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