基于LDA和DBSCAN的多版本软件克隆群映射提升算法

本文主要探讨了"基于LDA和DBSCAN的软件多版本克隆群映射方法"这一研究主题。在软件开发过程中，克隆群映射是一项关键任务，它有助于理解代码演变和维护。传统的克隆群映射方法往往局限于相邻版本之间的比较，这在处理中期版本中暂时消失的克隆群时存在挑战。为了解决这个问题，研究者提出了一个创新的方法，该方法结合了Latent Dirichlet Allocation (LDA)主题模型和Density-Based Spatial Clustering of Applications with Noise (DBSCAN)算法。 首先，研究步骤涉及对所有软件版本的克隆群进行预处理，形成一个包含所有克隆群文档的集合。LDA被用来识别隐藏的主题结构，通过贝叶斯信息准则选择合适的主题数量T，然后训练主题概率模型，将每个克隆群转换为T个主题的概率分布向量。这种转换使得克隆群可以被量化并表达为统计上的主题分布。 接下来，利用Jensen-Shannon (JS)距离来衡量不同克隆群之间的相似性，这是评估概率分布之间差异的一种度量。JS距离被应用于DBSCAN算法，将具有相似主题分布的克隆群聚集在一起，形成同一簇。DBSCAN算法的优点在于它能够发现任意形状的聚类，对于非凸数据集尤其有效。 最后，对每个簇内的克隆群按照版本发布的时间顺序进行排序，从而得到多版本之间的克隆群映射结果。这种方法的有效性通过在五款开源软件83个版本的实验中得到了验证，结果显示其查全率和查准率分别达到了98%以上，表明这种方法在软件克隆代码分析和管理中具有很高的实用价值。 这项研究不仅解决了软件演化过程中克隆群映射的难题，还为克隆代码的管理和分析提供了一种有效工具。同时，研究中采用的LDA和DBSCAN相结合的方法也为其他领域，如文本挖掘和无监督聚类提供了新的视角和可能的应用场景。此外，作者们还提及了资助项目，包括国家自然科学基金项目和内蒙古自治区的自然科学基金项目，显示了这一领域的学术支持和认可。