Elpida Falara

1. Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης Τμήμα Ηλεκτρολόγων Μηχανικών & Μηχανικών Υπολογιστών Βελτίωση Ανάθεσης Εργασιών Μέσω Ανάλυσης Συνεισφορών από Αποθετήρια Ανοιχτού Λογισμικού Φαλάρα Ελπίδα ΑΕΜ: 8305 Επιβλέποντες: Ανδρέας Λ. Συμεωνίδης, Αναπληρωτής Καθηγητής Θεμιστοκλής Διαμαντόπουλος, Μεταδιδακτορικός Ερευνητής Μιχάλης Παπαμιχαήλ, Υποψήφιος Διδάκτορας Θεσσαλονίκη, 25 Φεβρουαρίου 2019 1

2. Σκοπός της διπλωματικής εργασίας Θεσσαλονίκη, Φεβρουάριος 2019 Βελτίωση Ανάθεσης Εργασιών μέσω Ανάλυσης Συνεισφορών από Αποθετήρια Ανοιχτού Λογισμικού 2 Πρόβλημα  Μεγάλα έργα λογισμικού σε αποθετήρια ανοιχτού λογισμικού  Πολλές καταγραφές σφαλμάτων και βελτιώσεων  Εξέταση των ζητημάτων σφαλμάτων από ένα συνήθως άτομο  Χρονοβόρα διαδικασία ανάθεσης εργασιών στην ομάδα  Σύγχυση μεταξύ των μελών της ομάδας Υλοποίηση Σύστημα που προτείνει τον κατάλληλο μηχανικό λογισμικού από την ομάδα για να του ανατεθεί μια εργασία (χαρακτηριστικό/feature ή σφάλμα/bug)

3. Μεθοδολογία Θεσσαλονίκη, Φεβρουάριος 2019 Βελτίωση Ανάθεσης Εργασιών μέσω Ανάλυσης Συνεισφορών από Αποθετήρια Ανοιχτού Λογισμικού 3

4. Προεπεξεργασία (1/3) Θεσσαλονίκη, Φεβρουάριος 2019 Βελτίωση Ανάθεσης Εργασιών μέσω Ανάλυσης Συνεισφορών από Αποθετήρια Ανοιχτού Λογισμικού 4 Πλήθος αποθετηρίων σε σχέση με τους συνεισφορείς

5. Προεπεξεργασία (2/3) Θεσσαλονίκη, Φεβρουάριος 2019 Βελτίωση Ανάθεσης Εργασιών μέσω Ανάλυσης Συνεισφορών από Αποθετήρια Ανοιχτού Λογισμικού 5 Αριθμός των contributors σε σχέση με τον αριθμό των commits και των κλειστών issues

6. Προεπεξεργασία (3/3) Θεσσαλονίκη, Φεβρουάριος 2019 Βελτίωση Ανάθεσης Εργασιών μέσω Ανάλυσης Συνεισφορών από Αποθετήρια Ανοιχτού Λογισμικού 6 Συσχέτιση πλήθους commits και κλειστών issues

7. Βάση Δεδομένων Θεσσαλονίκη, Φεβρουάριος 2019 Βελτίωση Ανάθεσης Εργασιών μέσω Ανάλυσης Συνεισφορών από Αποθετήρια Ανοιχτού Λογισμικού 7 Περιέχει δεδομένα για κάθε αποθετήριο και για κάθε κλειστό Issue τα εξής: • ID, π.χ. #1@gonzalez • Issue Number (π.χ. 1) • Title/Body (π.χ. “bug fix for releas 1” (Μετά από stemming)) • Developer (π.χ. gonzalez) • Similarity Score (Για όλα θεωρείται 0 σε αυτό το στάδιο) • Closed at (π.χ. 25/02/2018) • Commits (π.χ. 100) • Lines Added, (π.χ. 1000) • Lines Deleted (π.χ. 520) • Issues Opened (π.χ. 10) • Issues Closed (π.χ. 20)

8. Υποσύστημα Εκπαίδευσης (1/3) Θεσσαλονίκη, Φεβρουάριος 2019 Βελτίωση Ανάθεσης Εργασιών μέσω Ανάλυσης Συνεισφορών από Αποθετήρια Ανοιχτού Λογισμικού 8 1. Μετατροπή των τίτλων του κάθε issue σε διάνυσμα  Αλγόριθμος TFIDF (term frequency – inverse term frequency) • Βρίσκει το βάρος σημασίας κάθε λέξης από ένα σύνολο κειμένων • Κατακερματίζει κάθε πρόταση (τίτλο issue) σε λέξεις • Κάθε πρόταση μετατρέπεται σε διάνυσμα με διαστάσεις τα βάρη των λέξεων

9. Υποσύστημα Εκπαίδευσης (2/3) Θεσσαλονίκη, Φεβρουάριος 2019 Βελτίωση Ανάθεσης Εργασιών μέσω Ανάλυσης Συνεισφορών από Αποθετήρια Ανοιχτού Λογισμικού 9 2. Υπολογισμός Ομοιότητας  Αλγόριθμος Cosine Similarity • Σχετική γωνία μεταξύ του διανύσματος του ανοιχτού issue και των διανυσμάτων κάθε Developer • Σκορ Cosine Similarity του Developer για το issue  Αλγόριθμος LinearSVC • Εκπαίδευση των διανυσμάτων με labels τα ονόματα των Developers • Πιθανότητα να ανήκει το διάνυσμα του ανοιχτού issue στο χώρο των διανυσμάτων του Developer • Σκορ Similarity Score του Developer για το issue

10. Υποσύστημα Εκπαίδευσης (3/3) Θεσσαλονίκη, Φεβρουάριος 2019 Βελτίωση Ανάθεσης Εργασιών μέσω Ανάλυσης Συνεισφορών από Αποθετήρια Ανοιχτού Λογισμικού 10 3. Υπολογισμός Συνεισφοράς  Αλγόριθμος One Class SVM • Χαρακτηριστικά εκπαίδευσης: Commits, Lines Added, Lines Deleted, Issues Opened, Issues Closed • Ορισμός του συνόλου συμπεριφοράς που προκύπτει από την εκπαίδευση • Μετασχηματισμός του +1, -1 σε σκορ μεταξύ [0,1] • Σκορ One Class Score του Developer για το Issue

11. Πρόβλεψη Θεσσαλονίκη, Φεβρουάριος 2019 Βελτίωση Ανάθεσης Εργασιών μέσω Ανάλυσης Συνεισφορών από Αποθετήρια Ανοιχτού Λογισμικού 11 A. Σκορ Ομοιότητας Επιλέγεται για κάθε περίπτωση ο Developer με το μεγαλύτερο:  Cosine Similarity Score  Similarity Score B. Σκορ Συνεισφοράς Προβλέπει τον Developer με το μεγαλύτερο One Class Score C. Συνδυασμός Σκορ Ομοιότητας και Συνεισφοράς Προτείνει τον Developer με το μεγαλύτερο:  Average (Cosine Similarity Score, One Class Score)  Average(Similarity Score, One Class Score)  Max (Cosine Similarity Score, One Class Score)  Max (Similarity Score, One Class Score)

12. Αποτελέσματα (1/10) Θεσσαλονίκη, Φεβρουάριος 2019 Βελτίωση Ανάθεσης Εργασιών μέσω Ανάλυσης Συνεισφορών από Αποθετήρια Ανοιχτού Λογισμικού 12 29% 54% 50% 36% 41% 34% 42% Κατανομή των Αποθετηρίων σε σχέση με τις τιμές Precision που εμφάνισαν

13. Αποτελέσματα (2/10) Θεσσαλονίκη, Φεβρουάριος 2019 Βελτίωση Ανάθεσης Εργασιών μέσω Ανάλυσης Συνεισφορών από Αποθετήρια Ανοιχτού Λογισμικού 13 38% 14% 21% 14% 14% 31% 51% Κατανομή των Αποθετηρίων σε σχέση με τις τιμές Recall που εμφάνισαν

14. Αποτελέσματα (3/10) Θεσσαλονίκη, Φεβρουάριος 2019 Βελτίωση Ανάθεσης Εργασιών μέσω Ανάλυσης Συνεισφορών από Αποθετήρια Ανοιχτού Λογισμικού 14 19% 22% 34% 21% 22% 32% 50% Κατανομή των Αποθετηρίων σε σχέση με τις τιμές F1Score που εμφάνισαν

15. Αποτελέσματα (4/10) Θεσσαλονίκη, Φεβρουάριος 2019 Βελτίωση Ανάθεσης Εργασιών μέσω Ανάλυσης Συνεισφορών από Αποθετήρια Ανοιχτού Λογισμικού 15

16. Αποτελέσματα (5/10) Θεσσαλονίκη, Φεβρουάριος 2019 Βελτίωση Ανάθεσης Εργασιών μέσω Ανάλυσης Συνεισφορών από Αποθετήρια Ανοιχτού Λογισμικού 16 Τιμές Precision σε σχέση με το πλήθος των μελών της ομάδας ανά αποθετήριο

17. Αποτελέσματα (6/10) Θεσσαλονίκη, Φεβρουάριος 2019 Βελτίωση Ανάθεσης Εργασιών μέσω Ανάλυσης Συνεισφορών από Αποθετήρια Ανοιχτού Λογισμικού 17 Τιμές Recall σε σχέση με το πλήθος των μελών της ομάδας ανά αποθετήριο

18. Αποτελέσματα (7/10) Θεσσαλονίκη, Φεβρουάριος 2019 Βελτίωση Ανάθεσης Εργασιών μέσω Ανάλυσης Συνεισφορών από Αποθετήρια Ανοιχτού Λογισμικού 18 Τιμές F1Score σε σχέση με το πλήθος των μελών της ομάδας ανά αποθετήριο

19. Αποτελέσματα (8/10) Θεσσαλονίκη, Φεβρουάριος 2019 Βελτίωση Ανάθεσης Εργασιών μέσω Ανάλυσης Συνεισφορών από Αποθετήρια Ανοιχτού Λογισμικού 19 Μέση Τιμή Precision σε σχέση με το πλήθος των μελών της ομάδας ανά αποθετήριο

20. Αποτελέσματα (9/10) Θεσσαλονίκη, Φεβρουάριος 2019 Βελτίωση Ανάθεσης Εργασιών μέσω Ανάλυσης Συνεισφορών από Αποθετήρια Ανοιχτού Λογισμικού 20 Μέση Tιμή Recall σε σχέση με το πλήθος των μελών της ομάδας ανά αποθετήριο

21. Αποτελέσματα (10/10) Θεσσαλονίκη, Φεβρουάριος 2019 Βελτίωση Ανάθεσης Εργασιών μέσω Ανάλυσης Συνεισφορών από Αποθετήρια Ανοιχτού Λογισμικού 21 Μέση Τιμή F1Score σε σχέση με το πλήθος των μελών της ομάδας ανά αποθετήριο

22. Συμπεράσματα (1/2) Θεσσαλονίκη, Φεβρουάριος 2019 Βελτίωση Ανάθεσης Εργασιών μέσω Ανάλυσης Συνεισφορών από Αποθετήρια Ανοιχτού Λογισμικού 22 LinearSVC • Καλύτερες τιμές Precision, Recall, F1Score • Δεν επηρεάζεται ιδιαίτερα από την αύξηση των Contributors • Διαχειρίζεται ικανοποιητικά τα μεγάλης διάστασης διανύσματα Cosine Similarity • Κακή απόδοση λόγω της μεγάλης διάστασης των διανυσμάτων • Μεγάλη εξάρτηση από το πλήθος των Contributors One Class SVM • Φθίνουσα πορεία των μετρικών αξιολόγησης με την αύξηση των contributors • Δε βοήθησε η επιλογή των χαρακτηριστικών εκπαίδευσης

23. Συμπεράσματα (2/2) Θεσσαλονίκη, Φεβρουάριος 2019 Βελτίωση Ανάθεσης Εργασιών μέσω Ανάλυσης Συνεισφορών από Αποθετήρια Ανοιχτού Λογισμικού 23 Avg Cosine Similarity One Class SVM • Μη ικανοποιητικές τιμές μετρικών αξιολόγησης μετά από τους 2 contributors Max Cosine Similarity One Class SVM • Λίγο καλύτερα αποτελέσματα από το Avg Cosine Similarity One Class SVM • Αντιμετωπίζει τα θέματα του Cosine Similarity και One Class SVM Avg LinearSVC One Class SVM • Προσπαθεί να ακολουθήσει την πορεία του LinearSVC στις μετρικές αξιολόγησης • Επηρεάζεται από τη φθίνουσα πορεία του One Class SVM Max LinearSVC One Class SVM • Λίγο καλύτερο Precision από το Avg LinearSVC One Class SVM • Χειρότερο Recall, F1Score εξαιτίας του One Class SVM

24. Μελλοντική Εργασία (1/2) Θεσσαλονίκη, Φεβρουάριος 2019 Βελτίωση Ανάθεσης Εργασιών μέσω Ανάλυσης Συνεισφορών από Αποθετήρια Ανοιχτού Λογισμικού 24 Βελτίωση της μεθόδου Υπολογισμού Συνεισφοράς Μελέτη προσθήκης χαρακτηριστικών εκπαίδευσης για κάθε Developer • Το πλήθος των issues που του ανατέθηκαν και τα έκλεισε με επιτυχία • Το πλήθος των issues του που έκλεισαν και ξανάνοιξαν • Οι ώρες που δούλεψε στο έργο • Η συμμετοχή του στη συζήτηση των issues • Ο μέσος χρόνος που έκανε να κλείσει τα issues

25. Μελλοντική Εργασία (2/2) Θεσσαλονίκη, Φεβρουάριος 2019 Βελτίωση Ανάθεσης Εργασιών μέσω Ανάλυσης Συνεισφορών από Αποθετήρια Ανοιχτού Λογισμικού 25 Βελτίωση της μεθόδου Υπολογισμού Ομοιότητας Μελέτη προσθήκη χαρακτηριστικών εκπαίδευσης στον LinearSVC • Τους τίτλους των Commits • Των σχολίων από τα Issues • Των σχολίων από Commits • Τα labels των Issues Προσθήκη της παραμέτρου Κώδικας • Μελέτη της θέσης που προκύπτει το bug αν σχετίζεται με κάποιο προηγούμενο Commit

26. Ευχαριστίες Θεσσαλονίκη, Φεβρουάριος 2019 Βελτίωση Ανάθεσης Εργασιών μέσω Ανάλυσης Συνεισφορών από Αποθετήρια Ανοιχτού Λογισμικού 26 Ευχαριστώ θερμά • Τον κ. Συμεωνίδη Ανδρέα • Τους Διαμαντόπουλο Θέμη και Παπαμιχαήλ Μιχάλη • Και εσάς για την προσοχή σας

27. Ερωτήσεις Θεσσαλονίκη, Φεβρουάριος 2019 Βελτίωση Ανάθεσης Εργασιών μέσω Ανάλυσης Συνεισφορών από Αποθετήρια Ανοιχτού Λογισμικού 27

Elpida Falara

Elpida Falara

Recommended

More Related Content

Similar to Elpida Falara

Similar to Elpida Falara(20)

More from ISSEL

More from ISSEL(20)

Elpida Falara