复杂软件系统健康状态智能感知与诊断模型

doi:10.12263/DZXB.20190396

电子学报 ›› 2021, Vol. 49 ›› Issue (9): 1799-1808.DOI: 10.12263/DZXB.20190396

复杂软件系统健康状态智能感知与诊断模型

王森¹, 王煜², 宁德军²

^1.同济大学电子与信息工程学院，上海 201804
^2.中国科学院上海高等研究院，上海 201210

收稿日期:2019-04-15 修回日期:2020-12-31 出版日期:2021-09-25
- 作者简介:
- 王　森　男，1966 年8 月出生于上海. 教授级高工，主要研究方向为工业互联网、智能制造. E‑mail:wangsen@baosight.com
  王　煜　女，1994 年 1 月出生于山东临沂. 研究生，主要研究方向为软工数据智能、数据挖掘．E‑mail:wangyu02@sari.ac.cn
  宁德军（通信作者）　男，1972 年7 月出生于黑龙江省. 教授级高级工程师，CCF 会员. 长期从事下一代软件工程技术、大数据智能技术和海云协同计算研究. E‑mail:ningdj@ sari.ac.cn
- 基金资助:
- 上海市经济和信息委员会工业互联网创新发展专项资金项目 (2020-GYHLW-02010); 上海化学工业区公共事务中心上海化学工业区智慧决策平台项目 (E0420S1); 竞技体育高水平运动队人工智能辅助训练系统项目 (DQ200966-00)

Intelligent Perception and Diagnosis Model for Health Status of Complex Software System

WANG Sen¹, WANG Yu², NING De-jun²

^1.School of Electronics and Information Engineering, Tongji University, Shanghai 201804, China
^2.Shanghai Advanced Research Institute, Chinese Academy of Sciences, Shanghai 201210, China

Received:2019-04-15 Revised:2020-12-31 Online:2021-09-25 Published:2021-09-25
- Supported by:
- Program supported by Shanghai Municipality Commission of Economy and Informalization Industrial Internet Innovation and Development Project (2020-GYHLW-02010); Shanghai Chemical Industrial Zone Public Affairs Center - Shanghai Chemical Industrial Zone Intelligent Decision Platform Project (E0420S1); Program of AI Aided Sports Training System for High-level Competetive Sports Team (DQ200966-00)

摘要/Abstract

摘要：

随着工业物联网和人工智能技术的迅猛发展，各种复杂软件系统（Complex Software System, CSS）日趋盛行，成为最重要的软件系统开发范式之一，其固有的成长性构造和适应性演化性质要求CSS必须能够实时感知和诊断自身的健康状态，确保其适应性演化过程中的质量. 本文采用特征工程和存储库数据挖掘技术，对影响开源CSS健康状态的特征进行分析，建立了一个数据驱动的实时、客观地反映开源CSS健康状态的自感知模型，并进一步借鉴质量控制图的思想，定义了能够辅助开源CSS故障诊断的自诊断模型. 最后，通过对比实验，证明了本文提出的模型因为全面综合了软件开发过程的绝大多数特征，能够更加全面和有效地评价软件的健康状态.

关键词: 复杂软件系统, 存储库数据挖掘, 自感知模型, 自诊断模型

Abstract:

With the rapid development of Industry Internet of Things and AI technology, various complex software systems (CSS) are becoming more and more popular, and becoming one of the most important software development paradigms. Its inherent growth construction and adaptive evolution require CSS to be able to perceive and diagnose its own health status in real time, so as to ensure the quality of its adaptive evolution. The paper uses feature engineering and mining software repositories (MSR) technology to analyze the features that affect the health of open source CSS, and establishes a data driven perception model that can reflect the health status of open source CSS in real time and objectively. Furthermore, a self-diagnosis model that can assist open source CSS fault diagnosis is defined with reference to the quality control chart. Finally, through the model comparison experiment, it is proved that our model can evaluate the health of software more comprehensively and effectively because it integrates most feature of software development process.

Key words: complex software system, mining software repositories, self-perception model, self-diagnosis model

中图分类号:

TP311

王森, 王煜, 宁德军. 复杂软件系统健康状态智能感知与诊断模型[J]. 电子学报, 2021, 49(9): 1799-1808.

WANG Sen, WANG Yu, NING De-jun. Intelligent Perception and Diagnosis Model for Health Status of Complex Software System[J]. Acta Electronica Sinica, 2021, 49(9): 1799-1808.

图/表 13

参考文献 20

1	王怀民,吴文峻,毛新军,等.复杂软件系统的成长性构造与适应性演化[J].中国科学:信息科学, 2014, 44(6):743 - 761.
	WangH M, WuW J, MaoX J, et al. Growth structure and adaptive evolution of complex software systems [J]. Chinese Science: Information Science, 2014, 44 (6): 743 - 761. (in Chinese)
2	中国信息物理系统发展论坛. 信息物理系统白皮书. [DB/OL]. http://www.cesi.cn/201703/2251.html, 2018‑03‑01.
3	阿里研究院."互联网+"——中国经济新引擎[DB/OL]. http://www.aliresearch.com/blog/article/detail/id/20324.html, 2017⁃03⁃24.
4	LemosR D, GieseH, MüllerH A, et al. Software engineering for self‑adaptive systems: a second research roadmap[A]. Software Engineering for Self‑Adaptive Systems II[C]. Berlin Heidelberg: Springer, 2013. 1 - 32.
5	RalphP. Toward methodological guidelines for process theories and taxonomies in software engineering[J]. IEEE Transactions on Software Engineering, 2019,45(7): 712 - 735.
6	ShevtsovS, BerekmeriM, WeynsD, et al. Control-theoretical software adaptation: a systematic literature review[J]. IEEE Transactions on Software Engineering, 2018, 44(8):784 - 810.
7	CorporationIBM. An Architectural Blueprint for Autonomic Computing. [EB/OL] , 2017⁃06⁃24.
8	DobsonS, DenazisS G, AntonioFernández, et al. A survey of autonomic communications [J]. ACM Transactions on Autonomous and Adaptive Systems, 2006, 1(2):223 - 259.
9	GraziotinD, LenbergP, FeldtR, et al. Psychometrics in Behavioral Software Engineering: a Methodological Introduction with Guidelines[EB/OL]. , 2020⁃10⁃19
10	CrowstonK, HowisonJ, AnnabiH. Information systems success in free and open source software development: theory and measures[J]. Software Process Improvement & Practice, 2010, 11(2):123 - 148.
11	MarganD, ČandrlićS. The success of open source software: A review[A].2015 38th International Convention on Information and Communication Technology, Electronics and Microelectronics (MIPRO) [C]. Piscataway, NJ: IEEE, 2015. 1463 - 1468.
12	RajaU, TretterM J. Defining and evaluating a measure of open source project survivability[J]. IEEE Transactions on Software Engineering, 2012, 38(1):163 - 174.
13	BorgesH, Tulio ValenteM. What's in a GitHub star? understanding repository starring practices in a social coding platform[J]. Journal of Systems and Software, 2018, 146:112 - 129.
14	JacquesV. Introduction of Pygithub[DB/OL]. http://pygithub.readthedocs.io/en/latest/introduction.html, 2017⁃06⁃09.
15	HuY, WangS S, RenY Z, et al. User influence analysis for Github developer social networks[J]. Expert Systems with Applications, 2018, 108:108 - 118.
16	BorgesH, HoraA, ValenteM T. Understanding the factors that impact the popularity of GitHub repositories[A]. 2016 IEEE International Conference on Software Maintenance and Evolution (ICSME) [C]. Raleigh, NC, USA: IEEE, 2016. 334 - 344.
17	张得光,李兵,何鹏,等. 基于软件生态系统的开源社区特性研究[J]. 计算机工程, 2015, 41(11):106 - 113.
	ZhangD G, LiB, HeP, et al. Characteristic study of open source community based on software ecosystem [J]. Computer Engineering, 2015, 41 (11): 106 - 113. (in Chinese)
18	宁德军, 叶培根, 刘琴,等. 基于存储库数据挖掘的开源软件成功度量方法[J]. 电子学报, 2018, 46(012):2930 - 2935.
	NingD J, YeP G, LiuQ, et al. Open source software success measurement method based on mining software repository [J]. Acta Electronica Sinica, 2018, 46 (12): 2930 - 2935. (in Chinese)
19	WassermanA I, GuoX, McmillianB, et al. OSSpal: finding and evaluating open source software [A]. IFIP International Conference on Open Source Systems [C]. Buenos Aires, Argentina: Springer, Cham, 2017. 193 - 203.
20	GhapanchiA H. Investigating the interrelationships among success measures of open source software projects[J]. Journal of Organizational Computing and Electronic Commerce, 2015, 25(1):28 - 46.

编号	属性名称	属性说明	编号	属性名称	属性说明
1	stars	星数	16	code_change_speed	代码变更速度
2	subscribers	关注度，对应Watch	17	defect_num	缺陷数
3	forks	复制数，代表贡献者本地复制代码总数	18	defect_close_num	缺陷关闭数
4	issue_comment_num	问题评论数	19	open_pull	开放合并请求数
5	issue_detail_num	问题数	20	open_issues	开放问题数
6	close_issues	问题关闭数	21	acommit	第1活跃用户的提交数
7	pull_num	合并请求数	22	bcommit	第2活跃用户的提交数
8	pull_comment_num	合并请求评论数	23	ccommit	第3活跃用户的提交数
9	close_pull	合并请求关闭数	24	dcommit	第4活跃用户的提交数
10	pull_merge_num	合并数	25	ecommit	第5活跃用户的提交数
11	mainbranch_commits	主分支代码提交数	26	fcommit	第6活跃用户的提交数
12	active_num	活跃的贡献者数	27	gcommit	第7活跃用户的提交数
13	contributors	贡献者人数	28	hcommit	第8活跃用户的提交数
14	codesize	代码行数	29	icommit	第 9活跃用户的提交数
15	codesize_per	人均代码行	30	jcommit	第10活跃用户的提交数

编号	属性名称	属性说明	编号	属性名称	属性说明
1	stars	星数	16	code_change_speed	代码变更速度
2	subscribers	关注度，对应Watch	17	defect_num	缺陷数
3	forks	复制数，代表贡献者本地复制代码总数	18	defect_close_num	缺陷关闭数
4	issue_comment_num	问题评论数	19	open_pull	开放合并请求数
5	issue_detail_num	问题数	20	open_issues	开放问题数
6	close_issues	问题关闭数	21	acommit	第1活跃用户的提交数
7	pull_num	合并请求数	22	bcommit	第2活跃用户的提交数
8	pull_comment_num	合并请求评论数	23	ccommit	第3活跃用户的提交数
9	close_pull	合并请求关闭数	24	dcommit	第4活跃用户的提交数
10	pull_merge_num	合并数	25	ecommit	第5活跃用户的提交数
11	mainbranch_commits	主分支代码提交数	26	fcommit	第6活跃用户的提交数
12	active_num	活跃的贡献者数	27	gcommit	第7活跃用户的提交数
13	contributors	贡献者人数	28	hcommit	第8活跃用户的提交数
14	codesize	代码行数	29	icommit	第 9活跃用户的提交数
15	codesize_per	人均代码行	30	jcommit	第10活跃用户的提交数

主要维度	一级标签（7个）	二级标签（15个）	特征指标	特征说明
社区视角	Community_Vitality（社区活跃度）	流行度	stars	星数
		关注度	subscribers	关注度，对应Watch
		开发者活跃度	forks	复制数
			issue_comment_num	问题评论数
过程视角	Issue_Vitality（问题解决活跃度）		issue_comment_num_per	人均问题评论数
	Issue_Vitality（问题解决活跃度）		close_issues_per	人均问题关闭数
	Pull_Request_Vitality（合并请求活跃度）		pull_comment_num_per	人均合并请求评论数
			close_pull_per	人均合并请求关闭数
			pull_request_speed	团队合并请求速度
		人均合并请求速度	pull_request_speed_per	人均合并请求速度
			merge_speed	团队合并速度
		人均合并速度	merge_speed_per	人均合并速度
团队视角	Team_Heartbeat（团队心跳）	外部发布心跳	release_speed	外部发布心跳
	Team_Heartbeat（团队心跳）	内部心跳	tag_speed	内部心跳
	Contributor_Vitality（贡献者活跃度）		active_num	活跃的贡献者数
			bcommit	第2个活跃用户的代码提交数
			mainbranch_commits	主分支代码提交数
			close_pull	合并请求关闭数
		变更规模	close_issues	问题关闭数
			pull_comment_num	合并请求评论数
			commit_speed	上一年平均代码提交速度
	Team_Coding_Efficiency（团队编码效率）		codesize_per	人均代码行
			mainbranch_commits_per	人均主分支提交数
		代码变更速度	code_change_speed	代码变更速度
		每缺陷代码行	rate_defect	千行误码率（倒数）
		团队规模	contributors	贡献者人数
软件视角	Software_Quality（软件质量）	缺陷关闭速度	defect_closing_speed	缺陷关闭速度
	Software_Quality（软件质量）	缺陷关闭率	defect_closing_rate	缺陷关闭率
		代码规模	codesize	代码行数
		编程语言	langcount	编程语言数量
			mlangsize	主语言代码量
			mlangper	主语言百分比
			slangsize	第二语言代码量
			slangper	第二语言百分比
			tlangsize	第三语言代码量
			tlangper	第三语言百分比

主要维度	一级标签（7个）	二级标签（15个）	特征指标	特征说明
社区视角	Community_Vitality（社区活跃度）	流行度	stars	星数
		关注度	subscribers	关注度，对应Watch
		开发者活跃度	forks	复制数
			issue_comment_num	问题评论数
过程视角	Issue_Vitality（问题解决活跃度）		issue_comment_num_per	人均问题评论数
	Issue_Vitality（问题解决活跃度）		close_issues_per	人均问题关闭数
	Pull_Request_Vitality（合并请求活跃度）		pull_comment_num_per	人均合并请求评论数
			close_pull_per	人均合并请求关闭数
			pull_request_speed	团队合并请求速度
		人均合并请求速度	pull_request_speed_per	人均合并请求速度
			merge_speed	团队合并速度
		人均合并速度	merge_speed_per	人均合并速度
团队视角	Team_Heartbeat（团队心跳）	外部发布心跳	release_speed	外部发布心跳
	Team_Heartbeat（团队心跳）	内部心跳	tag_speed	内部心跳
	Contributor_Vitality（贡献者活跃度）		active_num	活跃的贡献者数
			bcommit	第2个活跃用户的代码提交数
			mainbranch_commits	主分支代码提交数
			close_pull	合并请求关闭数
		变更规模	close_issues	问题关闭数
			pull_comment_num	合并请求评论数
			commit_speed	上一年平均代码提交速度
	Team_Coding_Efficiency（团队编码效率）		codesize_per	人均代码行
			mainbranch_commits_per	人均主分支提交数
		代码变更速度	code_change_speed	代码变更速度
		每缺陷代码行	rate_defect	千行误码率（倒数）
		团队规模	contributors	贡献者人数
软件视角	Software_Quality（软件质量）	缺陷关闭速度	defect_closing_speed	缺陷关闭速度
	Software_Quality（软件质量）	缺陷关闭率	defect_closing_rate	缺陷关闭率
		代码规模	codesize	代码行数
		编程语言	langcount	编程语言数量
			mlangsize	主语言代码量
			mlangper	主语言百分比
			slangsize	第二语言代码量
			slangper	第二语言百分比
			tlangsize	第三语言代码量
			tlangper	第三语言百分比

主要维度	一级标签/分类标签	感知结果
社区视角	社区活跃度	高
过程视角	问题解决活跃度	中
过程视角	合并请求活跃度	中
团队视角	团队心跳	低
	贡献者活跃度	中
	团队编码效率	高
	团队规模	中
软件视角	软件质量	中
	代码规模	高
	编程语言	多语言型

复杂软件系统健康状态智能感知与诊断模型

Intelligent Perception and Diagnosis Model for Health Status of Complex Software System

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 13

参考文献 20

相关文章 15

编辑推荐

Metrics

属性	属性值	状态	问题线	预警线	健康线
外部发布心跳	0.028	故障	0.083	0.141	0.4
内部心跳	0.111	故障	0.288	0.255	0.985

开源项目	社区活跃度	合并请求活跃度	问题解决活跃度	软件质量	贡献者活跃度	团队编码效率	团队心跳	HSPI
jquery	5	2.743	2.993	3.134	4.706	1.868	4.006	3.417
redis	5	2.621	3.296	3.17	4.703	2.490	4.163	3.473
select2	5	2.357	3.268	1.823	4.018	0.229	2.731	2.718
druid	5	3.34	3.245	3.191	4.178	3.361	3.12	3.410
jquery⁃validation	4.695	2.073	2.989	2.886	3.307	1.437	2.076	2.520

[1]	张颖辉, 张艳梅, 张志成, 姜淑娟, 丁艳茹, 袁冠. 基于深度强化学习的类集成测试序列生成方法[J]. 电子学报, 2023, (): 1-12.
[2]	龚雪鸾, 陈艳姣, 王涛, 曹雨欣. SeqGANPass：使用序列生成式对抗网络进行口令猜测[J]. 电子学报, 2023, (): 1-6.
[3]	张帅, 高旻, 文俊浩, 熊庆宇, 唐旭. 基于自监督学习的去流行度偏差推荐方法[J]. 电子学报, 2022, 50(10): 2361-2371.
[4]	李雪莹, 王田路, 梁鹏, 王翀. 基于系统模型的用户评论中非功能需求的自动分类[J]. 电子学报, 2022, 50(9): 2079-2089.
[5]	王飞扬, 冀鹏欣, 孙笠, 危倩, 李根, 张忠宝. 一种基于深度学习的动态社交网络用户对齐方法[J]. 电子学报, 2022, 50(8): 1925-1936.
[6]	李辉, 张建朋, 陈福才. 基于流式分析的大规模网络重叠社区发现算法[J]. 电子学报, 2022, 50(8): 1951-1958.
[7]	钱忠胜, 宋佳, 俞情媛, 成轶伟, 孙志旺. 利用函数影响力的相似程序间测试用例重用与生成[J]. 电子学报, 2022, 50(7): 1696-1707.
[8]	曹阳, 高旻, 余俊良, 范琪琳, 荣文戈, 文俊浩. 基于双图混合随机游走的社会化推荐模型[J]. 电子学报, 2022, (): 1-11.
[9]	王飞扬, 冀鹏欣, 孙笠, 危倩, 李根, 张忠宝. 一种基于深度学习的动态社交网络用户对齐方法[J]. 电子学报, 0, (): 1-12.
[10]	刘杰, 游品鸿, 田明, 刘金凤. 基于局部投影的视差图像拼接平滑优化[J]. 电子学报, 2022, 50(6): 1451-1456.
[11]	李志博, 李清宝, 兰明敬, 孙剑帆. 基于镜像选择序优化的MART算法[J]. 电子学报, 2022, 50(2): 314-325.
[12]	张文芳, 孙海锋, 张晏端, 唐荣骏, 王小敏, 马征, 李暄, 黄路非. 基于树形结构构造的联盟链主从多链共识算法[J]. 电子学报, 2022, 50(2): 257-266.
[13]	范书平, 万里, 姚念民, 张岩, 马宝英. 基于关键用例获取的测试用例排序方法[J]. 电子学报, 2022, 50(1): 149-156.
[14]	柳菁, 李琪. DisHAP：基于层次亲和聚类的分布式大图划分算法[J]. 电子学报, 2021, 49(10): 2002-2011.
[15]	史先进, 曹爽, 张重生, 陶月锋, 吕灵灵, 沈夏炯. 基于锚点的字符级甲骨图像自动标注算法研究[J]. 电子学报, 2021, 49(10): 2020-2031.