Using DNA fingerprin.ng techniques for the discovery of - PowerPoint PPT Presentation

Using ¡DNA ¡fingerprin.ng ¡ techniques ¡for ¡the ¡discovery ¡of ¡ so9ware ¡code ¡clones/siblings ¡ Thomas ¡Shippey, ¡David ¡Bowes ¡and ¡ Bruce ¡Chris2anson ¡ Science ¡and ¡Technology ¡Research ¡Ins2tute ¡ University ¡of ¡Her>ordshire ¡ ¡

Mo2va2on ¡ ① Hall ¡et ¡al ¡2011: ¡TSE ¡Systema2c ¡Literature ¡Review ¡of ¡defect ¡predic2on ¡studies ¡ ¡ ② Gray ¡et ¡al ¡2009,2011 ¡: ¡“There ¡are ¡not ¡enough ¡descrip2ve ¡SoNware ¡Code ¡Metrics ¡ (SCM) ¡for ¡defect ¡predic2on” ¡”Why ¡are ¡there ¡so ¡many ¡duplicate ¡instances?” ¡ ¡ ③ Shepperd ¡et ¡al ¡2011 ¡(in ¡review) ¡: ¡“Who ¡does ¡the ¡study ¡and ¡the ¡independent ¡variables ¡ are ¡the ¡key ¡to ¡the ¡variability ¡in ¡defect ¡predic2on ¡studies” ¡(~80% ¡of ¡variance) ¡ ¡ ④ Zhang ¡et ¡al ¡2008 ¡“Do ¡Bad ¡Smells ¡Indicate ¡‘Trouble’ ¡in ¡Code?” ¡ ¡ ⑤ Krinke ¡IWSC ¡2011:”Was ¡Fowler ¡right ¡in ¡saying ¡duplicate ¡code ¡is ¡the ¡number ¡one ¡bad ¡ thing ¡in ¡code?” ¡ ¡ ⑥ Zhang ¡et ¡al ¡2011 ¡(in ¡review) ¡“Bad ¡smells ¡are ¡not ¡always ¡bad!” ¡ ⑦ Weimer ¡et ¡al ¡2009: ¡ICSE ¡“Automa2cally ¡finding ¡patches ¡using ¡gene2c ¡programming” ¡

DNA ¡Fingerprin2ng ¡ Jeffreys ¡A.J., ¡Wilson ¡V., ¡Thein ¡S.W. ¡(1984). ¡ ¡ "Hypervariable ¡'minisatellite' ¡regions ¡in ¡human ¡DNA". ¡ ¡ Nature ¡314: ¡67–73. ¡doi:10.1038/314067a0. ¡ Image ¡from ¡: ¡Nature ¡Protocols ¡ 1, ¡518 ¡-­‑ ¡525 ¡(2006) ¡ ¡ doi:10.1038/nprot.2006.73 ¡

Proposi2on ¡ • The ¡long ¡term ¡aim ¡of ¡Thomas’s ¡thesis ¡is ¡to: ¡ – generate ¡another ¡Sta2c ¡Code ¡Metric ¡ ¡based ¡on ¡ code ¡clones ¡ ¡ • DNA ¡fingerprin2ng: ¡ ¡ – Understand ¡what ¡happens ¡to ¡code ¡when ¡it ¡is ¡ cloned ¡ • Answer ¡a ¡ques2on: ¡ ¡ ¡Are ¡code ¡clones ¡bad ¡(number ¡of ¡faults) ¡? ¡

What ¡I ¡did ¡ • AST ¡Based ¡ • Method ¡Level ¡(restric2on ¡points) ¡ • Transformed ¡methods ¡in ¡to ¡‘KindSequences’ ¡ • Sequence ¡Alignment ¡used ¡to ¡compare ¡(Similar ¡ to ¡Greenan, ¡2005) ¡ • Compared ¡possible ¡clones ¡found ¡with ¡those ¡ found ¡by ¡CCFinder ¡(Kamiya ¡et ¡al. ¡2002) ¡ Datasets ¡: ¡BlueJ ¡3.0.4 ¡and ¡Eclipse ¡3.2 ¡and ¡Apache ¡Commons ¡ ¡

What ¡I ¡did ¡ Method: ¡ • ¡ ¡ ¡ ¡ Becomes: ¡ ¡ • METHOD;MODIFIERS;PRIMITIVE ¡TYPE;BLOCK;VARIABLE; ¡ MODIFIERS;PRIMITIVE ¡TYPE; ¡INT ¡LITERAL;FOR ¡LOOP; ¡ VARIABLE;MODIFIERS;PRIMITIVE ¡TYPE; ¡INT ¡LITERAL; ¡ LESS ¡THAN; ¡IDENTIFIER; ¡IDENTIFIER;EXPRESSION ¡STATEMENT; ¡ POSTFIX ¡INCREMENT; ¡IDENTIFIER;BLOCK;EXPRESSION ¡STATEMENT; ¡ METHOD ¡INVOCATION;MEMBER ¡SELECT;MEMBER ¡ SELECT;IDENTIFIER;MULTIPLY; ¡IDENTIFIER; ¡IDENTIFIER; ¡ ¡

What ¡I ¡did ¡ • AST ¡Based ¡ • Method ¡Level ¡(restric2on ¡points) ¡ • Transformed ¡methods ¡in ¡to ¡‘KindSequences’ ¡ • Sequence ¡Alignment ¡used ¡to ¡compare ¡(Similar ¡ to ¡Greenan, ¡2005) ¡ • Compared ¡possible ¡clones ¡found ¡with ¡those ¡ found ¡by ¡CCFinder ¡(Kamiya ¡et ¡al. ¡2002) ¡ Datasets ¡: ¡BlueJ ¡3.0.4 ¡and ¡Eclipse ¡3.2 ¡and ¡Apache ¡Commons ¡ ¡

Sequence ¡Alignment ¡ Needleman-­‑Wunsch ¡algorithm ¡ ¡ (Needleman ¡and ¡Wunsch ¡1970) ¡ • Two ¡sequences ¡to ¡compare ¡– ¡ o AAGTC ¡ o AGTC ¡ ¡ • Similarity ¡Matrix: ¡ A ¡ G ¡ C ¡ T ¡ A ¡ 10 ¡ -­‑1 ¡ -­‑3 ¡ -­‑4 ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ G ¡ -­‑1 ¡ 7 ¡ -­‑5 ¡ -­‑3 ¡ ¡ C ¡ -­‑3 ¡ -­‑5 ¡ 9 ¡ 0 ¡ T ¡ -­‑4 ¡ -­‑3 ¡ 0 ¡ 8 ¡ ¡

Sequence ¡Alignment ¡ = ¡0 ¡+ ¡10 ¡= ¡10 ¡ The ¡completed ¡sequence ¡alignment ¡-­‑ ¡ ¡ = ¡-­‑10 ¡-­‑10 ¡= ¡-­‑20 ¡ = ¡-­‑10 ¡-­‑10 ¡= ¡-­‑20 ¡ A ¡ A ¡ G ¡ T ¡ C ¡ A ¡ -­‑ ¡ G ¡ T ¡ C ¡ A ¡ A ¡ A ¡ A ¡ A ¡ A ¡ G ¡ G ¡ G ¡ T ¡ T ¡ T ¡ C ¡ C ¡ C ¡ 0 ¡ 0 ¡ 0 ¡ -­‑10 ¡ -­‑10 ¡ -­‑10 ¡ -­‑20 ¡ -­‑20 ¡ -­‑20 ¡ -­‑30 ¡ -­‑30 ¡ -­‑30 ¡ -­‑40 ¡ -­‑40 ¡ -­‑40 ¡ -­‑50 ¡ -­‑50 ¡ -­‑50 ¡ A ¡ A ¡ A ¡ -­‑10 ¡ -­‑10 ¡ -­‑10 ¡ ? ¡ 10 ¡ 10 ¡ 0 ¡ 0 ¡ -­‑10 ¡ -­‑10 ¡ -­‑20 ¡ -­‑20 ¡ -­‑30 ¡ -­‑30 ¡ G ¡ G ¡ G ¡ -­‑20 ¡ -­‑20 ¡ -­‑20 ¡ 0 ¡ 0 ¡ 9 ¡ 9 ¡ 7 ¡ 7 ¡ -­‑3 ¡ -­‑3 ¡ -­‑13 ¡ -­‑13 ¡ T ¡ T ¡ T ¡ -­‑30 ¡ -­‑30 ¡ -­‑30 ¡ -­‑10 ¡ -­‑10 ¡ -­‑1 ¡ -­‑1 ¡ 6 ¡ 6 ¡ 15 ¡ 15 ¡ 5 ¡ 5 ¡ N.B. ¡Java ¡code ¡has ¡94 ¡Kinds ¡using ¡Javac.Tree. ¡ ¡ C ¡ C ¡ C ¡ -­‑40 ¡ -­‑40 ¡ -­‑40 ¡ -­‑20 ¡ -­‑20 ¡ -­‑11 ¡ -­‑11 ¡ -­‑4 ¡ -­‑4 ¡ 6 ¡ 6 ¡ 12 ¡ 12 ¡ Currently ¡the ¡Java ¡simularity ¡matrix ¡is ¡a ¡94x94 ¡iden2ty ¡matrix ¡

Descrip2ve ¡Sta2s2cs ¡ Sta2s2c ¡ BlueJ ¡3.0.4 ¡ Eclipse ¡3.2 ¡ Apache ¡Commons ¡ Total ¡Source ¡Files ¡ 596 ¡ 660 ¡ 277 ¡ Total ¡Possible ¡CC ¡ 6,183 ¡ 7,861 ¡ 4,801 ¡ Max ¡KindSequence ¡length ¡ 437 ¡ 481 ¡ 416 ¡ Min ¡KindSequence ¡Length ¡ 3 ¡ 3 ¡ 3 ¡ No. ¡of ¡KindSequence ¡over ¡ 56 ¡ 93 ¡ 8* ¡ 100 ¡ Table ¡1 : ¡Descrip5ve ¡Sta5s5cs ¡for ¡the ¡possible ¡cloned ¡methods ¡in ¡the ¡selected ¡source ¡codes. ¡ ¡ ¡ ¡ ¡90% ¡match ¡and ¡above ¡only. ¡ ¡

Checking ¡for ¡False ¡Posi2ves ¡ 100 ¡ 90 ¡ 80 ¡ 70 ¡ 60 ¡ 50 ¡ 40 ¡ 30 ¡ 20 ¡ 10 ¡ 0 ¡ <100 ¡ 100 ¡> ¡x ¡> ¡200 ¡ 200 ¡> ¡x ¡> ¡300 ¡ 300 ¡> ¡x ¡> ¡400 ¡ 400+ ¡ KindSequence ¡Length ¡(BlueJ ¡3.0.4 ¡results) ¡ % ¡Match ¡ N ¡-­‑ ¡Number ¡of ¡unique ¡matches ¡ Fig ¡1: ¡KindLists ¡over ¡300 ¡in ¡BlueJ ¡have ¡100% ¡match ¡rate ¡ ¡ (inter ¡rater ¡reliability ¡-­‑ ¡Kappa ¡sta2s2c ¡-­‑ ¡0.726 ¡ ¡Good ¡(86% ¡agreement)) ¡

Results ¡ Source ¡Code ¡ Our ¡Method ¡ ¡ CCFinder ¡ (Over ¡100 ¡kind ¡lengths) ¡ Eclipse ¡3.2 ¡ 93 ¡ 417 ¡ BlueJ ¡3.0.4 ¡ 56 ¡ 370 ¡ Apache ¡Commons ¡ 8 ¡ 334 ¡ Table ¡2 : ¡Clones ¡found ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡CCFinder ¡finds ¡more ¡clones ¡ Code ¡Clone ¡ Our ¡method ¡ CCFinder ¡ % ¡ Type ¡ 1 ¡ 3 ¡ 3 ¡ 100 ¡ 2 ¡ 6 ¡ 6 ¡ 100 ¡ 3 ¡ 24 ¡ 14 ¡ 58 ¡ Table ¡3 : ¡Clones ¡found ¡by ¡type ¡on ¡the ¡BlueJ ¡source ¡code ¡ ¡CCFinder ¡does ¡not ¡find ¡all ¡the ¡type ¡3 ¡clones. ¡ ¡ ¡(UnitTest ¡files ¡removed ¡from ¡BlueJ ¡source ¡) ¡

Conclusions ¡+ ¡Future ¡Work ¡ • Sequence ¡alignment ¡finds ¡code ¡clones ¡ • High ¡volume ¡of ¡small ¡sequences ¡ • Good ¡at ¡finding ¡type ¡3? ¡ ¡ ¡ • Open ¡out ¡restric2on ¡point ¡and ¡ profile ¡‘methods’ ¡ • Test ¡further ¡ • Improving ¡similarity ¡matrix ¡– ¡possible ¡use ¡to ¡find ¡ seman2c ¡clones ¡ • The ¡need ¡for ¡a ¡baseline ¡code ¡clone ¡dataset ¡for ¡ comparisons ¡

Thank ¡you ¡for ¡listening ¡ Any ¡Ques2ons? ¡ ¡

Points ¡to ¡Ponder ¡ • Manual ¡inspec2on: ¡ – Short ¡methods: ¡cloned ¡or ¡re-­‑typed? ¡ – Tests ¡files ¡follow ¡a ¡pa‚ern? ¡