ارائه روشی مبتنی بر شبکه های کانولوشنی گراف برای بهبود دقت الگوریتم های بازسازی پیوند در فهم برنامه

بازسازی پیوند در حوزه فهم برنامه به معنی تشخیص ارتباط بین بخش های مختلف کد برنامه با مستندات تحلیل می باشد. هدف از این موضوع کمک به توسعه دهندگان نرم افزار در فهم بهتر کدهای موجود است که معمولا فهم آن ها با چالش همراه است. در این راستا در سال های اخیر، پژوهش های متعددی با هدف بهبود دقت فهم کد ایجاد شده است. پژوهش های گذشته در این حوزه برای بازسازی پیوند، بیشتر از اطلاعات متنی و نحوی کد استفاده کرده اند. در این تحقیق هدف آن است که علاوه بر متن کد، برای بازسازی پیوند از اطلاعات ساختاری نرم افزار یعنی گراف فراخوانی بین کلاس ها نیز بهره گرفته شود تا بدین ترتیب دانش سطح معماری منطقی نرم افزار را با دانش سطح کد با هم جهت بازسازی پیوند ترکیب کنیم. برای این منظور ابتدا گراف فراخوانی برنامه استخراج شده، سپس ویژگی های متن برنامه به همراه گراف فراخوانی به یک شبکه عصبی کانولوشنی مبتنی بر گراف داده می شود تا ارتباط بین کلاس ها با مستندات متنی کد بازسازی گردد. نتایج مقایسه مدل پیشنهادی، با شبکه توجه چند سری مبتنی بر گراف و شبکه عصبی کانولوشن نشان می دهد که مدل ما به ترتیب ۲۶ و ۶ درصد بهبود در امتیاز F۱ داشته است.