بهبود دقت ابزار SonarQube در تشخص Code Smells با استفاده از شبکه عصبی تطبیقی

ابزار SonarQube با وجود کاربرد گسترده در تشخص بوی بد کد، در مواردی دقت کافی ندارد و ممکن است منجر به خطاهای مثبت یا منفی شود. در این پژوهش، مدلی مبتنی بر شبکه عصبی تطبیقی ارائه شده است که با ترکیب تحلیل ایستای کد و اطلاعات رفتاری استتتتخرا شتتتده اا تاریخچه گیت، دقت تشتتتخ یص Code Smellها را افزایش میدهد. برای آمواش و ارایابی مدل، اا پروژههای متنباا Java در GitHub استفاده شد. نتایج نشان داد که مدل پیشنهادی در مقایسه با SonarQube بهبود معناداری در دقت و یادآوری ارائه میدهد.

کلیدواژه ها:

SonarQube ، شبکه عصبی تطبیقی ، تحلیل ایستای کد ، دادهکاوی مخازن Git ، بوی بد کد (Code Smells)