Μηχανισμός επιδιόρθωσης κώδικα με γνώμονα τη διατηρησιμότητα μέσω τεχνικών μηχανικής μάθησης

Abstract

The concept of software quality - and maintainability in particular - has long been a central concern in software engineering. Maintaining high quality source code requires continuous analysis, monitoring and repair in a way that ensures long-term maintainability, evolution and traceability. This task is particularly challenging in modern development practices, where increasing demands for speed, complexity and change frequency make it difficult to assess the impact of each code change on software quality. This dissertation focuses on the development of a comprehensive maintainability-driven code fix mechanism using machine learning techniques. Specifically, the dissertation introduces and implements: (i) a mechanism for estimating the impact of individual code changes on static analysis metrics, (ii) evaluation systems for specific quality aspects - such as formatting, readability, and prediction of non-maintainability, and (iii) automated code fixing systems that suggest corrections based on functional and syntactic similarity, with a focus on quality improvement. The aim of this work is to assist developers in improving code quality, not simply by correcting syntactic problems, but by providing alternative implementations that improve maintainability. The proposed approach is programming language agnostic and is accompanied by systematic evaluation on real software projects. This work aims to bridge the gap between traditional static analysis techniques and modern intelligent code repair tools, with a strong focus on quality-aware change justification.

Η έννοια της ποιότητας λογισμικού και, ειδικότερα, της διατηρησιμότητας (maintainability), αποτελεί διαχρονικά βασικό αντικείμενο μελέτης στη Μηχανική Λογισμικού. Η διατήρηση υψηλής ποιότητας στον πηγαίο κώδικα προϋποθέτει τη συνεχή ανάλυση, παρακολούθηση και επιδιόρθωση τμημάτων του, με τρόπο που να διασφαλίζει τη μακροχρόνια ευκολία συντήρησης, εξέλιξης και κατανόησης του λογισμικού. Η δραστηριότητα αυτή καθίσταται ιδιαίτερα απαιτητική στις σύγχρονες αναπτυξιακές πρακτικές, καθώς οι αυξανόμενες απαιτήσεις σε ταχύτητα, πολυπλοκότητα και συχνότητα αλλαγών καθιστούν δύσκολη την εκτίμηση του αντίκτυπου που επιφέρει κάθε τροποποίηση στην ποιότητα του κώδικα. Η παρούσα διδακτορική διατριβή επικεντρώνεται στην ανάπτυξη ενός ολοκληρωμένου μηχανισμού επιδιόρθωσης πηγαίου κώδικα με γνώμονα τη διατηρησιμότητα, αξιοποιώντας τεχνικές μηχανικής μάθησης. Συγκεκριμένα, στα πλαίσια της διατριβής σχεδιάστηκαν και υλοποιήθηκαν: (i) μοντέλα εκτίμησης της επίδρασης μεμονωμένων αλλαγών κώδικα στις μετρικές ποιότητας, (ii) συστήματα αξιολόγησης επιμέρους πτυχών της ποιότητας – όπως η μορφοποίηση, η αναγνωσιμότητα και η προβλεψιμότητα μη-διατηρησιμότητας – και (iii) αυτόματα συστήματα επιδιόρθωσης, τα οποία προτείνουν διορθώσεις με βάση λειτουργική και συντακτική ομοιότητα, λαμβάνοντας υπόψη την ποιοτική βελτίωση. Στόχος της διατριβής είναι η υποστήριξη των προγραμματιστών στην προσπάθεια βελτίωσης της ποιότητας του κώδικα τους, όχι απλώς μέσω της διόρθωσης συντακτικών σφαλμάτων, αλλά μέσω της καθοδηγούμενης παραγωγής εναλλακτικών υλοποιήσεων που ενισχύουν τη διατηρησιμότητα. Η προσέγγιση που προτείνεται είναι ανεξάρτητη γλώσσας προγραμματισμού, και συνοδεύεται από συστηματική αξιολόγηση σε πραγματικά έργα. Η εργασία αυτή αποσκοπεί στη γεφύρωση του κενού μεταξύ παραδοσιακών τεχνικών στατικής ανάλυσης και μοντέρνων εργαλείων έξυπνης επιδιόρθωσης κώδικα, με έμφαση στην ποιοτική τεκμηρίωση των αλλαγών.