LuanVan.vnLuận Văn
Gửi thư

Phát hiện mã xấu trong chương trình bằng phương pháp học sâu

Luận văn · Thạc sĩ · năm 2024 · đề tài tham khảo

Loại tài liệuLuận văn
Bậc họcThạc sĩ
NgànhCông nghệ thông tin
Tác giảNguyễn Bình Minh
Người hướng dẫnVõ Đình Hiếu
Cơ sở đào tạoĐại học Quốc gia Hà Nội
Năm2024
NguồnThư viện số Đại học Quốc gia Hà Nội · trang gốc

Tóm tắt

Ngành kỹ thuật phần mềm đã phát triển vượt bậc trong vài thập kỷ qua, các ứng dụng phần mềm tiến hóa từ các chương trình đơn giản, thô sơ đến các hệ thống phức tạp và đa chức năng, đáp ứng đầy đủ nhu cầu của người dùng và doanh nghiệp. Sự tiến bộ này kéo theo sự gia tăng về độ phức tạp và quy mô của các ứng dụng, làm cho việc đảm bảo chất lượng và khả năng bảo trì trở nên quan trọng hơn bao giờ hết. Một trong những tiêu chí đánh giá chất lượng của phần mềm là độ "sạch" của mã nguồn. Mã nguồn sạch (clean code) [1] không chỉ dễ hiểu và dễ bảo trì, mà còn giúp giảm chi phí phát triển và vận hành, đồng thời nâng cao khả năng mở rộng của ứng dụng. Ngược lại, mã nguồn không sạch, hay mã xấu (code smells) [2] làm giảm tính mở rộng và tái sử dụng của mã nguồn và tăng nguy cơ xảy ra lỗi trong chương trình, đồng thời giảm hiệu suất làm việc và hạn chế khả năng cộng tác của các lập trình viên. Dù là các lập trình viên mới vào nghề hay những người có kinh nghiệm đều dễ mắc phải các lỗi gây ra mã nguồn xấu trong chương trình. Do đó, việc phát triển một giải pháp toàn diện để phát hiện và khắc phục mã xấu là vô cùng cần thiết, song cũng đặt ra nhiều thách thức cho cộng đồng nghiên cứu. Luận văn sẽ giới thiệu GRACOS - Graph-based Code Smells Detector, một giải pháp phát hiện mã xấu trong mã nguồn Java sử dụng học sâu dựa trên đồ thị. Phương pháp này khai thác lợi thế của việc biểu diễn mã nguồn dưới dạng đồ thị, cho phép mô hình học sâu nhận diện các đặc trưng về liên kết giữa các thành phần trong mã nguồn. Qua đó, GRACOS có thể đánh giá thông minh các tính chất của đoạn mã nguồn đang xem xét và học các biểu hiện của mã xấu một cách hiệu quả. GRACOS sau đó được thử nghiệm và so sánh với phương pháp hiện đại nhất với bốn biểu hiện mã xấu là Complex Method (CM), Complex Conditional (CC), Feature Envy (FE) và Multifaceted Abstraction (MA), kết quả đạt được cho thấy phương pháp này vượt trội hơn phương pháp hiện đại nhất về khả năng nhận diện các đặc trưng của mã xấu.
Bản toàn văn lưu tại thư viện Đại học Quốc gia Hà Nội

Thông tin và tóm tắt ở trên lấy từ kho số mở của thư viện trường. Bản toàn văn do thư viện trường quản lý — có nơi cho đọc trực tuyến, có nơi cần tài khoản bạn đọc của trường.

Mở tại thư viện trường ↗
Dùng tài liệu tham khảo cho đúng
  • Đọc để hiểu cách người trước đặt câu hỏi, chọn phương pháp, trình bày số liệu — rồi tự làm với dữ liệu và bối cảnh của bạn.
  • Ý, số liệu, bảng biểu lấy từ tài liệu này phải trích dẫn (tác giả, năm, tên đề tài, cơ sở đào tạo).
  • Đề tài trùng tên vẫn làm được nếu khác đơn vị khảo sát, thời gian hoặc cách tiếp cận — nêu rõ điểm khác trong phần mở đầu.

Hướng dẫn chọn đề tài, cấu trúc và số liệu cho ngành này: Luận văn công nghệ thông tin · Hỏi đáp từng chương với người hướng dẫn số: Học Giả Số · Công cụ số: Luận Văn Số.

Đề tài cùng ngành

Tác giả muốn gỡ, sửa thông tin hoặc bổ sung bản toàn văn: gửi yêu cầu qua trang Liên hệ, kèm đường dẫn trang này.