ICSE 2019 会议论文总结
文章目录
- 前言
- 网址 & 论文下载
- 1 Comprehending program comprehension （ICPC）
- 2 Managing human resources （ICGSE）
- 3 Code cloning and smells （ICPC）
- 4 Methods and processes （ICGSE）
- 5 Tools demonstrations （ICPC）
- 6 Refactoring in Style （ICPC）
- 7 Tools for comprehension （ICPC）
- 8 Representations for Mining （MSR）
- 9 Defect Prediction and Testing （MSR）
- 10 Empirical Study （ICPC）
- Large-Scale Mining （MSR）
- Mining Challenge presentations （MSR）
- Information Retrieval, API, the Crowd, and Biosensors : The Magnificent Four （ICPC）
- APIs & Dependencies （MSR）
- Automatic Summarization （MSR）
- Security （MSR）
- Software Quality （MSR）
- FormaliSE 2019 会议
- Automated Program Repair （ICSE）
- 总结
- 参考文献
前言
ICSE 2019 接收的论文已经公布，各个session也已经公布。ICSE 作为软工顶会，一直都是软工人的风向标，然而我现在还不知道要做什么方向，所以现准备分析一下ICSE 2019文章都有哪些软工的方向，希望：
1）了解当前 ICSE 软工热门方向；
2）看看有什么能做的方向or点。
网址 & 论文下载
ICSE 2019 主页：https://2019.icse-conferences.org/
被收录的所有ICSE论文以及会议日程安排：
https://2019.icse-conferences.org/program/program-icse-2019
但是神奇的是，ICSE 2019 和很多会（包括各种workshop）一起开，比如ICPC 2019，SEAMS 2019，ICSSP等等等等。
基于此情况，我决定在提取软工热门方向时，以“session”为关键字进行分类。
文章下载，有以下几种方式：
1）有些是预出版的，直接在ICSE 2019 accepted papers列表里面就有下载链接；
2）有些在Google学术、百度学术 或者 对应作者的个人主页 能够找到；
3）有些在学校图书馆电子资源里面能找到，但是ICSE 2019 还没开会，也还没有论文集，所以这种情况下这个方法应该行不通。
1 Comprehending program comprehension （ICPC）
Improving Source Code Readability: Theory and Practice （当前检查代码异味和改进软件质量的 指导性 度量标准 metrics 不太行，尤其是在软件的readability上，所以我们提出了新的可读性度量来评估软件代码可读性，从而用于指导软件质量的提高）
Live Programming and Software Evolution: Questions during a Programming Change Task（实时编程环境对软件开发的影响 研究。）
A Large-Scale Empirical Study on Code-Comment Inconsistencies （实证：代码注释的不一致性）
An empirical study on practicality of specification mining algorithms on a real-world application（实证：真实世界应用的规约挖掘算法的可行性/实用性）
2 Managing human resources （ICGSE）
Data Science and development team remote communication: the use of the Machine Learning Canvas（数据科学和开发团队 远程交流：机器学习Canvas。 Canvas的概念见 文献 [1，2] ）
Performance Evolution of Newcomers in Large-Scale Distributed Software Projects: An Industrial Case Study
3 Code cloning and smells （ICPC）
Comparing Bug Replication in Regular and Micro Code Clones（比较在正常和微小的代码克隆中的bug重现）
Neural Detection of Semantic Code Clones via Tree-Based Convolution （北大，以及谢涛教授。 通过基于树的卷积来做对语义代码克隆的 neural detection）
Comparing Machine Learning and Heuristic Approaches for Metric-Based Code Smell Detection（代码异味的检测有：启发式方法，即通过计算各种metric，得到检测规则；机器学习方法，即代码度量被用作代码异味的预测器。 然后作者搞了一个实证。）
Prevalence of Bad Smells in PL/SQL Projects （PL和SQL项目中的代码坏味）
4 Methods and processes （ICGSE）
- What Information Matter? An Empirical Study on Task Documentation in Software Crowdsourcing （探究软件众包中的任务文档 什么样的信息在起作用？）
5 Tools demonstrations （ICPC）
-
CCEvovis: A Clone Evolution Visualization System for Software Maintenance （用于软件维护的 克隆演化的可视化系统，这个就是克隆检测落地的工作吧。）
-
DeepVisual: A Visual Programming Tool for Deep Learning Systems （针对深度学习系统的可视化编程工具）
-
srcPtr: A Framework for Implementing Static Pointer Analysis Approaches （一个实施静态指针分析方法的框架）
6 Refactoring in Style （ICPC）
- Indentation: Simply a Matter of Style or Support for Program Comprehension?
7 Tools for comprehension （ICPC）
-
Replication Can Improve Prior Results: A GitHub Study of Pull Request Acceptance （复现可以改进之前的结果：一个对于pull request 接受度的github研究）
-
Do Extracted State Machine Models Help to Understand Embedded Software? （被提取的状态机模型能够帮助理解嵌入式软件吗？）
8 Representations for Mining （MSR）
-
PathMiner : A Library for Mining of Path-Based Representations of Code （挖掘基于路径的代码representations 的库）
-
SCOR: Source Code Retrieval With Semantics and Order （用语义和顺序去挖掘源码）
-
Import2vec: learning embeddings for software libraries （用例深度学习）
-
Semantic Source Code Models Using Identifier Embeddings
-
Cleaning StackOverflow for Machine Translation （机器转换）
9 Defect Prediction and Testing （MSR）
-
DeepJIT: An End-To-End Deep LearningFramework for Just-In-Time Defect Prediction （缺陷预测）
-
Empirical study in using version histories for change risk classification
-
A Dataset of Non-Functional Bugs （做非功能性缺陷数据集的）
-
A Data Set of Program Invariants and Error Paths （程序不变式和错误路径的数据集）
On the Effectiveness of Manual and Automatic Unit Test Generation: Ten Years Later （人工和自动单元测试生成的效率：10年后）
10 Empirical Study （ICPC）
- Are Static Analysis Violations Really Fixed? A Closer Look at Realistic Usage of SonarQube （静态分析的违规分析行为真的被修复了吗？）
- CCSpec: A Correctness Condition Specification Tool （正确性条件规约工具）
- Learning a Classifier for Prediction of Maintainability based on Static Analysis Tools （又是learning）
- Understanding Large-Scale Software – A Hierarchical View
- Understanding Evolutionary Coupling by Fine-grained Co-change Relationship Analysis （复旦大学彭鑫老师）
- Recommending Differentiated Code to Support Smart Contract Update
Large-Scale Mining （MSR）
- Crossflow: A Framework for Distributed Mining of Software Repositories
- Time Present and Time Past: Analyzing the Evolution of JavaScript Code in the Wild
Mining Challenge presentations （MSR）
这个感觉还挺偏实践的，什么都挖。
- SOTorrent: Studying the Origin, Evolution, and Usage of Stack Overflow Code Snippets
- Man vs Machine – A Study into language identification of Stackoverflow code snippets
- Towards Mining Answer Edits to Extract Evolution Patterns in Stack Overflow
- What Edits Are Done on Highly Answered Stack Overflow Questions? An Empirical Study
- Challenges with Responding to Static Analysis Tool Alerts
Information Retrieval, API, the Crowd, and Biosensors : The Magnificent Four （ICPC）
- Recommending Comprehensive Solutions for Programming Tasks by Mining Crowd Knowledge
- Meditor: Inference and Application of API Migration Edits
- Using Frugal User Feedback with Closeness Analysis on Code to Improve IR-Based Traceability Recovery
APIs & Dependencies （MSR）
- Identifying Experts in Software Libraries and Frameworks among GitHub Users
Automatic Summarization （MSR）
Xin Xia 是chair
- Extracting API Tips from Developer Question and Answer Websites
- Automatically Generating Documentation for Lambda Expressions in Java
Security （MSR）
- Automated Software Vulnerability Assessment with Concept Drift
- A Manually-Curated Dataset of Fixes to Vulnerabilities of Open-Source Software
- RmvDroid: Towards A Reliable Android Malware Dataset with App Metadata
看来软工也有安全方面的研究。
漏洞
Software Quality （MSR）
- style-analyzer: fixing code style inconsistencies with interpretable unsupervised algorithms
这也算修复的范畴吧，我认为。
-
Cross-language clone detection by learning over abstract syntax trees （这个有意思，跨语言的克隆检测，感觉好强。但是用的又是learning ，这个是可解释的吗？）
-
SeSaMe: A Data Set of Semantically Similar Java Methods
FormaliSE 2019 会议
- Parallelizable Reachability Analysis Algorithms for Feed-Forward Neural Networks
神经网络，机器学习，等方法无处不在。
- On the Formalization of Importance Measures using HOL Theorem Proving
Automated Program Repair （ICSE）
- Learning to Spot and Refactor Inconsistent Method Names
- Harnessing Evolution for Multi-Hunk Program Repair
- On Learning Meaningful Code Changes via Neural Machine Translation
- Mining Fix Patterns for FindBugs Violations
- Test-equivalence Analysis for Automatic Patch Generation
总结
还有一些没总结出来，但是感觉基本八九不离十了。（以后有空还会再补充分析，以及以后还会分析ISSTA ，ASE 这些会议的文章）。
我感觉这是一种不错的调研模式，能够帮助你弄清楚领域内的一些问题，同时一定程度借鉴其他方向的思想。
最后，大致总结下软工的几个方向：
- 静态分析
- 数据挖掘
- 代码异味
- 深度学习
- 代码克隆，软件演化
- 软件API相关的研究好多
- 代码注释生成
- 软件漏洞（质量相关）
- Android App相关
参考文献
[1] machinelearningcanvas https://github.com/louisdorard/machinelearningcanvas
The Machine Learning Canvas is a template for developing new or documenting existing predictive systems that are based on machine learning techniques. It is a visual chart with elements describing a question to predict answers to (with machine learning), objectives to reach in the application domain, ways to use predictions to reach these objectives, data sources used to learn a predictor, and performance evaluation methods.
[2] From Data to AI with the Machine Learning Canvas (Part I) https://medium.com/louis-dorard/from-data-to-ai-with-the-machine-learning-canvas-part-i-d171b867b047