Détection distribuée de code ”smells” utilisant de l'IA collaborative

Collaborative AI for code smell detection

• Auteur / Autrice : Djamel Mesbah
• Direction : Khaldoun Al agha
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 01/10/2023
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication
• Partenaire(s) de recherche : Laboratoire : Laboratoire interdisciplinaire des sciences du numérique (Orsay, Essonne ; 2021-....)
• Partenaire(s) de recherche : Equipe de recherche : ROCS - Réseaux & Optimisation Combinatoire et Stochastique
• Partenaire(s) de recherche : Référent : Faculté des sciences d'Orsay

Mots clés

Mots clés libres

Ia

Réseau

Systèmes distribués

Ai

Networks

Distributed systems

Résumé

Les code smells désignent des caractéristiques spécifiques du code source qui indiquent un problème de conception potentiel ou une violation de bonnes pratiques de programmation. Ces smells sont généralement détectées par une évaluation subjective ou une analyse de la structure du code, plutôt que par une mesure concrète de la qualité du code. Des exemples de code smells incluent le code dupliqué, le code excessivement complexe, les méthodes ou classes longues et les mauvaises conventions de nommage. Les code smells ne signalent pas nécessairement une erreur fonctionnelle ou un bogue, mais peuvent accroître le risque d'introduire des erreurs ou rendre le code plus difficile `a maintenir ou à étendre. Les code smells sont des signes d'une conception logicielle médiocre, ce qui peut entraîner plusieurs problèmes, notamment une complexité accrue, une maintenabilité réduite et une probabilité plus élevée de défauts. Les méthodes de détection des code smells incluent l'utilisation d'outils d'analyse statique et d'algorithmes d'apprentissage automatique, entre autres. Cependant, ces techniques sont souvent limitées `a une seule machine et peuvent ne pas être en mesure de détecter efficacement tous les types de code smells . Pour remédier à cette limitation, nous proposons une approche d'intelligence artificielle collaborative pour la détection des code smells , qui implique une détection distribuée avec des algorithmes de consensus. L'intelligence artificielle collaborative a montré des résultats prometteurs dans divers domaines, notamment le traitement du langage naturel et la vision par ordinateur. En exploitant cette approche, nous visons à améliorer la précision et l'efficacité de la détection des code smells .

Code smells refer to specific characteristics or properties of source code that indicate a potential design problem or violation of good programming practices. These smells are typically detected through subjective evaluation or analysis of the code's structure, rather than a concrete measure of code quality. Examples of code smells include duplicated code, overly complex code, long methods or classes, and poor naming conventions. Code smells may not necessarily indicate a functional error or bug, but can increase the risk of introducing errors or make the code harder to maintain or extend. Code smells are signs of subpar software design, which can result in a number of issues, including increased complexity, decreased maintainability, and a higher chance of defects. Code smell detection methods include using static analysis tools and machine learning algorithms, among others. However, these techniques are often limited to a single machine and may not be able to effectively detect all types of code smells. To address this limitation, we propose a collaborative AI approach to code smell detection, which involves distributed detection with consensus algorithms. Collaborative AI has shown promising results in various domains, including natural language processing and computer vision. By leveraging this approach, we aim to enhance the precision and effectiveness of code smell detection.