王 崢，程平遠(yuǎn)

（南陽職業(yè)學(xué)院，河南 南陽 474500）

1 軟件工程開源生態(tài)大數(shù)據(jù)概述

1.1 軟件工程開源生態(tài)的大數(shù)據(jù)體系

通常情況下可將軟件社區(qū)分為兩大部分，即開發(fā)社區(qū)和應(yīng)用社區(qū)，與軟件工程相關(guān)的內(nèi)容都可以被涵蓋其中。而軟件工程的主體部分可以是多種文本形式的，也就具有更為豐富的語義。在構(gòu)建軟件工程開源生態(tài)的大數(shù)據(jù)體系時(shí)，一定要充分考慮到開發(fā)的具體環(huán)節(jié)、軟件的鏡像和應(yīng)用、開發(fā)制品、問題咨詢以及應(yīng)用過程等因素，并且能夠覆蓋GitHub，Docker Hub和Apache等多種類型的主流開源社區(qū)，使相關(guān)人員對軟件工程進(jìn)行實(shí)驗(yàn)和研究工作時(shí)，能夠以此為依據(jù)從全局的角度去考慮各類問題。在所構(gòu)建的軟件工程開源生態(tài)的大數(shù)據(jù)體系中，主要總結(jié)并概括了3種數(shù)據(jù)的具體類型：開發(fā)數(shù)據(jù)、應(yīng)用數(shù)據(jù)和交付數(shù)據(jù)。

1.2 軟件工程開源生態(tài)大數(shù)據(jù)的采集處理框架

研究中所構(gòu)建的大數(shù)據(jù)采集處理框架具有模式多樣以及增量式的顯著優(yōu)勢，而對于各種類型的軟件數(shù)據(jù)都能夠高效地完成收集、分析、處理和整合等工作。在研究中主要以定向采集、有效感知、增量檢測和多元關(guān)聯(lián)等先進(jìn)技術(shù)為基礎(chǔ)，有針對性地設(shè)置了分布式爬蟲，可以直接下載相應(yīng)的數(shù)據(jù)包，并且也能夠獲取到局域應(yīng)用程序接口和網(wǎng)頁爬蟲的相關(guān)信息數(shù)據(jù)。在下載數(shù)據(jù)包時(shí)，很多軟件社區(qū)不僅會壓縮并且保存以往獲得的歷史數(shù)據(jù)，還會將數(shù)據(jù)存儲的地址提供給軟件工程的開發(fā)者；而針對網(wǎng)頁爬蟲中存在的信息數(shù)據(jù)，開發(fā)者應(yīng)先針對具體的格式和實(shí)際特點(diǎn)進(jìn)行深入研究，在充分考慮到網(wǎng)頁爬蟲常用的匹配方式的基礎(chǔ)上獲取數(shù)據(jù)信息。在實(shí)際工作中，經(jīng)常會遇到重復(fù)爬行和效率偏低的問題，通常所采用的處理方式是應(yīng)用分布式的網(wǎng)絡(luò)爬蟲技術(shù)，并行處理相關(guān)的信息數(shù)據(jù)從而提升工作中的實(shí)際爬取效率（見圖1）。

圖1 軟件工程開源生態(tài)大數(shù)據(jù)的采集處理框架

1.3 軟件工程開源生態(tài)大數(shù)據(jù)的匯聚及共享

軟件工程的開源生態(tài)大數(shù)據(jù)還具有多樣化、大規(guī)模以及較強(qiáng)異構(gòu)性的特點(diǎn)。為了構(gòu)建一個(gè)更為全面并且科學(xué)的軟件工程大數(shù)據(jù)的匯聚和共享平臺，在實(shí)際工作中應(yīng)嚴(yán)格遵循以實(shí)際需求獲取、開放共享、平臺匯聚以及分類存儲的原則。在這種模式下，一般情況下都建議采用非結(jié)構(gòu)化存儲和結(jié)構(gòu)化存儲兩種相結(jié)合的方式。對于本地?cái)?shù)據(jù)應(yīng)添加一個(gè)檢索功能，在確定本地?cái)?shù)據(jù)的查詢、控制以及共享等功能的基本單位時(shí)建議提供相應(yīng)的知識描述模塊。為更好地表述出不同表之間的邏輯關(guān)聯(lián)關(guān)系，這一平臺還應(yīng)具備知識描述和檢索的功能。平臺應(yīng)將統(tǒng)一的訪問門戶提供給使用者，且在實(shí)時(shí)跟蹤使用者使用需求的基礎(chǔ)上不斷改進(jìn)和完善動態(tài)數(shù)據(jù)。數(shù)據(jù)資源的接口應(yīng)具有全面性和統(tǒng)一性，讓使用者能夠迅速找到自身所需要的數(shù)據(jù)信息。在實(shí)際工作中可將平臺放置在阿里云和UCloud上，在共享平臺直接存儲那些規(guī)模較小的數(shù)據(jù)，而對于那些較大規(guī)模的數(shù)據(jù)信息建議讓共享單位對其進(jìn)行單獨(dú)管理[1]。

2 基于軟件工程開源生態(tài)大數(shù)據(jù)的智能化軟件開發(fā)

2.1 以數(shù)據(jù)開發(fā)為基礎(chǔ)的軟件知識圖譜構(gòu)造

針對軟件工程中存在的主要問題，應(yīng)先建立更為全面的軟件缺陷知識圖譜，而這一圖譜則要在科學(xué)運(yùn)用主題模型LDA和文本相似度算法的基礎(chǔ)上來更有針對性地抽取關(guān)系并識別實(shí)體，其并不支持所有數(shù)據(jù)源的知識擴(kuò)展工作，缺陷報(bào)告的數(shù)據(jù)以及源代碼數(shù)據(jù)對其有重要的影響。社區(qū)平臺中的工作人員應(yīng)對所構(gòu)建的CWE KG模塊進(jìn)行有效編輯，與軟件弱點(diǎn)有較強(qiáng)關(guān)聯(lián)的各類文檔數(shù)據(jù)對其會產(chǎn)生直接影響。為保證軟件開發(fā)過程中的在線問答效果，筆者有針對性地建立了HDSKG模塊。同樣，為了更好地識別實(shí)體并抽取關(guān)系，筆者采用了基于規(guī)則和依賴解析的方式，這一模式必須具備所收集到的在線問答數(shù)據(jù)作為支持，其擴(kuò)展性也會受到一定限制。以數(shù)據(jù)開發(fā)為基礎(chǔ)的軟件工程開源生態(tài)大數(shù)據(jù)所提煉出的軟件知識圖譜，語義更為豐富、規(guī)模更大并且所涵蓋的內(nèi)容更廣泛，且具備有效查詢、搜索和儲存知識圖譜的功能，以此為基礎(chǔ)進(jìn)行數(shù)據(jù)分析、融合和深度挖掘等工作。在數(shù)據(jù)分析的工作中，圖譜可與Word文檔、郵件列表日志、PDF文檔、網(wǎng)頁文檔、軟件源代碼和各類系統(tǒng)的版本記錄等多種類型的軟件工程數(shù)據(jù)相融合，同時(shí)具備更高的智能化程度，能夠及時(shí)地補(bǔ)全各類有較強(qiáng)關(guān)聯(lián)性的軟件數(shù)據(jù)以及整合出更易于被理解和接受的數(shù)據(jù)知識。

2.2 基于缺陷與社區(qū)問答數(shù)據(jù)的軟件代碼缺陷智能定位與修復(fù)技術(shù)

在軟件工程開源生態(tài)大數(shù)據(jù)中，相關(guān)的開發(fā)數(shù)據(jù)和應(yīng)用數(shù)據(jù)作用十分關(guān)鍵，在實(shí)際的研究工作中一定要重點(diǎn)關(guān)注基于缺陷和社區(qū)問答數(shù)據(jù)的軟件代碼缺陷的智能定位與修復(fù)技術(shù)。軟件缺陷出現(xiàn)的概率與代碼的實(shí)際規(guī)模呈現(xiàn)出正比例關(guān)系。同時(shí)，缺陷報(bào)告文本附著的元數(shù)據(jù)以及缺陷報(bào)告與關(guān)聯(lián)代碼之間的密切關(guān)聯(lián)性都是其自身的顯著特點(diǎn)。在實(shí)際工作中所構(gòu)建的文本主題模型應(yīng)不僅能起到有效的監(jiān)督作用，還能明確具體預(yù)測和訓(xùn)練方法。這一方法比傳統(tǒng)更具修復(fù)能力，無論是實(shí)時(shí)的數(shù)據(jù)還是歷史數(shù)據(jù)都能夠?qū)⑵溆行迯?fù)，還能夠?qū)⒄Z義相似度和文本相似度這兩大內(nèi)容緊密結(jié)合，缺陷智能定位的精度更高。在實(shí)際所采用的開源項(xiàng)目包含著多個(gè)子項(xiàng)目，如JDT，PDE和Platform等子項(xiàng)目，在進(jìn)行相同內(nèi)容的工作時(shí)，這些子項(xiàng)目對信息數(shù)據(jù)的預(yù)測準(zhǔn)確度得到了較大提高。由于缺陷定位的精準(zhǔn)性會受到缺陷報(bào)告中文本附加信息影響，研究人員提出了L2SS+模型簇的概念，并對多個(gè)數(shù)據(jù)集合進(jìn)行了實(shí)驗(yàn)工作，從實(shí)驗(yàn)中也更為明確了所構(gòu)建的產(chǎn)品模塊信息是能夠直接影響到缺陷定位的準(zhǔn)確性的，在同類工作中其準(zhǔn)確率提高了20%左右[2]。

2.3 基于上下文感知的軟件問答資源推薦技術(shù)

研究人員為了更好地認(rèn)知并掌握軟件工程開源生態(tài)大數(shù)據(jù)中交付數(shù)據(jù)和應(yīng)用數(shù)據(jù)，在工作中還可以根據(jù)對上下文的感知情況來更有針對性地推薦軟件的問答資源，這一研究內(nèi)容在軟件問答推薦領(lǐng)域中都具有前瞻性。以往也有一些研究感知考慮到上下文的感知情況，但其主要還是考慮代碼本身的關(guān)鍵詞，對于其中的語義內(nèi)容以及存在于系統(tǒng)中的大量問答知識都沒有被充分地考慮到，本系統(tǒng)研究人員主要采用的方法是將代碼上下文中的關(guān)鍵詞抽取出來并借助于檢索功能來縮小問答數(shù)據(jù)的實(shí)際集合，使每一個(gè)問答數(shù)據(jù)與上下文之間的關(guān)聯(lián)性能夠被計(jì)算出來，在整體排序各類計(jì)算結(jié)果后，直接推薦給軟件工程的開發(fā)者。

3 結(jié)語

通過以上的論述，本文對軟件工程開源生態(tài)大數(shù)據(jù)概述及基于軟件工程開源生態(tài)大數(shù)據(jù)的智能化軟件開發(fā)兩個(gè)方面的內(nèi)容進(jìn)行了詳細(xì)分析和探討，對其大數(shù)據(jù)的體系以及框架中的各類功能進(jìn)行了深入研究和探索，并對其知識圖譜構(gòu)造、缺陷智能定位與修復(fù)以及問答資源推薦等關(guān)鍵技術(shù)進(jìn)行了闡述，在對面向智能化軟件開發(fā)的各類開源生態(tài)大數(shù)據(jù)的研究工作中具有很強(qiáng)的實(shí)際應(yīng)用價(jià)值。