融合靜態(tài)程序分析與集成學(xué)習(xí)的Android代碼異味共存檢測(cè)

摘 要：相對(duì)于單一種類的代碼異味，異味共存對(duì)程序更具危害性。針對(duì)Android特有代碼異味，現(xiàn)有研究主要關(guān)注單一種類異味的檢測(cè)，忽略異味共存對(duì)Android應(yīng)用程序的負(fù)面影響。為識(shí)別共存的Android特有代碼異味，提出融合靜態(tài)程序分析與集成學(xué)習(xí)的Android代碼異味共存檢測(cè)方法。作為初步研究，識(shí)別忽略類成員變量的方法異味與缺少低內(nèi)存處理程序異味的共存。首先，提出基于靜態(tài)程序分析的Android代碼異味共存檢測(cè)方法和正負(fù)樣本自動(dòng)生成方法并實(shí)現(xiàn)工具 ASSD。該工具的輸出為后續(xù)集成學(xué)習(xí)模型提供豐富的訓(xùn)練樣本。然后，針對(duì)單一機(jī)器學(xué)習(xí)模型泛化能力有限的問題，提出一種軟投票集成學(xué)習(xí)模型，識(shí)別共存的Android代碼異味。該模型不僅可以集成傳統(tǒng)機(jī)器學(xué)習(xí)模型，還可以集成改進(jìn)的深度學(xué)習(xí)模型。實(shí)驗(yàn)結(jié)果表明，所提方法優(yōu)于已有基于靜態(tài)程序分析的檢測(cè)方法，F(xiàn)1值提升了26.1百分點(diǎn)。此外，基于傳統(tǒng)機(jī)器學(xué)習(xí)的軟投票集成學(xué)習(xí)模型優(yōu)于基于深度學(xué)習(xí)的軟投票集成學(xué)習(xí)模型，F(xiàn)1值提升了6.1百分點(diǎn)。所提方法可以實(shí)現(xiàn)Android代碼異味共存的檢測(cè)。

關(guān)鍵詞：Android代碼異味共存；軟投票；集成學(xué)習(xí)；靜態(tài)程序分析

中圖分類號(hào)：TP311"" 文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1001-3695（2025）04-027-1167-10

doi： 10.19734/j.issn.1001-3695.2024.09.0331

Detecting Android-specific smell co-occurrences based on program static analysis and ensemble learning

Wang Zhenqi， Bian Yixin， Ma Ruonan， Bi Boyu， Wang Jinxin

（College of Computer Science amp; Information Engineering， Harbin Normal University， Harbin 150025， China）

Abstract：Compared to individual types of code smells， the co-occurrence of code smells causes greater harm to programs. Existing research on Android-specific code smells primarily detects single types of smells， neglecting the negative impact of co-occurring smells on Android applications. To address this gap， this paper proposed a co-occurrence detection method for Android smells， which integrated static program analysis and ensemble learning. This initial study identified the co-occurrence of the no low memory resolver smell and member ignoring method smell. Firstly， this paper developed a co-occurrence detection method for Android smells based on static program analysis， along with an automatic generation method for positive and negative samples， and implemented an ASSD tool based on these methods. The tool provided rich training samples for the subsequent ensemble learning model. Then， this paper introduced a soft-voting ensemble learning model to detect Android smell co-occurrence， addressing the limited generalization capability of individual machine learning models. This model not only integrated traditional machine learning models but also improved deep learning models. Experimental results show that this method outperforms the existing detection methods based on static analysis， with a 26.1 percentage point increase in the F1-score. Additionally， the soft-voting ensemble model based on traditional machine learning outperforms the deep learning-based model， achieving a 6.1 percentage point improvement in the F1-score. This method enables effective detection of Android smell co-occurrence.

Key words：Android code smell co-occurrence; soft voting；ensemble learning; static program analysis

0 引言

代碼異味（code smell）是軟件系統(tǒng)中結(jié)構(gòu)不良的代碼段，最早由Martin Fowler提出[1]。代碼異味常被視作軟件開發(fā)過程中的一種技術(shù)債務(wù)[2]。它的存在不僅增加了代碼的復(fù)雜度，也加大了開發(fā)人員理解和維護(hù)代碼的難度，影響軟件擴(kuò)展性與版本演化。因此，代碼異味通過重構(gòu)解決，以“償還技術(shù)債務(wù)”。

傳統(tǒng)桌面應(yīng)用程序中的代碼異味被稱為面向?qū)ο螅╫bjected oriented，OO）代碼異味[3]。隨著技術(shù)的發(fā)展，代碼異味的概念已經(jīng)擴(kuò)展到多個(gè)領(lǐng)域，尤其是Android平臺(tái)。Android應(yīng)用程序使用相同的編程語言（即Java、Kotlin和JavaScript）開發(fā)，但其硬件（如CPU、內(nèi)存）和軟件架構(gòu)（如API、事件處理機(jī)制）與桌面應(yīng)用程序存在顯著差異。這使得Android應(yīng)用程序中的代碼異味更為復(fù)雜且多樣化[4，5]。2014年，Reimann等人[6]發(fā)現(xiàn)在Android應(yīng)用程序中存在Android特有代碼異味，并給出了詳細(xì)的異味列表。

代碼異味共存，即同一方法或類中存在多種異味的情況，會(huì)增加程序維護(hù)的難度并提升bug出現(xiàn)的概率[7]。研究發(fā)現(xiàn)，Android應(yīng)用中存在Android特有代碼異味共存、面向?qū)ο蟠a異味與Android異味共存以及面向?qū)ο蟠a異味共存[4]三種類型的異味共存。這些異味共存增加了程序的復(fù)雜性，并影響其性能和穩(wěn)定性，本文重點(diǎn)研究Android特有代碼異味共存。根據(jù)文獻(xiàn)[4]，在Android應(yīng)用程序中，三對(duì)Android特有代碼異味的共存頻率較高。作為初步研究，本文選擇其中一對(duì)作為研究對(duì)象。這對(duì)代碼異味是缺少低內(nèi)存處理程序異味（no low memory resolver， NLMR）和忽略類成員變量的方法異味（member-ignoring method， MIM）。MIM異味是指某類中的方法未使用該類的成員變量，這種異味不僅常見，而且增加了應(yīng)用的能耗并降低了可維護(hù)性[8] 。而NLMR異味出現(xiàn)在activity未實(shí)現(xiàn)onLowMemory（）方法時(shí)，系統(tǒng)內(nèi)存不足會(huì)導(dǎo)致程序異常終止[9]。這兩種異味在程序性能、內(nèi)存管理和能耗方面可能產(chǎn)生協(xié)同負(fù)面影響。

目前，能夠檢測(cè)Android特有代碼異味的工具是DAAP和aDoctor。前者主要針對(duì)單一異味的檢測(cè)，準(zhǔn)確率較高，但無法識(shí)別異味共存[10]；后者雖能識(shí)別異味共存，但其準(zhǔn)確性不足，且工具源代碼未公開[11]。此外，傳統(tǒng)靜態(tài)分析方法在閾值設(shè)定和規(guī)則選擇上具有主觀性，導(dǎo)致檢測(cè)結(jié)果存在差異[12]。以上現(xiàn)有檢測(cè)工具在處理異味共存時(shí)或準(zhǔn)確性不足，或無法應(yīng)對(duì)共存異味帶來的復(fù)雜情況。因此，為了檢測(cè)MIM和NLMR異味的共存，本文提出一種結(jié)合靜態(tài)程序分析與集成學(xué)習(xí)的檢測(cè)方法。主要貢獻(xiàn)如下：

a）提出一種基于靜態(tài)程序分析的方法識(shí)別共存的Android特有代碼異味。

b）提出一種樣本自動(dòng)生成方法，該方法能將檢測(cè)結(jié)果自動(dòng)分開，生成正負(fù)樣本。結(jié)合a）的方法，實(shí)現(xiàn)從異味檢測(cè)到樣本分離自動(dòng)完成，并開發(fā)工具ASSD（Android-specific smell detection）。工具的輸出為后續(xù)集成學(xué)習(xí)模型提供豐富的訓(xùn)練樣本。

c）提出一種基于軟投票的集成學(xué)習(xí)方法識(shí)別共存的Android代碼異味。該模型不僅可以集成傳統(tǒng)機(jī)器學(xué)習(xí)模型，還可以集成深度學(xué)習(xí)模型。

d）提出一種結(jié)合靜態(tài)程序分析與集成學(xué)習(xí)結(jié)合的Android代碼異味共存檢測(cè)方法。

1 相關(guān)工作

1.1 Android特有代碼異味

Android特有代碼異味是Android應(yīng)用程序中結(jié)構(gòu)不良的代碼段[6，11]。2014年Reimann等人[6]提出“質(zhì)量異味”的概念。雖然這些異味不影響功能，但對(duì)系統(tǒng)質(zhì)量（如能耗、穩(wěn)定性、啟動(dòng)時(shí)間等）有負(fù)面影響[4]。由于移動(dòng)應(yīng)用的資源有限（如內(nèi)存、CPU、網(wǎng)絡(luò)、電池）以及特殊的應(yīng)用結(jié)構(gòu)和API，這些異味比傳統(tǒng)桌面應(yīng)用的更復(fù)雜[5]。為了研究這種異味，學(xué)者們提出了多種Android特有異味的檢測(cè)方法。Palomba等人[11]結(jié)合文本比較和代碼度量，開發(fā)了aDoctor檢測(cè)工具，可識(shí)別15種異味并發(fā)現(xiàn)異味共存，但其源代碼未公開。文獻(xiàn)[13]對(duì)工具aDoctor進(jìn)行了功能擴(kuò)展，重構(gòu)與能耗相關(guān)的5種異味。Rasool等人[10]結(jié)合啟發(fā)式規(guī)則與代碼度量，識(shí)別25種異味，開發(fā)了工具DAAP，且公開源代碼，便于后續(xù)研究。

1.2 代碼異味共存

代碼異味共存是指在同一個(gè)類或方法中出現(xiàn)多種代碼異味，研究表明，相對(duì)于單一種類的代碼異味，代碼異味共存對(duì)程序更具危害性[4]。文獻(xiàn)[14]發(fā)現(xiàn)異味共存增加了代碼理解難度。Palomba等人[7]指出受多種異味影響的類，變更和故障的概率分別高出350%和400%。Palomba等人[15，16]進(jìn)一步研究了異味共存的頻率和原因。Hamdi等人[4]研究表明，34%的Android類受到多種Android異味影響，26%的類受到多種OO異味影響，51%的類受到OO和Android異味的影響。在Android應(yīng)用中存在Android特有代碼異味共存、面向?qū)ο蟠a異味與Android特有代碼異味共存、OO代碼異味共存[4]三種類型的異味共存。作為初步研究，本文研究兩種共存頻率較高的Android特有代碼異味：忽略類成員變量的方法異味和缺少低內(nèi)存處理程序異味。

1.3 本文研究的異味

1.3.1 忽略類成員變量的方法異味

忽略類成員變量的方法異味是一種Android特有的代碼異味[9]，也是存在于Android應(yīng)用程序中數(shù)量最多的異味，備受學(xué)術(shù)界關(guān)注[17，18]。田迎晨等人[19]提出關(guān)鍵程度值量化方法，評(píng)價(jià)代碼異味的重要程度。關(guān)鍵程度越高的異味，表示其對(duì)應(yīng)用程序的影響越大，在重構(gòu)過程中應(yīng)該處于更高的優(yōu)先級(jí)。根據(jù)此方法，MIM是眾多Android特有代碼異味中關(guān)鍵程度最高的異味。MIM的存在對(duì)Android應(yīng)用程序的能耗及可維護(hù)性產(chǎn)生負(fù)面影響。MIM是指某個(gè)類中的方法，該方法既非空方法，也非靜態(tài)方法，同時(shí)也不包含子類覆蓋父類的方法，但該方法沒有訪問其所屬類的屬性。圖1所示為一段含有MIM異味的代碼實(shí)例。代碼第3行，在類ExampleClass中，方法doSomeing（）沒有使用類中定義的屬性變量mValue。

1.3.2 缺少低內(nèi)存處理程序異味

通常情況下，移動(dòng)操作系統(tǒng)的RAM較小且沒有SWAP空間釋放內(nèi)存。Android提供一種機(jī)制幫助系統(tǒng)管理內(nèi)存。當(dāng)所有后臺(tái)進(jìn)程被終止時(shí)，可以調(diào)用可重寫的方法Activity.onLowMemory（）。即在終止托管服務(wù)和前臺(tái)UI進(jìn)程之前，程序員希望避免殺死它們。這個(gè)方法用于清理緩存或不必要的資源。如果沒有實(shí)現(xiàn)這個(gè)方法，可能導(dǎo)致程序異常終止。這種異味被命名為缺少低內(nèi)存處理程序（no low memory resolver，NLMR）異味。因?yàn)椴话琽nLowMemory（）方法的Activity類的子類才有這種異味，所以為了便于說明這種異味，圖2所示代碼為不含有這種異味的代碼段。如圖2所示，代碼第4行，類MyActivity中包含了可覆蓋的onLowMemory（）方法。如果這段代碼沒有實(shí)現(xiàn)這個(gè)方法，則被認(rèn)為是異味。

1.3.3 MIM和NLMR異味的共存

圖3所示為MIM與NLMR共存的一段代碼實(shí)例。代碼第3行的doSomeing（）方法中沒有使用其所在類MyActivity中定義的方法mValue。因此，含有MIM異味。同時(shí)，在類MyActivity中沒有onLowMemory（）方法。所以，這段代碼同時(shí)受到兩種異味的干擾。

1.4 基于靜態(tài)程序分析的異味檢測(cè)方法

程序靜態(tài)分析是一種在程序源代碼或編譯后的中間代碼級(jí)別對(duì)程序進(jìn)行分析的方法，不需要實(shí)際執(zhí)行程序。其目的是通過對(duì)代碼的靜態(tài)結(jié)構(gòu)、語法、語義等方面的分析，檢測(cè)和識(shí)別潛在的代碼問題。靜態(tài)程序分析是代碼異味檢測(cè)常用的檢測(cè)方法。目前已有的檢測(cè)Android代碼異味的工具DAAP[17]和aDoctor[6]都采用這種方法。盡管DAAP在單一種類異味檢測(cè)方面表現(xiàn)出色，但其不能檢測(cè)異味共存。

基于靜態(tài)分析的方法主要采用兩種方式進(jìn)行異味檢測(cè)：a）使用一系列依賴于結(jié)構(gòu)參數(shù)（即軟件度量）的閾值來檢測(cè)代碼異味，以分類描述特定代碼異味的癥狀；b）通過預(yù)定義的規(guī)則或啟發(fā)式方法來檢測(cè)代碼異味。這些方法的主要局限是它們的性能嚴(yán)重依賴于閾值和/或組合規(guī)則[12]。直到現(xiàn)在，專家們對(duì)于標(biāo)準(zhǔn)值和規(guī)則仍然沒有達(dá)成一致意見[12]。為了緩解這些局限性，機(jī)器學(xué)習(xí)引起研究人員的興趣。

1.5 基于機(jī)器學(xué)習(xí)的代碼異味檢測(cè)方法

1.5.1 基于傳統(tǒng)機(jī)器學(xué)習(xí)的代碼異味檢測(cè)方法

近年來，機(jī)器學(xué)習(xí)的研究與應(yīng)用取得了巨大進(jìn)步，特別是在圖像、文本和自然語言處理領(lǐng)域。目前，研究人員已將機(jī)器學(xué)習(xí)應(yīng)用于軟件工程領(lǐng)域，解決相關(guān)問題，如軟件測(cè)試[19]、源代碼表示[20]、源代碼質(zhì)量分析、重構(gòu)[17]、代碼異味檢測(cè)等方面[6]。研究表明，機(jī)器學(xué)習(xí)算法具有檢測(cè)復(fù)雜代碼異味的能力[21]。Khomh等人[18]使用貝葉斯信念網(wǎng)絡(luò)模型對(duì)代碼異味進(jìn)行檢測(cè)。文獻(xiàn)[22]使用16種傳統(tǒng)機(jī)器學(xué)習(xí)模型對(duì)四種OO代碼異味進(jìn)行檢測(cè)，并對(duì)比不同算法的識(shí)別效果。文獻(xiàn)[23]將決策樹與遺傳算法相結(jié)合對(duì)代碼異味進(jìn)行檢測(cè)。文獻(xiàn)[20]使用多層感知器（MLP）檢測(cè)了六種代碼異味，效果很好。文獻(xiàn)[24]將SVM算法與K均值聚類相結(jié)合檢測(cè)四種OO代碼異味，并給出重構(gòu)策略。

1.5.2 基于深度學(xué)習(xí)的代碼異味檢測(cè)

文獻(xiàn)[25]為檢測(cè)上帝類異味，使用基于卷積神經(jīng)網(wǎng)絡(luò)的方法，該方法提高了異味識(shí)別的準(zhǔn)確性。文獻(xiàn)[26]使用循環(huán)神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)和自編碼器檢測(cè)四種OO異味，并指出，依賴代碼度量進(jìn)行模型訓(xùn)練可能會(huì)限制模型獲取源代碼的其他特征，進(jìn)而影響模型效果。此外，即使度量標(biāo)準(zhǔn)相同，不同的閾值設(shè)定也會(huì)導(dǎo)致檢測(cè)結(jié)果的差異[18]。因此，文獻(xiàn)[26]選擇程序文本信息作為模型的輸入。本文受到文獻(xiàn)[26]的啟發(fā)，使用程序文本信息作為訓(xùn)練模型的輸入。研究表明，使用程序源代碼作為模型輸入的特征集可以使模型在檢測(cè)代碼異味時(shí)更具靈活性，即模型可以更容易適應(yīng)不同種類的代碼異味[12]。

1.5.3 基于集成學(xué)習(xí)的代碼異味檢測(cè)

研究顯示，無論是傳統(tǒng)機(jī)器學(xué)習(xí)模型還是深度學(xué)習(xí)模型，沒有一種模型能適合檢測(cè)所有的代碼異味[23，26，27]，而且單一機(jī)器學(xué)習(xí)模型泛化能力有限[27]。因此，可以利用集眾多模型長處的集成學(xué)習(xí)方法進(jìn)行代碼異味檢測(cè)[27]。集成學(xué)習(xí)是一種結(jié)合多個(gè)模型完成任務(wù)的機(jī)器學(xué)習(xí)方法。集成學(xué)習(xí)利用特定的策略組合多個(gè)基分類器構(gòu)建相對(duì)穩(wěn)定和準(zhǔn)確的模型。與單個(gè)分類器相比，集成學(xué)習(xí)能取得更好的結(jié)果和更強(qiáng)的泛化能力。通常情況下，集成學(xué)習(xí)遵循兩個(gè)原則：a）基分類器的準(zhǔn)確率高于隨機(jī)猜測(cè)；b）基分類器之間具有多樣性[28]。

集成學(xué)習(xí)策略主要分為boosting、bagging和stacking三種。本文使用的軟投票分類器屬于bagging的一種，相比于boosting方法，投票分類器更容易實(shí)現(xiàn)并行化處理，因?yàn)楦鱾€(gè)基分類器之間是獨(dú)立的，可以同時(shí)進(jìn)行預(yù)測(cè)，在處理大規(guī)模數(shù)據(jù)時(shí)，投票分類器效率更高。與stacking方法相比，投票分類器更加簡單直觀，不需要進(jìn)行多層的模型堆疊，也不需要額外的元模型來組合基模型的預(yù)測(cè)結(jié)果。這使得投票分類器在實(shí)踐中更易于實(shí)現(xiàn)和調(diào)整，更好地適應(yīng)不同的數(shù)據(jù)分布和模型復(fù)雜度。

投票機(jī)制分為軟投票和硬投票兩種。硬投票方法是基于所有類別的投票概率之和最大的類別作出預(yù)測(cè)。軟投票（soft voting，SV）是一種合并多個(gè)模型預(yù)測(cè)結(jié)果的方法，可提高集成模型的整體性能。在軟投票中，集成通過對(duì)每個(gè)基本分類器的類別預(yù)測(cè)進(jìn)行多數(shù)投票來對(duì)新輸入進(jìn)行分類，其中每個(gè)基本分類器的投票權(quán)重與該輸入的預(yù)測(cè)類別概率成比例。這意味著對(duì)于特定類別具有更高概率的基本分類器，在該類別上的投票權(quán)重將高于具有較低概率的分類器。軟投票通常被認(rèn)為比硬投票更穩(wěn)健和準(zhǔn)確。在已有集成學(xué)習(xí)研究中，大多數(shù)學(xué)者選擇軟投票方式進(jìn)行集成[27]。

以上使用機(jī)器學(xué)習(xí)算法檢測(cè)異味的方法都取得了較好的效果。然而，關(guān)注的都是單一種類的傳統(tǒng)面向?qū)ο蟠a異味，缺少針對(duì)Android特有代碼異味的研究。本文提出一種靜態(tài)程序分析與集成學(xué)習(xí)結(jié)合的方法，檢測(cè)Android代碼異味的共存。

2 Android代碼異味共存檢測(cè)方法

2.1 方法概述

本文提出的Android代碼異味共存檢測(cè)方法如圖4所示。首先，以開源的Android應(yīng)用程序作為代碼語料庫，使用工具ASSD對(duì)語料庫中的源程序進(jìn)行MIM和NLMR異味共存檢測(cè)。工具ASSD不僅可以檢測(cè)出代碼異味共存的類，而且可以自動(dòng)將正樣本（含有MIM和NLMR異味共存的類）和負(fù)樣本（不含MIM和NLMR異味共存的類）提取出來生成文本文件（文件格式為.java），作為標(biāo)簽樣本集，即正樣本集合與負(fù)樣本集合。接著，使用工具Tokenizer將標(biāo)簽樣本集中的源代碼轉(zhuǎn)換為整數(shù)，以數(shù)字向量的形式作為集成學(xué)習(xí)模型的輸入。集成學(xué)習(xí)分類器的預(yù)期輸出為樣本的標(biāo)簽（即是否為MIM和NLMR異味共存）。經(jīng)過多次訓(xùn)練驗(yàn)證，最終獲得效果最佳的分類器模型，然后通過測(cè)試集測(cè)試分類器性能，并給出代碼異味的檢測(cè)結(jié)果。

2.2 數(shù)據(jù)集構(gòu)建

2.2.1 實(shí)驗(yàn)對(duì)象獲取

本文實(shí)驗(yàn)所需代碼語料庫取自GitHub。GitHub 是一個(gè)版本控制和協(xié)作的代碼托管平臺(tái)。倉庫（repository）是GitHub上存儲(chǔ)和管理代碼項(xiàng)目的基本單位。GitHub提供了倉庫這樣的容器來托管代碼項(xiàng)目，用戶可以通過GitHub在這些倉庫中進(jìn)行各種操作和交互[20]。由于目前已有的Android代碼異味檢測(cè)工具只能檢測(cè)使用Java語言開發(fā)的應(yīng)用程序，所以本文選擇由Java語言開發(fā)的Android應(yīng)用程序作為代碼語料庫。

從GitHub按照以下標(biāo)準(zhǔn)進(jìn)行代碼語料庫的篩選。首先，應(yīng)用程序代碼庫至少為1 000 KB[6]。其次，應(yīng)用程序的星標(biāo)數(shù)必須大于500。星標(biāo)數(shù)表示應(yīng)用程序的被關(guān)注程度和被喜愛程度，這個(gè)指標(biāo)間接地反映了程序質(zhì)量。最后，Java應(yīng)用程序最后一次更新日期應(yīng)晚于2023年4月1日，Kotlin應(yīng)用程序最后一次更新日期應(yīng)晚于2023年11月1日。更新時(shí)間表示應(yīng)用程序活躍程度和維護(hù)頻率。通常來說，一個(gè)經(jīng)常更新的項(xiàng)目代表著活躍的開發(fā)者社區(qū)和持續(xù)的改進(jìn)工作。因此，對(duì)于許多用戶來說，更新時(shí)間是選擇是否使用該程序的一個(gè)重要考量因素。按照以上標(biāo)準(zhǔn)對(duì)GitHub進(jìn)行搜索（條件可表示為Android APP language：Java size：gt;=1 000 stars：gt; 500 pushed：gt;2023-04-01），得到70個(gè)Java項(xiàng)目。表1所示為其中7個(gè)Java應(yīng)用程序的信息。全部信息已上傳到https：//github.com/nauhob/SLDetection。

2.2.2 使用靜態(tài)程序分析檢測(cè)共存的Android代碼異味

在已有的Android特有代碼異味檢測(cè)工具中，DAAP檢測(cè)的異味種類最多，檢測(cè)準(zhǔn)確性最高。它能夠檢測(cè)包括MIM和NLMR在內(nèi)的25種Android特有代碼異味。而且，DAAP源代碼完全公開，使用者可以根據(jù)需求在其原有的功能上進(jìn)行拓展，因此本文選擇DAAP作為基礎(chǔ)工具。但DAAP只能檢測(cè)單一種類的代碼異味，無法檢測(cè)MIM與NLMR異味共存。為了給后續(xù)集成學(xué)習(xí)模型快速、準(zhǔn)確地提供大量樣本。本文提出基于程序靜態(tài)分析的代碼異味共存檢測(cè)方法，并實(shí)現(xiàn)工具ASSD。該工具對(duì)DAAP的功能進(jìn)行拓展，使其不僅能夠檢測(cè)MIM和NLMR異味的共存，并且能自動(dòng)分離正負(fù)樣本（ASSD沒有改變單一種類異味的檢測(cè)規(guī)則）。圖5所示為基于靜態(tài)程序分析的Android代碼異味共存檢測(cè)及正負(fù)樣本生成過程，圖中虛線內(nèi)所示為原DAAP工具的處理過程，虛線外的功能是本文擴(kuò)展的功能。

如圖5所示，首先，DAAP的輸入是Java源代碼，經(jīng)過JavaParser進(jìn)行語法解析，生成抽象語法樹。然后，依據(jù)異味查找規(guī)則遍歷語法樹，得到檢測(cè)結(jié)果。為了實(shí)現(xiàn)Android代碼異味的共存檢測(cè)，本文使用了嵌套的哈希表結(jié)構(gòu)來存儲(chǔ)每次檢測(cè)結(jié)果，哈希表結(jié)構(gòu)如圖6所示。這個(gè)結(jié)構(gòu)由外層哈希表（map1）和內(nèi)層哈希表（map2）兩個(gè)層次的哈希表組成。

a）內(nèi)層哈希表（map2）。這個(gè)哈希表用于記錄單個(gè)類中各種代碼異味的出現(xiàn)次數(shù)。它的每個(gè)鍵是一個(gè)代碼異味的名稱，而對(duì)應(yīng)的值是這種異味在該類中出現(xiàn)的次數(shù)。例如，如果一個(gè)類中出現(xiàn)了5次“忽略類成員變量的方法”異味，那么“忽略類成員變量的方法”異味將作為鍵，5作為值，存儲(chǔ)在map2中。

b）外層哈希表（map1）。這個(gè)哈希表用于記錄不同類路徑下的所有代碼異味信息。它的每個(gè)鍵是一個(gè)類的路徑，而對(duì)應(yīng)的值是與該類相關(guān)的內(nèi)層哈希表（map2）。這樣，可以通過類的路徑快速定位到該類的所有代碼異味信息。具體來說，每當(dāng)檢測(cè)到一個(gè)代碼異味時(shí)，首先確定這個(gè)異味屬于哪個(gè)類，然后，在map2中查找這個(gè)類對(duì)應(yīng)的記錄，如果不存在，就新建一個(gè)。接著，在map2中更新這個(gè)異味的計(jì)數(shù)，如果這個(gè)異味是第一次出現(xiàn)，就初始化計(jì)數(shù)為1，否則就將計(jì)數(shù)加1。當(dāng)完成了一個(gè)類的所有代碼異味檢測(cè)后，得到了這個(gè)類對(duì)應(yīng)的map2，它包含了這個(gè)類中所有代碼異味的名稱和出現(xiàn)次數(shù)。然后，將這個(gè)map2作為值，與類的路徑（作為鍵）一起存儲(chǔ)到map1中。通過這種嵌套哈希表的結(jié)構(gòu)，可以清晰地組織和存儲(chǔ)每個(gè)類中的代碼異味信息，并且可以方便地進(jìn)行查詢和分析。例如，如果想要知道某個(gè)特定類中有哪些代碼異味以及它們的數(shù)量，只需要查找map1中對(duì)應(yīng)的類路徑，然后查看對(duì)應(yīng)的map2即可。同樣，如果想要分析代碼異味的共存情況，可以通過查看不同類的map2實(shí)現(xiàn)。

這種結(jié)構(gòu)不僅使得數(shù)據(jù)的存儲(chǔ)和檢索變得高效，而且也提供了一種靈活的方式來處理和分析代碼異味數(shù)據(jù)。通過這種嵌套的哈希表結(jié)構(gòu)，算法能夠高效地實(shí)現(xiàn)代碼異味共存的檢測(cè)。檢測(cè)算法如算法1所示。

算法1 Android代碼異味共存檢測(cè)算法

輸入：AndroidResource。

輸出：map1。

for each CLASS in AndroidResource

LegacyClass ← JavaParser（class）

for each detectionEngine in DetectionEngines

map1← detectionEngine.detect（LegacyClass）

// map1lt;classRoute， map2lt;codeSmell， numbergt;gt;

end for

end for

output the contents of map1 to a table

本文使用的Android異味檢測(cè)工具ASSD （Android-specific smell detector）不僅可以分別檢測(cè)MIM和NLMR異味，還可以檢測(cè)兩者的共存，并自動(dòng)生成共存異味的樣本集合。工具ASSD實(shí)現(xiàn)了從共存異味檢測(cè)到樣本生成完全自動(dòng)化，算法2所示為異味共存的正負(fù)樣本自動(dòng)生成算法。

算法2 正負(fù)樣本自動(dòng)生成算法

輸入：smellySets， nonsmellySets。

輸出：smellyFiles， nonsmellyFiles。

String folderPath = DRIVE + \"＼＼AndroidApp\"

File file = new File（folderPath + \"＼＼\" + smellyName）

if ！file.exists（） then

file.mkdirs（）

end if

String filepath = folderPath + \"＼＼\" + smellyName + \"＼＼\" + filename + \".java\"

BufferedWriter bw = new BufferedWriter（new FileWriter（filepath））

for each method in smellySets do

bw.write（method）

end for

bw.close（）

File file_1 = new File（folderPath + \"＼＼\" + nonsmellySets）

if ！file_1.exists（） then

file_1.mkdirs（）

end if

String filepath_1 =folderPath + \"＼＼Not_\" + smellyName + \"＼＼\" + filename + \".java\"

BufferedWriter bw_1 = new BufferedWriter（new FileWriter（filepath_1））

for each method in nonsmellySets do

bw_1.write（method）

end for

bw_1.close（）

2.3 生成數(shù)字向量

工具ASSD的輸出結(jié)果是程序代碼，而集成學(xué)習(xí)模型的輸入是數(shù)字向量。因此本文借鑒文獻(xiàn)[26]的研究，選擇Tokenizer工具轉(zhuǎn)換源代碼，生成數(shù)字向量。這種轉(zhuǎn)換可以允許集成學(xué)習(xí)模型從整個(gè)程序文本中學(xué)習(xí)更廣泛的特征，不再局限于度量信息。圖7所示為一段Java源代碼由Tokenizer轉(zhuǎn)換成相對(duì)應(yīng)的整數(shù)。

本文方法的輸入如式（1）所示。

Tokenizedcode={ele（m1），…，ele（mn）}input={Tokenizedcode}

（1）

其中：ele（mi）為轉(zhuǎn)換后的數(shù)字向量。代碼文本信息作為集成學(xué)習(xí)模型輸入的特征數(shù)據(jù)集，數(shù)據(jù)集格式如圖8所示。

經(jīng)過Tokenizer轉(zhuǎn)換后生成的代碼文本特征包含大量信息，這些信息可能包含一些對(duì)分類無用的特征，并且有些特征可能會(huì)干擾分類的性能與精度。其次，大量的特征加重了模型學(xué)習(xí)的負(fù)擔(dān)，增加了模型訓(xùn)練的時(shí)間，同時(shí)也會(huì)使模型變得更復(fù)雜。因此，為了提高集成學(xué)習(xí)模型的檢測(cè)性能，本文對(duì)Tokenizer提取的代碼文本信息進(jìn)行了特征選擇，丟棄與學(xué)習(xí)任務(wù)不相關(guān)的特征。經(jīng)過分析，Tokenizer在提取代碼信息時(shí)，80%樣本的特征數(shù)不超過88個(gè)，因此，最后樣本特征數(shù)選定為88個(gè)。超過88個(gè)特征數(shù)的樣本將被剔除，樣本中元素少于88個(gè)以全零向量來做補(bǔ)零擴(kuò)展。另外，對(duì)樣本數(shù)據(jù)集進(jìn)行修剪，發(fā)現(xiàn)99%的特征值不會(huì)超過9 999，因此本文丟棄特征值超過9 999的異常樣本，避免單個(gè)樣本對(duì)整體模型的影響。相對(duì)于代碼異味而言，現(xiàn)實(shí)情況中存在不平衡數(shù)據(jù)分布，在實(shí)際軟件項(xiàng)目中，出現(xiàn)代碼異味的頻率相對(duì)較低，因此收集到的樣本中，正樣本的數(shù)量少于負(fù)樣本，并且異味共存的正負(fù)樣本差異更大。本文選用的70個(gè)APP中，正樣本10 688個(gè)，負(fù)樣本44 677個(gè)。為了保證訓(xùn)練集中正負(fù)樣本的平衡，本文在集成學(xué)習(xí)訓(xùn)練集上使用欠采樣方法，即在負(fù)樣本中隨機(jī)抽選出與正樣本大約1∶1的數(shù)量，本文中的集成學(xué)習(xí)訓(xùn)練集正樣本8 640個(gè)，負(fù)樣本8 832個(gè)。在對(duì)比實(shí)驗(yàn)中，深度學(xué)習(xí)模型需要更大的數(shù)據(jù)集來學(xué)習(xí)，以此提高模型的泛化能力、魯棒性和穩(wěn)定性等，因此本文使用重采樣方法為CNN和RNN模型提供更大的訓(xùn)練集數(shù)據(jù)，即上采樣復(fù)制一份正樣本。本文深度學(xué)習(xí)模型訓(xùn)練集正樣本17 280個(gè)，下采樣負(fù)樣本，從而使正負(fù)樣本平衡。

2.4 基于軟投票的集成學(xué)習(xí)方法

集成學(xué)習(xí)是一種機(jī)器學(xué)習(xí)方法，目的是通過結(jié)合多個(gè)學(xué)習(xí)器的預(yù)測(cè)結(jié)果提高整體的預(yù)測(cè)準(zhǔn)確性和魯棒性。在集成學(xué)習(xí)中，可以使用各種不同的學(xué)習(xí)算法和模型構(gòu)建多個(gè)基學(xué)習(xí)器，然后通過某種投票或加權(quán)平均的方式將它們的預(yù)測(cè)結(jié)果結(jié)合起來，生成最后的預(yù)測(cè)結(jié)果。集成學(xué)習(xí)的核心思想是“集眾家之長”，即通過結(jié)合多個(gè)學(xué)習(xí)器，規(guī)避單個(gè)學(xué)習(xí)器的局限性和不足，以獲得更加準(zhǔn)確和穩(wěn)健的預(yù)測(cè)結(jié)果。常見的集成學(xué)習(xí)方法包括bagging、boosting、stacking等。集成學(xué)習(xí)在實(shí)際應(yīng)用中被廣泛使用，特別是在數(shù)據(jù)集較小或者存在噪聲的情況下，通常能夠顯著提高模型的性能。本文使用基于軟投票的集成學(xué)習(xí)方法識(shí)別共存的異味。本文提出的集成學(xué)習(xí)方法既可以集成傳統(tǒng)機(jī)器學(xué)習(xí)模型，也可以集成深度學(xué)習(xí)模型。

2.4.1 集成方法

為了有效地融合傳統(tǒng)機(jī)器學(xué)習(xí)模型和深度學(xué)習(xí)模型，本文采用了軟投票的方式。在軟投票策略中，每個(gè)基學(xué)習(xí)器會(huì)輸出其預(yù)測(cè)類別的概率分布。通過將這些概率分布加權(quán)平均，得到每個(gè)類別的最終預(yù)測(cè)概率。最終的類別預(yù)測(cè)則由最高概率所對(duì)應(yīng)的類別確定。

在具體的實(shí)現(xiàn)過程中，本文對(duì)不同模型的輸出進(jìn)行了適當(dāng)?shù)募訖?quán)處理。傳統(tǒng)機(jī)器學(xué)習(xí)模型通常在小規(guī)模數(shù)據(jù)集上的表現(xiàn)較為穩(wěn)定，因此其權(quán)重可以根據(jù)其在交叉驗(yàn)證過程中的表現(xiàn)動(dòng)態(tài)調(diào)整；而深度學(xué)習(xí)模型具有更強(qiáng)的表征能力，適合處理復(fù)雜模式，因此其權(quán)重可以相對(duì)提高，以反映其在大數(shù)據(jù)上的潛在優(yōu)勢(shì)。

在模型融合的具體實(shí)現(xiàn)過程中，首先對(duì)所有傳統(tǒng)機(jī)器學(xué)習(xí)模型和深度學(xué)習(xí)模型進(jìn)行獨(dú)立訓(xùn)練，并對(duì)各模型的輸出進(jìn)行概率化處理。接著，根據(jù)各模型在驗(yàn)證集上的表現(xiàn)賦予不同的權(quán)重。最終，將各模型輸出的預(yù)測(cè)概率按加權(quán)平均進(jìn)行融合，輸出最終的預(yù)測(cè)結(jié)果。公式如下：

Pfinal（class）=∑ni=1wi×Pi（class）

（2）

其中：Pfinal（class）是最終的預(yù)測(cè)概率;Pi（class）是第i個(gè)基學(xué)習(xí)器的預(yù)測(cè)概率;wi是該學(xué)習(xí)器的權(quán)重;n為基學(xué)習(xí)器的總數(shù)。通過這種軟投票的集成方法，不同模型的優(yōu)勢(shì)得以互補(bǔ)，以提高代碼異味共存情況的識(shí)別精度。模型集成過程如圖9所示。模型集成過程由六個(gè)步驟組成：

a）數(shù)據(jù)預(yù)處理。在集成學(xué)習(xí)開始之前，首先需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，以確保數(shù)據(jù)適用于訓(xùn)練模型。本文使用基于靜態(tài)程序分析的方法對(duì)異味進(jìn)行檢測(cè)，將檢測(cè)結(jié)果送入集成學(xué)習(xí)模型。

b）訓(xùn)練基分類器。在基于軟投票的集成學(xué)習(xí)中，需要訓(xùn)練多個(gè)基分類器。這些分類器可以是不同類型的機(jī)器學(xué)習(xí)模型，比如支持向量機(jī)、決策樹、神經(jīng)網(wǎng)絡(luò)等。每個(gè)分類器都在相同的訓(xùn)練數(shù)據(jù)集上進(jìn)行訓(xùn)練。本文集成傳統(tǒng)機(jī)器學(xué)習(xí)模型使用的三種模型是隨機(jī)森林、極端隨機(jī)樹和基于直方圖的梯度提升。本文集成深度學(xué)習(xí)模型使用的兩種模型是卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)。

c）軟投票過程。在傳統(tǒng)的硬投票中，每個(gè)基分類器會(huì)對(duì)測(cè)試樣本進(jìn)行類別預(yù)測(cè)，然后通過多數(shù)投票的方式來決定最終的類別。而在軟投票中，每個(gè)基分類器不僅提供類別預(yù)測(cè)，還提供預(yù)測(cè)的概率分布。這意味著每個(gè)分類器會(huì)輸出一個(gè)概率向量，表示測(cè)試樣本屬于每個(gè)類別的概率。

d）聚合預(yù)測(cè)概率。對(duì)于每個(gè)測(cè)試樣本，將所有基分類器輸出的概率向量進(jìn)行聚合。通過計(jì)算每個(gè)類別概率的平均值來實(shí)現(xiàn)。例如，如果有五個(gè)基分類器，它們對(duì)某個(gè)測(cè)試樣本屬于類別A的概率預(yù)測(cè)分別是0.2、0.3、0.1、0.6和0.1，那么軟投票集成模型會(huì)計(jì)算這五個(gè)概率的平均值，得到類別A的最終預(yù)測(cè)概率。

e）確定最終預(yù)測(cè)。在聚合了所有基分類器的概率之后，選擇概率最高的類別作為集成模型的最終預(yù)測(cè)。如果一個(gè)樣本被預(yù)測(cè)屬于多個(gè)類別，集成模型將選擇具有最高綜合概率的類別。

f）模型評(píng)估。最后，需要對(duì)集成模型的性能進(jìn)行評(píng)估，通過在獨(dú)立的測(cè)試集上計(jì)算模型的準(zhǔn)確率、召回率、F1分?jǐn)?shù)等指標(biāo)來實(shí)現(xiàn)。評(píng)估結(jié)果可以幫助了解模型的性能，并根據(jù)需要進(jìn)行調(diào)整。

2.4.2 傳統(tǒng)機(jī)器學(xué)習(xí)基分類器

針對(duì)傳統(tǒng)機(jī)器學(xué)習(xí)模型，本文參考文獻(xiàn)[29]。其研究結(jié)果顯示，隨機(jī)森林、極端隨機(jī)樹和基于直方圖的梯度提升三種傳統(tǒng)機(jī)器學(xué)習(xí)模型在腦卒中的檢測(cè)中，其有效性超過了其他模型。因此，本文選擇這三個(gè)傳統(tǒng)機(jī)器學(xué)習(xí)模型作為基學(xué)習(xí)器。每個(gè)基分類器詳細(xì)信息如下：

a）隨機(jī)森林（random forest，RF）[12]：一種用于機(jī)器學(xué)習(xí)中分類和回歸的集成學(xué)習(xí)方法，是決策樹的一種融合方法，其中創(chuàng)建了一組決策樹，并將它們的輸出組合起來進(jìn)行最終預(yù)測(cè)。隨機(jī)森林算法在訓(xùn)練期間創(chuàng)建多個(gè)決策樹（也稱為“森林”），并在決策樹的每個(gè)分裂點(diǎn)選擇特征的子集，而不是像傳統(tǒng)決策樹算法那樣使用所有特征。這是通過使用稱為自助聚合或bagging的技術(shù)來實(shí)現(xiàn)，這有助于減少?zèng)Q策樹中可能出現(xiàn)的方差和過擬合。隨機(jī)森林分類器通常是由決策樹組成的集成，其中每棵樹的訓(xùn)練都在數(shù)據(jù)的另一個(gè)子集上進(jìn)行，最終的預(yù)測(cè)取決于森林中所有樹的一致性，每棵樹都做出了預(yù)測(cè)。森林中的每棵樹都在數(shù)據(jù)的不同隨機(jī)子集上進(jìn)行訓(xùn)練，并且在樹的每個(gè)分裂點(diǎn)都使用了一組隨機(jī)的特征子集。這種隨機(jī)化有助于減少森林中樹之間的關(guān)聯(lián)，提高整體性能。隨機(jī)森林易于使用，可以處理大量特征和分類變量，與單個(gè)決策樹相比，發(fā)生過擬合的概率較低。

b）極端隨機(jī)樹（extremely randomized trees，ERT）[12]：機(jī)器學(xué)習(xí)中隨機(jī)森林算法的一種變體。它使用與集成決策樹相同的概念，但構(gòu)建樹的方法略有不同。在隨機(jī)森林中，決策樹是通過在每個(gè)分裂點(diǎn)重復(fù)選擇一組隨機(jī)特征，并選擇根據(jù)某個(gè)標(biāo)準(zhǔn)（例如，信息增益或基尼不純度）給出最佳分裂的特征來構(gòu)建。相比之下，ERT將隨機(jī)化推到了更高的層次，并在每個(gè)分裂點(diǎn)隨機(jī)選擇每個(gè)特征的閾值，而不是根據(jù)標(biāo)準(zhǔn)選擇最佳閾值。這種額外的隨機(jī)化使ERT能夠?qū)⒏嗟碾S機(jī)性和多樣性引入到集合中，使其不太容易過擬合，并且對(duì)數(shù)據(jù)中的噪聲更具魯棒性。此外，它使算法訓(xùn)練速度更快，因?yàn)樗恍枰獮槊總€(gè)特征找到最佳閾值。ERT用于分類和回歸任務(wù)，而且相對(duì)快速和易于使用。

c）基于直方圖的梯度提升（histogram-based gradient boosting，HBGB）[12]：機(jī)器學(xué)習(xí)中梯度提升算法的一種變體。梯度提升實(shí)際上是一種強(qiáng)大的集成技術(shù)，它通過結(jié)合多個(gè)弱模型的預(yù)測(cè)來構(gòu)建模型，其中每個(gè)模型都是為了糾正整個(gè)集合中早期模型的錯(cuò)誤而訓(xùn)練的。HBGB利用直方圖來近似數(shù)據(jù)的潛在分布，而不是傳統(tǒng)方法中使用單棵決策樹。它為每個(gè)特征構(gòu)建一個(gè)直方圖，并且對(duì)于每個(gè)特征，都使用直方圖將數(shù)據(jù)分成不同的箱子，然后對(duì)每個(gè)箱子應(yīng)用決策樹模型。這使得算法能夠更準(zhǔn)確地逼近數(shù)據(jù)的潛在分布，從而帶來更好的性能。HBGB特別適用于具有大量特征的數(shù)據(jù)集，或者數(shù)據(jù)高度傾斜或具有離群值的情況，因?yàn)樗梢员葌鹘y(tǒng)的梯度提升更好地處理這些類型的分布。它也相對(duì)快速和易于使用，并且可以并行化以加速訓(xùn)練。

2.4.3 深度學(xué)習(xí)基分類器

在軟件工程領(lǐng)域，近幾年深度學(xué)習(xí)在代碼異味檢測(cè)方面取得了顯著進(jìn)展。文獻(xiàn)[25]在其研究中使用卷積神經(jīng)網(wǎng)絡(luò)檢測(cè)上帝類異味，取得了很好的效果。文獻(xiàn)[26]使用三種不同的深度學(xué)習(xí)模型（循環(huán)神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)和自編碼器），檢測(cè)包括四種面向?qū)ο蟠a異味，結(jié)果顯示，深度學(xué)習(xí)能夠檢測(cè)傳統(tǒng)面向?qū)ο蟠a異味，但每種模型適合檢測(cè)的異味是不同的。因此，為了對(duì)比集成傳統(tǒng)機(jī)器學(xué)習(xí)模型與深度學(xué)習(xí)模型的檢測(cè)結(jié)果，本文在以上兩項(xiàng)研究的基礎(chǔ)上，提出改進(jìn)的CNN和改進(jìn)的RNN兩種深度學(xué)習(xí)模型。使用這兩種模型檢測(cè)共存的Android代碼異味。模型結(jié)構(gòu)如圖10所示，圖（a）為改進(jìn)的CNN模型結(jié)構(gòu)，圖（b）為改進(jìn)的RNN模型結(jié)構(gòu)。改進(jìn)的CNN模型由嵌入層、卷積層、最大池化層、dropout層、flatten層和兩個(gè)全連接層六層組成。改進(jìn)的RNN模型由嵌入層、長短時(shí)記憶網(wǎng)絡(luò)（long short-term memory，LSTM）、flatten層以及全連接層構(gòu)成。

利用相同訓(xùn)練集進(jìn)行多次訓(xùn)練驗(yàn)證，選取最優(yōu)的參數(shù)，從而使模型性能達(dá)到最佳水平。表2為改進(jìn)的CNN和RNN模型的超參數(shù)。

3 實(shí)驗(yàn)設(shè)計(jì)與驗(yàn)證

3.1 研究問題

本文通過解答以下五個(gè)研究問題（research questions，RQ），評(píng)估所提方法的有效性。

RQ1：集成傳統(tǒng)機(jī)器學(xué)習(xí)模型的方法能否檢測(cè)出Android特有代碼異味的共存？如果可以，與單一種類傳統(tǒng)機(jī)器學(xué)習(xí)模型的檢測(cè)效果相比，哪種更出色？

RQ2：相對(duì)于現(xiàn)有基于靜態(tài)程序分析的異味共存檢測(cè)方法，本文提出的集成傳統(tǒng)機(jī)器學(xué)習(xí)方法的檢測(cè)效果是否優(yōu)于已有方法？

RQ3：本文方法集成傳統(tǒng)機(jī)器學(xué)習(xí)模型與單一種類深度學(xué)習(xí)方法的檢測(cè)效果相比，哪種更好？

RQ4：集成傳統(tǒng)機(jī)器學(xué)習(xí)模型與集成深度學(xué)習(xí)模型的檢測(cè)效果相比，哪種集成方式的檢測(cè)效果更好？

RQ5：本文方法構(gòu)建樣本數(shù)據(jù)集的過程耗時(shí)多少（包括2.2.2節(jié)所述使用靜態(tài)程序分析檢測(cè)異味共存的時(shí)間與2.3節(jié)所述生成數(shù)字向量的時(shí)間）？訓(xùn)練集成學(xué)習(xí)模型和利用已訓(xùn)練好的模型進(jìn)行預(yù)測(cè)的過程中，所需的時(shí)間分別是多少？

3.2 模型評(píng)價(jià)指標(biāo)

本文使用查準(zhǔn)率（precision）、查全率（recall）和F1值（F1-score）來評(píng)估不同分類器的性能，表示為

precision=TPTP+FP

（3）

recall=TPTP+FN

（4）

F1-score=2×precision×recallprecision+recall

（5）

其中：TP（true positive）真陽性，表示實(shí)際含有異味，同時(shí)預(yù)測(cè)正確的樣本；FP（1 positive）假陽性，表示實(shí)際不含異味但被預(yù)測(cè)為有異味的樣本；FN（1 negative）假陰性，表示不含異味但被預(yù)測(cè)為包含異味的樣本；TN（true negative）真陰性，正確預(yù)測(cè)不存在代碼異味的樣本。查準(zhǔn)率（precision）表示在預(yù)測(cè)為正的樣本中，預(yù)測(cè)正確的比率；查全率（recall）表示在實(shí)際為正的樣本中，預(yù)測(cè)正確的比例；F1值綜合考慮查準(zhǔn)率和召回率，是兩者的平衡。通過計(jì)算這些評(píng)估指標(biāo)，可以客觀地評(píng)估不同分類器在檢測(cè)異味共存方面的有效性和區(qū)別。這些指標(biāo)提供了分類器的準(zhǔn)確性和召回率的衡量，以及兩者的綜合表現(xiàn)。

3.3 實(shí)驗(yàn)設(shè)計(jì)

針對(duì)RQ1，本文利用2.3節(jié)所述的包含70個(gè)應(yīng)用程序的訓(xùn)練數(shù)據(jù)集，進(jìn)行多次訓(xùn)練驗(yàn)證以及參數(shù)優(yōu)化后輸入軟投票模型，采用十折交叉驗(yàn)證對(duì)模型進(jìn)行驗(yàn)證，使用查準(zhǔn)率、查全率和F1值對(duì)六種檢測(cè)方法進(jìn)行比較。這六種傳統(tǒng)機(jī)器學(xué)習(xí)模型分別為：樸素貝葉斯（naive Bayes， NB）、貝葉斯網(wǎng)絡(luò)（Bayes net， BN）、決策樹（decision tree， DT）、隨機(jī)樹（random tree，RT）、隨機(jī)森林（random forest， RF）、基于規(guī)則的歸納算法（JRip）。

針對(duì)RQ2：本文選擇了13個(gè)開源應(yīng)用程序用作測(cè)試集，這13個(gè)開源項(xiàng)目使用2.2.1節(jié)的標(biāo)準(zhǔn)篩選而來，并且與訓(xùn)練集的70個(gè)應(yīng)用程序沒有交集，表3所示為13個(gè)應(yīng)用程序的詳細(xì)信息。然后與基于靜態(tài)程序分析的Android特有代碼異味檢測(cè)工具aDoctor進(jìn)行對(duì)比，aDoctor是目前已有研究中能夠檢測(cè)Android特有代碼異味共存的工具[6]。為了評(píng)估它的查準(zhǔn)率、查全率以及F1值，由人工對(duì)aDoctor檢測(cè)的13個(gè)應(yīng)用程序進(jìn)行分析，以驗(yàn)證aDoctor檢測(cè)的MIM和NLMR代碼異味共存實(shí)例是否正確，這個(gè)過程大約花費(fèi)了80 h。最后通過查準(zhǔn)率、查全率和F1值這三個(gè)指標(biāo)對(duì)集成學(xué)習(xí)模型和aDoctor進(jìn)行對(duì)比。

針對(duì)RQ3：本文參考文獻(xiàn)[25]，提出改進(jìn)的CNN和RNN兩種深度學(xué)習(xí)模型，利用2.3節(jié)所述的訓(xùn)練數(shù)據(jù)集，進(jìn)行多次訓(xùn)練驗(yàn)證以及參數(shù)優(yōu)化。使用相同的測(cè)試數(shù)據(jù)集作為模型輸入，利用查準(zhǔn)率、查全率和F1值三個(gè)評(píng)價(jià)指標(biāo)，對(duì)集成傳統(tǒng)機(jī)器學(xué)習(xí)的方法和深度學(xué)習(xí)方法的檢測(cè)結(jié)果進(jìn)行評(píng)估。

針對(duì)RQ4：本文選用改進(jìn)的CNN和RNN兩種深度學(xué)習(xí)模型進(jìn)行集成，利用2.3節(jié)所述的訓(xùn)練數(shù)據(jù)集，進(jìn)行多次訓(xùn)練驗(yàn)證以及參數(shù)優(yōu)化，使用相同的測(cè)試數(shù)據(jù)集作為模型輸入。利用查準(zhǔn)率、查全率和F1值三個(gè)評(píng)價(jià)指標(biāo)，對(duì)集成不同模型種類的集成學(xué)習(xí)模型的MIM和NLMR共存檢測(cè)結(jié)果進(jìn)行評(píng)估。

針對(duì)RQ5：研究顯示，模型復(fù)雜性是選擇模型時(shí)需要考慮的一個(gè)重要因素，因?yàn)閺?fù)雜模型需要額外的資源消耗（例如存儲(chǔ)和計(jì)算時(shí)間成本）[12]。深度學(xué)習(xí)模型比傳統(tǒng)機(jī)器學(xué)習(xí)模型復(fù)雜。因此，在評(píng)估機(jī)器學(xué)習(xí)模型特別是深度學(xué)習(xí)模型時(shí)，時(shí)間復(fù)雜性是一個(gè)重要的度量指標(biāo)[12]。這個(gè)研究問題定量地揭示了所提方法的訓(xùn)練和測(cè)試時(shí)間。本文實(shí)驗(yàn)所用電腦配置如下：32 GB RAM，AMD Ryzen 7 5800X。為了分析本文方法的時(shí)間性能，在實(shí)驗(yàn)過程中記錄了生成數(shù)據(jù)集以及分類器訓(xùn)練和測(cè)試過程的耗時(shí)情況（以分鐘為單位）。

3.4 實(shí)驗(yàn)結(jié)果分析

RQ1：集成傳統(tǒng)機(jī)器學(xué)習(xí)模型的方法能否檢測(cè)出Android特有代碼異味的共存？如果可以，與傳統(tǒng)機(jī)器學(xué)習(xí)模型的檢測(cè)效果相比，哪種更出色？

表4為檢測(cè)結(jié)果。軟投票與六種傳統(tǒng)機(jī)器學(xué)習(xí)模型的查準(zhǔn)率、查全率和F1值都較高，其中本文模型取得了最高的檢測(cè)性能。實(shí)驗(yàn)結(jié)果表明，利用軟投票集成學(xué)習(xí)方法檢測(cè)MIM和NLMR兩種異味的共存是可行的。

七種模型的檢測(cè)結(jié)果的順序?yàn)椋罕疚哪Ｐ蚲t;RFgt; JRip gt;BN gt;DTgt;RTgt;NB。文獻(xiàn)[28]使用16種傳統(tǒng)機(jī)器學(xué)習(xí)模型檢測(cè)四種面向?qū)ο蟮拇a異味，但是，它只考慮了單個(gè)異味，沒有考慮異味的共存。在與本文相同的五種模型中，它們的結(jié)果為： DTgt; RFgt; JRipgt; NBgt;BN。由此可見，傳統(tǒng)機(jī)器學(xué)習(xí)模型在檢測(cè)不同種類、不同狀態(tài)（單一種類異味或異味共存）時(shí)，不同模型的檢測(cè)性能存在差異。

RQ2： 相對(duì)于現(xiàn)有基于靜態(tài)程序分析的異味共存檢測(cè)方法，本文集成傳統(tǒng)機(jī)器學(xué)習(xí)的方法的檢測(cè)效果是否優(yōu)于已有方法？

表5為本文方法與檢測(cè)工具aDoctor的檢測(cè)結(jié)果。

如表5所示，本文使用的軟投票模型檢測(cè)結(jié)果優(yōu)于現(xiàn)有基于靜態(tài)程序分析的Android代碼異味共存檢測(cè)工具aDoctor，其相對(duì)于aDoctor，F(xiàn)1值平均提高了26.1百分點(diǎn)（97.7%－71.6%）。

RQ3：本文提出的集成傳統(tǒng)機(jī)器學(xué)習(xí)模型的方法與深度學(xué)習(xí)方法的檢測(cè)效果相比，哪種更好？

表6為集成傳統(tǒng)機(jī)器學(xué)習(xí)模型和兩種改進(jìn)的深度學(xué)習(xí)模型的測(cè)試結(jié)果。兩種深度學(xué)習(xí)模型CNN和RNN的綜合性能（F1值）分別為82.5%和84.9%，低于軟投票方法。

結(jié)合表4、6可知，在檢測(cè)MIM與NLMR這兩種Android代碼異味共存時(shí)，CNN與RNN模型的效果低于單一種類的機(jī)器學(xué)習(xí)模型，比如RNN的F1值。

RQ4：集成傳統(tǒng)機(jī)器學(xué)習(xí)模型與集成深度學(xué)習(xí)模型的檢測(cè)效果相比，哪種集成方式的檢測(cè)效果更好？

表7為集成機(jī)器學(xué)習(xí)模型的軟投票分類器和集成深度學(xué)習(xí)模型的軟投票分類器的對(duì)比測(cè)試結(jié)果。兩種集成學(xué)習(xí)模型綜合性能（F1值）分別為97.7%和91.6%，可以看出集成了本文所提到的三種機(jī)器學(xué)習(xí)模型的軟投票分類器效果更好。

RQ5：表8為生成訓(xùn)練集時(shí)，7個(gè)應(yīng)用程序的時(shí)間消耗（以分鐘為單位）。如表8所示，耗時(shí)最多的是獲取樣本數(shù)據(jù)的過程。從70個(gè)應(yīng)用程序獲取訓(xùn)練數(shù)據(jù)，消耗308 min，平均每個(gè)項(xiàng)目4.4 min。

表9為集成不同模型的軟投票在訓(xùn)練過程和測(cè)試過程的耗時(shí)情況（以秒為單位）。

如表8所示，與耗費(fèi)接近3個(gè)多小時(shí)的訓(xùn)練集生成過程相比，兩種軟投票分類器在數(shù)據(jù)集上的訓(xùn)練時(shí)間分別為13.7 s和407.7 s。測(cè)試過程中，軟投票分類器有著很好的時(shí)間性能，其中集成了機(jī)器學(xué)習(xí)的軟投票分類器時(shí)間性能更佳。

4 討論

4.1 本文研究的兩種異味共存的必要性和目標(biāo)

本文研究Android特有代碼異味共存。根據(jù)文獻(xiàn)[4]的結(jié)果，在Android應(yīng)用程序中，三對(duì)Android特有代碼異味的共存頻率較高[4]。作為初步研究，本文選擇其中一對(duì)作為研究對(duì)象。這對(duì)代碼異味是NLMR和MIM。原因如下：a）相對(duì)于單一種類的代碼異味，異味共存對(duì)程序更具危害性[16]。“缺少低內(nèi)存處理程序”異味可能導(dǎo)致在資源有限的情況下，系統(tǒng)無法有效處理請(qǐng)求，影響用戶體驗(yàn)，而“忽略類成員變量的方法”異味可能導(dǎo)致代碼邏輯不清晰，降低可讀性和可維護(hù)性。b）探索兩種異味的共存現(xiàn)象，可以揭示它們?nèi)绾螀f(xié)同影響Android應(yīng)用程序的性能，特別是在內(nèi)存有限的移動(dòng)設(shè)備上。這一研究不僅有助于理解如何更好地重構(gòu)代碼以優(yōu)化性能，還為開發(fā)自動(dòng)化工具提供了依據(jù)。c）目前學(xué)術(shù)界主要集中在傳統(tǒng)面向?qū)ο螅∣O）代碼異味的研究，忽視Android應(yīng)用中代碼異味共存的現(xiàn)象。深入探究Android代碼異味的共存問題，對(duì)于應(yīng)用程序的開發(fā)者和研究人員，具有重要的學(xué)術(shù)價(jià)值和實(shí)踐意義。對(duì)于研究人員，這些發(fā)現(xiàn)可以作為深入探討Android異味與傳統(tǒng)代碼異味之間聯(lián)系的起點(diǎn)，同時(shí)，研究成果可以幫助他們?cè)谠O(shè)計(jì)異味重構(gòu)方法時(shí)，考慮到這些異味之間的依賴關(guān)系。開發(fā)出實(shí)用可靠的移動(dòng)應(yīng)用重構(gòu)工具。對(duì)于Android開發(fā)者，現(xiàn)有研究的不足導(dǎo)致開發(fā)者在實(shí)際應(yīng)用中難以有效地解決多個(gè)異味共存的問題。識(shí)別這些共存關(guān)系有助于人們集中精力優(yōu)先重構(gòu)那些共存頻率高的代碼異味，從而節(jié)省時(shí)間與精力，提升其應(yīng)用程序的質(zhì)量。d）研究顯示[4]，三對(duì)共存的Android特有代碼異味中，忽略類成員變量的方法異味與缺少低內(nèi)存處理程序異味的共存，其support（支持度）、confidence（置信度）和lift（提升度）的值都是最高的，分別為：support = 0.094，confidence= 0.719，lift= 1.716（參考文獻(xiàn)[4]中表VI）。因此，作為初步研究，本文針對(duì)這兩種異味的共存展開研究。

4.2 本文模型是否可以適用于檢測(cè)其他種類的代碼異味

在實(shí)際應(yīng)用中，人們希望采用一種通用的模型架構(gòu)，這種架構(gòu)能夠?qū)λ锌紤]的代碼異味保持一致的良好性能，這會(huì)使得工具的實(shí)現(xiàn)變得更加簡單[26]。

作為初步研究，本文模型可以檢測(cè)忽略類成員變量的方法異味與缺少低內(nèi)存處理程序異味的共存。在代碼異味檢測(cè)領(lǐng)域，傳統(tǒng)的靜態(tài)程序分析方法是檢測(cè)代碼異味的主要手段，但是，機(jī)器學(xué)習(xí)方法是否適用于檢測(cè)多種代碼異味，尚屬未知。文獻(xiàn)[26]表明，機(jī)器學(xué)習(xí)模型的性能是根據(jù)異味種類不同而不同。比如，在處理復(fù)雜方法異味時(shí)，循環(huán)神經(jīng)網(wǎng)絡(luò)的性能超過了卷積神經(jīng)網(wǎng)絡(luò)模型；然而，在其他類型的代碼異味時(shí)，例如依戀情結(jié)異味，兩種模型并沒有達(dá)到預(yù)期的表現(xiàn)。文獻(xiàn)[26]認(rèn)為，每種代碼異味都展現(xiàn)出不同的特征，它們的檢測(cè)機(jī)制也不同。因此，考慮到問題的本質(zhì)，不太可能存在一種通用的模型架構(gòu)，能夠作為檢測(cè)眾多種類代碼異味的萬能解決方案，并始終保持良好的性能。

在未來的工作中，將探索更多種類代碼異味的檢測(cè)方法，并研究代碼異味共存的重構(gòu)方法。最終目的是提高應(yīng)用軟件的質(zhì)量。

4.3 與已有集成學(xué)習(xí)方法的比較

目前使用集成學(xué)習(xí)方法檢測(cè)代碼異味的較新方法是文獻(xiàn)[27]，其使用集成學(xué)習(xí)方法檢測(cè)四種OO代碼異味，而且是單一種類異味的檢測(cè)。本文研究Android特有代碼異味的共存，兩者研究對(duì)象不同。此外，本文借鑒文獻(xiàn)[25，26]，首先使用靜態(tài)程序分析方法檢測(cè)程序中的代碼異味，然后經(jīng)過處理后，輸入集成學(xué)習(xí)模型。而文獻(xiàn)[27]未采用靜態(tài)分析方法，直接使用CK代碼度量作為模型的輸入。文獻(xiàn)[26]指出，依賴代碼度量進(jìn)行模型訓(xùn)練可能會(huì)限制模型獲取源代碼的其他特征，進(jìn)而影響模型效果。此外，即使度量標(biāo)準(zhǔn)相同，不同的閾值設(shè)定也會(huì)導(dǎo)致檢測(cè)結(jié)果的差異。因此，文獻(xiàn)[26]選擇程序文本信息作為模型的輸入。本文模型受此啟發(fā)，使用程序文本信息作為輸入。由于以上原因，本文模型未與文獻(xiàn)[27]進(jìn)行對(duì)比。"""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""

5 結(jié)束語

本文采用靜態(tài)程序分析與集成學(xué)習(xí)結(jié)合的方法檢測(cè)Android應(yīng)用程序中兩種特定代碼異味共存情況，即忽略類成員變量的方法異味（MIM）與缺少低內(nèi)存處理程序異味（NLMR）的共存。通過分析Android應(yīng)用程序的源代碼，結(jié)合不同代碼異味之間的依賴關(guān)系，提取了類級(jí)別的MIM與NLMR異味共存實(shí)例。本文采用軟投票集成了隨機(jī)森林、極端隨機(jī)樹和基于直方圖的梯度提升三種傳統(tǒng)機(jī)器學(xué)習(xí)分類器進(jìn)行檢測(cè)。為了評(píng)估集成學(xué)習(xí)模型的檢測(cè)結(jié)果，與傳統(tǒng)機(jī)器學(xué)習(xí)模型、深度學(xué)習(xí)模型CNN、RNN和已有代碼異味共存檢測(cè)工具aDoctor[11]進(jìn)行比較。使用查準(zhǔn)率、查全率和F1值這三個(gè)指標(biāo)進(jìn)行對(duì)比評(píng)價(jià)。實(shí)驗(yàn)結(jié)果顯示，集成學(xué)習(xí)模型能夠有效檢測(cè)MIM與NLMR兩種異味的共存，而且其檢測(cè)效果優(yōu)于aDoctor工具、CNN和RNN以及傳統(tǒng)機(jī)器學(xué)習(xí)模型。而同樣是集成學(xué)習(xí)的情況下，集成了機(jī)器學(xué)習(xí)模型的軟投票分類器優(yōu)于集成了深度學(xué)習(xí)模型的軟投票分類器。本文提出的靜態(tài)程序分析與集成學(xué)習(xí)相結(jié)合的Android代碼異味檢測(cè)模型，旨在為代碼異味共存檢測(cè)提出一種新的思路。

在后續(xù)的研究工作中，將使用本文模型檢測(cè)更多種類代碼異味，并探索更多異味的檢測(cè)方法，同時(shí)研究代碼異味共存的重構(gòu)方法，最終目的是提高移動(dòng)應(yīng)用軟件的質(zhì)量。

參考文獻(xiàn)：

[1]

Saca M A. Refactoring improving the design of existing code[C]// Proc of the 37th Central America and Panama Convention. Pisca-taway， NJ： IEEE Press， 2017： 1-3.

[2]Zazworka N， Shaw M A， Shull F， et al. Investigating the impact of design debt on software quality[C]// Proc of the 2nd Workshop on Managing Technical Debt. New York： ACM Press， 2011： 17-23.

[3]Wu Zhiqiang， Chen Xin， Lee S U. A systematic literature review on Android-specific smells[J].Journal of Systems and Software，" 2023， 201： 111677.

[4]Hamdi O， Ouni A，AlOmar E A， et al. An empirical study on code smells co-occurrences in Android applications[C]// Proc of the 36th IEEE/ACM International Conference on Automated Software Engineering Workshops. Piscataway， NJ： IEEE Press， 2021： 26-33.

[5]Mannan U A， Ahmed I，Almurshed R A M， et al. Understanding code smells in Android applications[C]// Proc of IEEE/ACM International Conference on Mobile Software Engineering and Systems. Piscataway， NJ： IEEE Press， 2016： 225-236.

[6]Reimann J， Brylski M，Assmann U. A tool-supported quality smell catalogue for Android developers[J/OL]. Softwaretechnik-Trends.（2014）. https：//dl.gi.de/handle/20.500.12116/40859.

[7]Palomba F，Bavota G， Di Penta M， et al. On the diffuseness and the impact on maintainability of code smells： a large scale empirical investigation[J].Empirical Software Engineering，" 2018， 23（3）： 1188-1221.

[8]Palomba F， Di Nucci D， Panichella A，et al. On the impact of code smells on the energy consumption of mobile applications[J].Information and Software Technology，" 2019， 105： 43-55.

[9]Hecht G. An approach to detect Android antipatterns[C]// Proc of the 37th IEEE International Conference on Software Engineering. Piscataway， NJ： IEEE Press， 2015： 766-768.

[10]Rasool G， Ali A. Recovering Android bad smells from Android applications[J].Arabian Journal for Science and Engineering，" 2020， 45（4）： 3289-3315.

[11]Palomba F， Di Nucci D， Panichella A，et al. Lightweight detection of Android-specific code smells： the BDoctor project[C]// Proc of the 24th International Conference on Software Analysis， Evolution and Reengineering. Piscataway， NJ： IEEE Press， 2017： 487-491.

[12]Alazba A， Aljamaan H， Alshayeb M. CoRT： Transformer-based code representations with self-supervision by predicting reserved words for code smell detection[J].Empirical Software Engineering，" 2024， 29（3）： 59.

[13]Maiga A， Ali N， Bhattacharya N，et al. SMURF： a SVM-based incremental anti-pattern detection approach[C]// Proc of the 19th Wor-king Conference on Reverse Engineering. Piscataway， NJ： IEEE Press， 2012： 466-475.

[14]Yamashita A， Moonen L. Exploring the impact of inter-smell relations on software maintainability：an empirical study[C]// Proc of the 35th International Conference on Software Engineering. Piscataway， NJ： IEEE Press， 2013： 682-691.

[15]Palomba F， Oliveto R， De Lucia A. Investigating code smell co-occurrences using association rule learning： a replicated study[C]// Proc of IEEE Workshop on Machine Learning Techniques for Software Quality Evaluation. Piscataway， NJ： IEEE Press， 2017： 8-13.

[16] Palomba F，Bavota G， Di Penta M， et al. A large-scale empirical study on the lifecycle of code smell co-occurrences[J].Information and Software Technology，" 2018， 99： 1-10.

[17]Di Nucci D， Palomba F， Tamburri D A， et al. Detecting code smells using machine learning techniques： are we there yet？[C]// Proc of the 25th International Conference on Software Analysis， Evolution and Reengineering. Piscataway， NJ： IEEE Press， 2018： 612-621.

[18]Khomh F， Vaucher S， Guéhéneuc Y G， et al. A Bayesian approach for the detection of code and design smells[C]// Proc of the 9th International Conference on Quality Software. Piscataway， NJ： IEEE Press， 2009： 305-314.

[19]田迎晨， 李柯君， 王太明， 等. 代碼壞味研究綜述[J]. 軟件學(xué)報(bào)， 2023， 34（1）： 150-170. （Tian Yingchen， Li Kejun， Wang Taiming， et al. Survey on code smells[J].Journal of Software，" 2023， 34（1）： 150-170.）

[20]Kim D K. Finding bad code smells with neural network models[J].International Journal of Electrical and Computer Engineering，" 2017， 7（6）： 3613.

[21]Al-Shaaby A， Aljamaan H， Alshayeb M. Bad smell detection using machine learning techniques： a systematic literature review[J].Ara-bian Journal for Science and Engineering，" 2020， 45（4）： 2341-2369.

[22]Walter B， FontanaF A， Ferme V. Code smells and their collocations： a large-scale experiment on open-source systems[J]. Journal of Systems and Software， 2018， 144： 1-21.

[23]Amorim L， Costa E， Antunes N， et al. Experience report： evaluating the effectiveness of decision trees for detecting code smells[C]// Proc of the 26th International Symposium on Software Reliability Engineering. Piscataway， NJ： IEEE Press， 2015： 261-269.

[24]Kaur A， Jain S， Goel S. A support vector machine based approach for code smell detection[C]// Proc of International Conference on Machine Learning and Data Science. Piscataway， NJ： IEEE Press， 2017： 9-14.

[25]卜依凡， 劉輝， 李光杰. 一種基于深度學(xué)習(xí)的上帝類檢測(cè)方法[J].軟件學(xué)報(bào)， 2019， 30（5）： 1359-1374. （Bu Yifan， Liu Hui， Li Guangjie. God class detection approach based on deep learning[J].Journal of Software，" 2019， 30（5）： 1359-1374.）

[26]Sharma T， Efstathiou V，Louridas P， et al. Code smell detection by deep direct-learning and transfer-learning[J]. Journal of Systems and Software， 2021， 176： 110936.

[27]黃晨峻，高建華.融合特征選擇與多模型軟投票集成學(xué)習(xí)的代碼異味檢測(cè)方法[J].小型微型計(jì)算機(jī)系統(tǒng)，2025，46（2）：504-512. （Huang Chenjun， Gao Jianhua. Code smell detection method integrating feature selection and multi-model soft voting ensemble learning[J]. Journal of Chinese Computer Systems， 2025，46（2）：504-512.）

[28]Arcelli F F， Mntyl M V， Zanoni M，et al. Comparing and experimenting machine learning techniques for code smell detection[J].Empirical Software Engineering，" 2016， 21（3）： 1143-1191.

[29]Srinivas A，Mosiganti J P. A brain stroke detection model using soft voting based ensemble machine learning classifier[J].Measurement： Sensors，" 2023， 29： 100871.

[30]Aniche M， Maziero E， Durelli R，et al. The effectiveness of supervised machine learning algorithms in predicting software refactoring[J].IEEE Trans on Software Engineering，" 2022， 48（4）： 1432-1450.

[31]邊奕心， 李禹齊， 張子恒， 等. 深度學(xué)習(xí)策略下緩慢循環(huán)異味檢測(cè)方法[J].小型微型計(jì)算機(jī)系統(tǒng)， 2024， 45（2）： 490-497. （Bian Yixin， Li Yuqi， Zhang Ziheng， et al. Slow loop smell detection method by deep learning strategy[J].Journal of Chinese Computer Systems，" 2024， 45（2）： 490-497.）

[32]邊奕心， 王露穎， 趙松， 等. Android應(yīng)用程序中代碼異味共存現(xiàn)象的實(shí)證研究[J].計(jì)算機(jī)應(yīng)用研究， 2022， 39（9）： 2763-2767. （Bian Yixin， Wang Luying， Zhao Song， et al. Empirical study on code smell co-occurrences in Android applications[J].Application Research of Computers，" 2022， 39（9）： 2763-2767.）