Understanding the shape of feature code

• Autor(a) principal: Rodrigo Barbosa de Queiroz
• Data de Publicação: 2015
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional da UFMG
• Texto Completo: http://hdl.handle.net/1843/ESBF-9ZPNCF
• topic: Linhas de produto de software; Cpp; Lfdef; Features; Variabilidade; Computação; Software Reutilização; Engenharia de linha de produto de software

Feature annotations (por exemplo, diretivas do preprocessador C, na forma de #ifdefs) são usadas para controlar extensões de código relacionadas a uma feature. Por muito tempo, tais anotações têm sido consideradas indesejáveis. Seu uso excessivo pode aumentar o risco de ripple effects, desorganizar o código e dificultar sua compreensão e manutenção. Para prevenir esses problemas, desenvolvedores devem monitorar o uso de feature annotations, por exemplo, estabelecendo thresholds (valores de referência). No entando, pouco se sabe sobre como extrair thresholds na prática, ou quais valores são representativos para métricas relacionadas a features. Para contribuir comuma solução para esse problema, nós analizamos a distribuição estatística de métricas relacionadas a feature annotations, extraídas de umcorpus de 20 sistemas baseados no preprocessador C, amplamente conhecidos, com longo histórico de evolução e que abrangem diferentes domínios de função. O estudo considera 3 métricas: scattering degree (espalhamento de feature constants), tangling degree (entrelaçamento de feature expressions) e nesting depth (profundidade das anotações). Os resultados mostram que feature scattering possui uma distribuição com elevada assimetria. Em 14 sistemas (70 %), a distribuição de scattering degree segue uma distribuição power-law, tornando medidas de média e desvio padrão não confiáveis para estabelecer limites. Em relação a tangling e nesting, os valores tendem a seguir uma distribuição uniforme. Embora existam outliers, eles pouco impactam a média, sugerindo que medidas de tendência central podem gerar thresholds confiáveis. Com base nestes resultados, nós propomos thresholds gerados a partir de nosso benchmark como base para trabalhos futuros. Adicionalmente, nós realizamos uma revisão sistemática da literatura para identificar descobertas e suposições reportadas na literatura sobre o uso de ifdefs. Os resultados mostram que os estudos disponíveis não realizam análise estatística de métricas relacionadas a features, e nem propõem thresholds.