauts de conception [Brown 98]
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
Moha © Génération automatique d’algorithmes de détection des défauts de conception 6

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
Moha © Génération automatique d’algorithmes de détection des défauts de conception 7

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

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

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

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

12. DECOR Method
Spécifications
On all defects On each defect On each system
Source code Source code
1 2 3 4 5
Specification
of the system of the system
Processing
Validation
Vocabulary
Detection
Analysis
Domain
Text-based descriptions Specifications Operational Suspicious Classes having
of design defects specifications classes design defects
Taxonomy
Brown et al. (1998)
Demeyer (2002)
Dudney (2003)
Marinescu (2004) Marinescu (2004)
Fowler (1999) Marinescu (2004)
Alikacem (2006) Munro (2005)
Riel (1996) Munro (2005)
Travassos : manual detection (1999)
Webster (1995) Alikacem (2006)
Tools: SmallLint, PMD, CROCOPAT
SADSL (Software Architectural Defect Specification Language) [LMO’06]
Langage pour spécifier les DCs basé sur un méta-modèle
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 };
} ;
Moha © Génération automatique d’algorithmes de détection des défauts de conception 12

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

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

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

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

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

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

19. DECOR Method
Génération des algos
On all defects On each defect On each system
Source code Source code
1 2 3 4 5
Specification
of the system of the system
Processing
Validation
Vocabulary
Detection
Analysis
Domain
Text-based descriptions Specifications Operational Suspicious Classes having
of design defects specifications classes design defects
Taxonomy
Brown et al. (1998)
Demeyer (2002)
Dudney (2003)
Marinescu (2004) Marinescu (2004)
Fowler (1999) Marinescu (2004)
Alikacem (2006) Munro (2005)
Riel (1996) Munro (2005)
Travassos : manual detection (1999)
Webster (1995) Alikacem (2006)
Tools: SmallLint, PMD, CROCOPAT
RULE: LongMethod { METRIC LOC_METHOD VERY_HIGH 10.0 };
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 }
Visiteur Gabarit
Moha © Génération automatique d’algorithmes de détection des défauts de conception 19

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

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

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

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

24. Expérimentations
But : évaluer les algorithmes générés en terme de précision et rappel
Xerces: 71,217LOC, 513 classes et 162 interfaces
Nbre de Défauts Défauts Temps de
Défauts Précision Rappel
classes existants détectés détection
Blob 39 (7,6%) 44 (8,6%) 88,6% 100% 2,45s
Functional Decomp. 15 (2,9%) 29 (5,6%) 51,7% 100% 0,91s
513
Spaghetti Code 46 (9,0%) 76 (14,8%) 60,5% 100% 0,23s
Swiss Army Knife 23 (4,5%) 56 (10,9%) 41,1% 100% 0,08s
Moha © Génération automatique d’algorithmes de détection des défauts de conception 24

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

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
Moha © Génération automatique d’algorithmes de détection des défauts de conception 26

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