Automatische Erkennung von „Bad Smells“ · 1.1 ∧ woc c 0.5 ∧ nopa c 4 ∨ noam c 4 Bernhard Berger Seminar Transformationstechnik Bad Smells Universität Bremen Was sind „Bad

Bernhard Berger Seminar Transformationstechnik Bad Smells Universität Bremen

Automatische Erkennung von „Bad Smells“

● Was sind „Bad Smells“?

● Warum automatische Erkennung?

● Welche Ansätze gibt es?

● Vergleich!

Inhalt





● Vergleich!

Inhalt


● Indikatoren für schlechte Programmierung

● Fowler definiert 22 Bad Smells● Weitere im Internet

„Bad Smells“ nach Fowler


● Beispiel:

„Bad Smells“ nach Fowler

„Jede Klasse, die Sie erstellen kostet Geld, um sie zu warten und zu verstehen. Eine Klasse, die nicht genug leistet, um ihr Geld wert zu sein, sollte eliminiert werden. [...]“ (Fowler)

„Nach unserer Erfahrung erreicht kein System von Metriken die informierte menschliche Intuition. [...]“ (Fowler)





● Vergleich!

Inhalt


Automatische Erkennung

● Wieso keine Suche durch die Programmierer?

● Finanzieller Vorteil● Mensch unzuverlässig

Je länger eine Programmierer im Projekt, desto schlechter ist die Beurteilung von Bad Smells. (Mäntylä)





● Vergleich!

Inhalt


Ansätze

Mustersuche

Metriken

Erkennung auf der Ebene des Quellcodes

Erkennung auf der Ebene von Metainformationen


Mustersuche

● Suche nach Mustern● Erkennung auf verschiedenen Ebenen:

– Quellcode– Tokenstrom– (abstrakter) Syntaxbaum


Quellcodeebene

● Tools bereits vorhanden:– diff – exakte Kopien – grep – reguläre Ausdrücke

● Eingeschränkte Fähigkeiten


Tokenstrom

● Zeichen erhalten Bedeutungen

● Sequenz von Token● Benötigt Parser


Syntaxbaum

= = =

ls1 rs1 ls2 rs2 ls3 rs3

list of statements

● Zusätzliche Informationen:– Datentypen– Datenfluss– Kontrollfluss (dom, pdom)– ...

● Flexiblere Suchmuster


Ansätze

Mustersuche

Metriken


Metriken (1)

● Bad Smells kann man messen● Viele Metriken vorhanden● Metriken auf Klassen- und

Funktionsebene● Korrelation zwischen Bad Smell und

Metrik(en)


Metriken (2)

● Beispiel von Raţiu:

● „Willkürliche“ Grenzen● Wie zuverlässig sind diese Grenzen?● Metriken enstehen aus u.a. AST

DataClass C =WMC C NOM C

1.1∧WOC C 0.5∧NOPA C 4∨NOAM C 4





● Vergleich!

Inhalt


● Mustersuche:– Duplizierter Code– Lange Parameterlisten

● Metriken:– Schrotkugeln herausoperieren– Neid– viele andere

Vergleich (1) Beispiele


● Mustersuche:

+ Arbeiten auf Codeebene

- Nicht für alles anwendbar● Metriken:

+ Anwendbar für fast alles

- Auf relativ hohem Niveau

Vergleich (2)


● Reine Mustersuche selten anwendbar● Metriken „ungenauer“● Metriken werden z.t. über Muster

gewonnen● Metriken nicht immer ausreichend

Zusammenfassung


Quellen

● Fowler: Fowler, Martin; Refactoring; Addison-Wesley

● Mäntylä: Mäntylä, Mika; Bad Smells in Software; Helsinki University

● Raţiu: Raţiu, Danuiel et al; Using History Information to Improve Design Flaws Detection


Automatische Erkennung von „Bad Smells“ · 1.1 ∧ woc c 0.5 ∧ nopa c 4 ∨ noam c 4 Bernhard Berger Seminar Transformationstechnik Bad Smells Universität Bremen Was sind „Bad

Documents