Реєстраційний номер
0826U001018, Дисертація доктора філософії
На здобуття
Доктор філософії
Дата захисту
09-04-2026
Статус
Захищена
Назва роботи
Моделі та методи машинного навчання для виявлення та усунення антипатернів в програмних компонентах
Здобувач
Курінько Дмитро Дмитрович,
Керівник Кривда Вікторія Ігорівна
Опонент Морозова Ольга Ігорівна
Опонент Литвиненко Володимир Іванович
Рецензент Волкова Наталія Павлівна
Рецензент Лобачев Михайло Вікторович
Установа, організація, у вченій раді якої відбудеться/відбувся захист
Національний університет "Одеська політехніка"
Опис
У вступі показана актуальність вирішення задач автоматизованого виявлення потреби в рефакторингу об’єктно-орієнтованого програмного коду в сучасних програмних системах. Підкреслено недоліки наявних моделей і методів виявлення рефакторинг-можливостей, зокрема підходів на основі «запахів» коду, програмних метрик і методів машинного навчання, які не враховують контекст проєкту, взаємозалежність ознак та зашумленість даних. Визначено об’єкт, предмет, мету, задачі та методи дослідження; наведено наукову новизну та практичне значення отриманих результатів; висвітлено особистий внесок здобувача.
У першому розділі дисертаційної роботи виконано системний огляд проблематики виявлення та усунення антипатернів у програмних компонентах як ключового чинника зниження внутрішньої якості та ускладнення еволюції промислових програмних систем. Показано, як зростання масштабів і складності програмного забезпечення призводить до накопичення дефектів проєктування та зв’язок антипатернів з деградацією підтримуваності, ускладненням модифікацій та підвищенням вартості розвитку. На цій основі сформульовано постановку задачі автоматичного виявлення та усунення антипатернів і окреслено місце таких рішень у сучасному інженерному процесі.
У другому розділі дисертаційної роботи уточнено постановку задачі автоматичного виявлення антипатернів з урахуванням їх мультимодальної природи (структура, семантика, метрики, еволюція), багаторівневого контексту («метод – компонент – проєкт») та потреби open-set/low-confidence режиму з явним урахуванням невизначеності. Обґрунтовано обмеження правил та метрик і одно-модальних підходів на базі машинного навчання та сформульовано вимоги до нової моделі (переносимість, інкрементальність для безперервної інтеграції та доставлення).
В третьому розділі дисертаційної роботи запропоновані моделі та методи рекомендації, планування та процесного оцінювання рефакторингів для усунення антипатернів.
Для безпечного, прозорого автоматизованого усунення дублікатів коду із прогнозованим впливом на процес був запропонований метод рекомендації рефакторингів через багатоцільову оптимізацію з оцінкою невизначеності, спеціалізований на усуненні дублікатів коду.
В четвертому розділі дисертаційної роботи проведено дослідження інтегрованого інструментального засобу.
Реалізовано та описано інтегрований інструментальний засіб для наскрізного керування антипатернами (end-to-end pipeline):
побудова гібридного подання коду (CPG + семантичні ембеддинги + VCS-ознаки);
виявлення антипатернів;
генерація/багатокритеріальне ранжування рефакторингів (Парето + нижні довірчі межі з урахуванням невизначеності);
планування мінімально інвазивної послідовності з бюджетами/ризик-обмеженнями;
SPC-оцінювання ефекту (EWMA/CUSUM);
формування інженерних артефактів для відтворюваності і трасованості, включно з механізмом утримання за низької впевненості.
Експериментальне дослідження проведено на 7 Java-проєктах (JUnit5, Commons Lang, Guava, Spring Boot, Elasticsearch, Hadoop, Jenkins) у фіксованих релізних зрізах із контрольованим середовищем і порівнянням з baseline-підходами. Отримано узагальнений end-to-end ефект: середнє зменшення Technical Debt Index (TDI) на 16,4%, приріст Maintainability Index (MI) у середньому на +5,66, зниження Cognitive Complexity (CC) на 12,1% та зменшення Clone density на 32,0%. Узгодженість прогнозованого та фактичного ефектів є високою (R² ≈ 0,91; розбіжності «Expected vs Actual» у межах приблизно від −1,6 до +0,3%).
У порівнянні з базовими засобами інтегрована система дає більший сукупний ефект (для класичних аналізаторів покращення близькі до нуля, для часткових рекомендаторів – помітно нижчі за інтегровані), а також забезпечує повний цикл «виявлення – план рефакторингів – підтвердження ефекту».
Таким чином, отримані результати підтверджують коректність і ефективність технічних рішень, запропонованих у дисертаційній роботі.
Розроблені в роботі моделі та методи, а також інструментальний засіб отримав впровадження у діяльності НВП «Каре» та знайшли відображення у навчальному процесі та науково-дослідницькій діяльності Національного університету «Одеська політехніка».
Дата реєстрації
2026-04-12
Додано/оновлено в НРАТ
2026-04-12 / 2026-07-01
