软件学报

作者：潘伟丰，杨燕微，杨子江，姜波，王家乐，杨柏林

单位：潘伟丰，浙江工商大学 计算机科学与技术学院, 浙江 杭州 31001811,杨燕微，浙江工商大学 计算机科学与技术学院, 浙江 杭州 31001802,杨子江，中国科学技术大学 计算机科学与技术学院, 安徽 合肥 23002603,姜波，浙江工商大学 计算机科学与技术学院, 浙江 杭州 31001804,王家乐，浙江工商大学 计算机科学与技术学院, 浙江 杭州 31001805,杨柏林，浙江工商大学 计算机科学与技术学院, 浙江 杭州 31001806

关键词：关键类识别;软件网络;引力公式;熵;软件度量

基金：国家自然科学基金 (62272412, 62232008, 62032010); 浙江省自然科学基金 (LY22F020007); 桐乡市通用人工智能研究院项目(TAGI2-A-2024-0003); 浙江工商大学“数字+学科建设”项目(SZJ2022B015)

关键类是理解复杂软件的极佳起点, 不仅有助于优化软件的文档化过程, 也有助于压缩逆向工程得到的类图. 尽管目前已经提出了很多有效的关键类识别方法, 但普遍存在3点不足: 1)现有工作所依赖的软件网络(由软件元素及其依赖构建的图)不可避免地会包含软件运行时永远不会(或极少)被执行到的软件元素; 2)基于动态分析构建的软件网络往往不够完整, 会遗漏真正的关键类; 3)现有工作通常只考虑类之间的直接耦合对类重要性的影响, 而忽视类之间的间接(非接触)耦合及邻居节点度分布的多样性对类重要性的影响. 鉴于此, 提出一种融合动态分析和引力公式的关键类识别方法. 首先, 使用静态分析技术构建面向对象软件的类依赖网络CCN (class coupling network), 用以抽象类及类之间的耦合关系. 其次, 综合考虑CCN中类之间“直接和间接的耦合”“邻居节点度分布的多样性”等对类重要性的影响, 构建引力熵GEN (gravitational entropy)度量指标以量化类的重要性. 然后, 按照类的GEN值对所有类进行降序排列, 从而得到初步的排序结果. 最后, 通过动态分析技术收集运行时类之间真实的交互关系, 进而对初步排序的结果进行优化, 并通过设定阈值来过滤非关键类, 从而得到候选的关键类. 8个开源Java软件上的实验结果表明: 1) 在检查不超过前15% (或top-25)的节点时, 该方法从整体上而言均显著优于其他11种对比方法; 2)使用动态分析对结果进行优化, 有助于显著提升该方法的性能; 3)耦合类型的不同赋权方式对该方法的性能没有显著影响; 4)该方法在运行效率上是可以接受的.

来源：2026年第5期

《软件学报》期刊编辑部

查看软件学报杂志2026年第5期