Detecting code smells in software product lines
Ramón Abilio · Portuguese National Funding Agency for Science, Research and Technology (RCAAP Project by FCT) · 2014
Anomalias de código são sintomas que indicam que alguma coisa está errada no código fonte. Essas anomalias têm sido catalogadas e investigadas em diversas técnicas de programação, como as programações orientadas a objetos e orientadas a aspectos. Essas técnicas podem ser utilizadas para desenvolver Linhas de Produtos de Software (LPS). A programação orientada a características (POC) é uma técnica específica para tratar a modularização de características em LPS. Uma das linguagens POC mais populares é a AHEAD e é também utilizada neste trabalho. Apesar disso, ainda faltam estudos sistemáticos sobre a categorização e detecção de anomalias de código em LPSs baseadas em AHEAD. Portanto, este trabalho estende as definições de três anomalias de código tradicionais, chamadas God Method, God Class e Shotgun Surgery, para que elas abordem as abstrações da POC. Foram propostas, inclusive, oito novas medidas para quantificar características específicas de abordagens composicionais como a AHEAD. Finalmente, essas medidas foram combinadas com medidas existentes para definir três estratégias de detecção para identificar as anomalias investigadas e desenvolver uma ferramenta computacional para medir e detectar anomalias de código. Para avaliar as estratégias de detecção, um estudo exploratório foi realizado envolvendo 26 participantes (especialistas em Engenharia de Software). Os participantes realizaram inspeções manuais baseadas em medidas para identificar anomalias de código em métodos e componentes, e os resultados foram comparados com os resultados das estratégias utilizando testes estatísticos. As análises indicam que as estratégias de detecção propostas podem ser utilizadas como preditoras das anomalias, pois os testes estatísticos indicam acordo entre os resultados obtidos a partir das estratégias e os resultados obtidos a partir dos participantes. Portanto, as principais contribuições deste trabalho são: oito medidas que abordam mecanismos específicos de abordagens composicionais; perspectivas diferentes para três anomalias de código tradicionais; três estratégias de detecção baseadas em medidas e uma ferramenta computacional para medir e detectar as anomalias investigadas em código fonte AHEAD.