Αναδυόμενα Πρότυπα Πρακτικών Προγραμματισμού μέσω Συλλογικής Νοημοσύνης

1. Ιωάννης Π. Γκιλίρης
Υπό την επίβλεψη του κ. Ανδρέα Λ. Συμεωνίδη
Επίκουρου καθηγητή του ΤΗΜΜΥ ΑΠΘ
Και του κ. Χατζηδημητρίου Κυριάκου
Μεταδιδακτορικού ερευνητή του ΤΗΜΜΥ ΑΠΘ
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ
ΤΜΗΜΑ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ & ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ
ΕΡΓΑΣΤΗΡΙΟ ΕΠΕΞΕΡΓΑΣΙΑΣ ΠΛΗΡΟΦΟΡΙΑΣ ΚΑΙ ΥΠΟΛΟΓΙΣΜΩΝ (ΕΠΥ)

2. Σκοπός της διπλωματικής εργασίας
 Εύρεση των αναδυόμενων πρακτικών προγραμματισμού σε μία
δυναμική γλώσσα όπως η JavaScript
 Δημιουργία του package statLint για το Atom IDE του GitHub
που θα έχει τον ρόλο ενός statistical linter
Πακέτο ανοικτού κώδικα (open source)
Εργαλείο στατικής ανάλυσης κώδικα για τον εντοπισμό
διαφορών από κοινές πρακτικές
Οκτώβριος 2016 Αναδυόμενα πρότυπα πρακτικών προγραμματισμού μέσω συλλογικής νοημοσύνης 2

3. Για ποιο λόγο η JavaScript ;
 Αποτελεί τη κυρίαρχη γλώσσα για τη δημιουργία διαδικτυακών
εφαρμογών
94.1 % όλων των websites χρησιμοποιούν τη JavaScript
 Ο δυναμικός χαρακτήρας της γλώσσας οδηγεί σε πολύ μεγάλη
ευελιξία και ποικιλομορφία κατά την ανάπτυξη των εφαρμογών
 Είναι interpreted γλώσσα γεγονός που αναδεικνύει την
χρησιμότητα ενός linter με νέα χαρακτηριστικά
Οκτώβριος 2016 Αναδυόμενα πρότυπα πρακτικών προγραμματισμού μέσω συλλογικής νοημοσύνης 3

4. Αναδυόμενες πρακτικές ;
 Function Signatures
 _.map([1, 2, 3], function(num){ return num * 3; });
 Function Chains
 _.keys(data).forEach(function(id){ alert(id.Name);});
 Assignments και επιστρεφόμενες τιμές από τις κλήσεις
μεθόδων και αλυσίδων
 var new = ([1, 2, 3]).reverse();
 Δηλώσεις νέων μεταβλητών
 var data = [{“Name”: “John”}, {“Name”: “Maria”}];
Οκτώβριος 2016 Αναδυόμενα πρότυπα πρακτικών προγραμματισμού μέσω συλλογικής νοημοσύνης 4

5. Σε ποιους απευθύνεται το statLint
 Σε αρχάριους προγραμματιστές που εξοικειώνονται με τη
γλώσσα και το web developing
 Σε ομάδες ανάπτυξης λογισμικού που επιθυμούν μία το δυνατό
μεγαλύτερη συνοχή και ομοιομορφία στο λογισμικό που
αναπτύσσουν
Οκτώβριος 2016 Αναδυόμενα πρότυπα πρακτικών προγραμματισμού μέσω συλλογικής νοημοσύνης 5

6. Δομή του συστήματος εκπαίδευσης
Οκτώβριος 2016 Αναδυόμενα πρότυπα πρακτικών προγραμματισμού μέσω συλλογικής νοημοσύνης 6

7. Η μετρική για το Scoring
 Η στατιστική μετρική:
(term frequency x modified document frequency)
 Ως term θεωρούμε:
1. Κάθε εναλλακτική υπογραφή μιας μεθόδου
2. Κάθε διαφορετικό συνδυασμό αλυσίδας από συγκεκριμένες μεθόδους
3. Κάθε διαφορετικό τύπο αρχικοποίησης νέων μεταβλητών
 Ως document θεωρούμε κάθε ένα από τα projects του
αποθετηρίου αναφοράς
Οκτώβριος 2016 Αναδυόμενα πρότυπα πρακτικών προγραμματισμού μέσω συλλογικής νοημοσύνης 7
mdftf 

8.  Ο modified df δείκτης υπολογίζεται ως εξής:
 Θέλουμε να διατηρήσουμε μία λογαριθμική σχέση ανάμεσα
στον αριθμό των projects και την τιμή του δείκτη
Οκτώβριος 2016 Αναδυόμενα πρότυπα πρακτικών προγραμματισμού μέσω συλλογικής νοημοσύνης 8
Η μετρική για το Scoring









N
projects
mdf 1log

9. Preprocessor
Οκτώβριος 2016 Αναδυόμενα πρότυπα πρακτικών προγραμματισμού μέσω συλλογικής νοημοσύνης 9
Φιλτράρισμα αρχείων
Οργάνωση σε φακέλους

10. Parser
Οκτώβριος 2016 Αναδυόμενα πρότυπα πρακτικών προγραμματισμού μέσω συλλογικής νοημοσύνης 10
Εξαγωγή AST (Abstract Syntax Trees)
Esprima Parser

11. Training #1
Οκτώβριος 2016 Αναδυόμενα πρότυπα πρακτικών προγραμματισμού μέσω συλλογικής νοημοσύνης 11
Συλλογή δεδομένων για τις υπογραφές και τα
assignments μεθόδων
Αρχείο εξόδου: functionSignatures.json

12. Training #1: Εγγραφές Αρχείου
Οκτώβριος 2016 Αναδυόμενα πρότυπα πρακτικών προγραμματισμού μέσω συλλογικής νοημοσύνης 12

13. Training #2
Οκτώβριος 2016 Αναδυόμενα πρότυπα πρακτικών προγραμματισμού μέσω συλλογικής νοημοσύνης 13
Συλλογή δεδομένων για τις αλυσίδες και τα
assignments μεθόδων
Αρχείο εξόδου: functionChains.json

14. Training #2: Εγγραφές αρχείου
Οκτώβριος 2016 Αναδυόμενα πρότυπα πρακτικών προγραμματισμού μέσω συλλογικής νοημοσύνης 14

15. Training #3
Οκτώβριος 2016 Αναδυόμενα πρότυπα πρακτικών προγραμματισμού μέσω συλλογικής νοημοσύνης 15
Συλλογή δεδομένων για τις δηλώσεις μεταβλητών
Αρχείο εξόδου: varDeclarations.json

16. Δομή του statLint
Οκτώβριος 2016 Αναδυόμενα πρότυπα πρακτικών προγραμματισμού μέσω συλλογικής νοημοσύνης 16

17. Δοκιμές του statLint
Οκτώβριος 2016 Αναδυόμενα πρότυπα πρακτικών προγραμματισμού μέσω συλλογικής νοημοσύνης 17

18. Πείραμα 1: Cross-validation
(GitHub Dataset)
 Οι δείκτες warnings / seen LOC για τα τρία επίπεδα
αυστηρότητας:
 Dataset: 100 δημοφιλέστερα projects στο GitHub
 10-fold cross-validation
Οκτώβριος 2016 Αναδυόμενα πρότυπα πρακτικών προγραμματισμού μέσω συλλογικής νοημοσύνης 18
Επίπεδο Αυστηρότητας Warnings / seen LOC (%)
1 45.37
2 32.01
3 27.94

19. Πείραμα 2: Cross-validation testing
(D3 Dataset)
 Οι δείκτες warnings / seen LOC για τα τρία επίπεδα
αυστηρότητας:
 Dataset: 200 projects από τους προγραμματιστές της D3
 10-fold cross-validation
Οκτώβριος 2016 Αναδυόμενα πρότυπα πρακτικών προγραμματισμού μέσω συλλογικής νοημοσύνης 19
Επίπεδο Αυστηρότητας Warnings / seen LOC (%)
1 24.97
2 13.88
3 11.85

20. Cross-validation: Σύγκριση
0
5
10
15
20
25
30
35
40
45
50
Level 1 Level 2 Level 3
GitHub
D3
Οκτώβριος 2016 Αναδυόμενα πρότυπα πρακτικών προγραμματισμού μέσω συλλογικής νοημοσύνης 20

21. GitHub Dataset D3 Dataset
 Κριτήριο επιλογής: η δημοτικότητα
 100 δημοφιλέστερα projects, βάσει
του αριθμού των stars
 Ισχυρότερα πειστήρια σχετικά:
 τόσο με την αξιοπιστία των
projects
 όσο και με την ομοιομορφία τους
Οκτώβριος 2016 Αναδυόμενα πρότυπα πρακτικών προγραμματισμού μέσω συλλογικής νοημοσύνης 21
Cross-validation: Σύγκριση

22. Πείραμα 3: Σύγκριση με το PMD
Οκτώβριος 2016 Αναδυόμενα πρότυπα πρακτικών προγραμματισμού μέσω συλλογικής νοημοσύνης 22
LOC LOC seen by statLint PMD (%) statLint ( % )
twitter-typeahead 10,602 1,261 1.5 25.46
jquery-mobile 91,891 5,063 0.52 30.15
mrdoob-three 90,661 10,663 9.06 30.27
ecomfe-echarts 69,388 8,645 6.24 28.58
resume 626 85 1.6 27.05
uBlock 13,503 1,741 2.55 26.3
socketio-socket 2,832 476 0.5 19.11
alvarotrigo-fullpage 3,577 428 0.81 17.28
caolan-async 7,026 785 1.25 25.35
peachananr-scroll 344 51 15.69 35.29

23.  Ο συντελεστής συσχέτισης (Pearson Correlation Coefficient)
ανάμεσα στα 2 διανύσματα-στήλες είναι: 0.7331
 Παρατηρείται σημαντική συσχέτιση
 Πιθανή θετική αξιολόγηση ενός αρχείου κώδικα από το PMD
⇒ Πολύ πιθανή θετική αξιολόγηση από το statLint
Οκτώβριος 2016 Αναδυόμενα πρότυπα πρακτικών προγραμματισμού μέσω συλλογικής νοημοσύνης 23
Πείραμα 3: Σύγκριση με το PMD

24. Συμπεράσματα
 Απλές, αλλά εξίσου δυναμικές πρακτικές συμβάλουν στις
τεχνικές του MSR (Mining Software Repositories)
 Online κοινότητες, όπως αυτή του GitHub, αναδεικνύουν τη
δύναμη της συνεργασίας και της συλλογικής νοημοσύνης
 Ένας statistical linter μπορεί να αντικατοπτρίσει τις
εμφανιζόμενες αλλαγές
Οκτώβριος 2016 Αναδυόμενα πρότυπα πρακτικών προγραμματισμού μέσω συλλογικής νοημοσύνης 24

25. Μελλοντική Εργασία
 Υποστήριξη και άλλων εκδόσεων της JavaScript
 CoffeeScript
 Τελευταία έκδοση της γλώσσας (ECMAScript6)
 Χρησιμοποίηση μεγαλύτερου όγκου δεδομένων
 Να εξεταστεί κατά πόσο υπάρχει βελτίωση
 Πιθανή ανάγκη για μία online ΒΔ
Οκτώβριος 2016 Αναδυόμενα πρότυπα πρακτικών προγραμματισμού μέσω συλλογικής νοημοσύνης 25

26. Ευχαριστίες
 Θα ήθελα να ευχαριστήσω τους επιβλέποντες της
διπλωματικής μου εργασίας, κ. Ανδρέα Συμεωνίδη και
κ. Κυριάκο Χατζηδημητρίου για τη συνεχή βοήθεια και
καθοδήγησή τους.
Οκτώβριος 2016 Αναδυόμενα πρότυπα πρακτικών προγραμματισμού μέσω συλλογικής νοημοσύνης 26

27. Ερωτήσεις
Οκτώβριος 2016 Αναδυόμενα πρότυπα πρακτικών προγραμματισμού μέσω συλλογικής νοημοσύνης 27