ESI Talents

Sujet de Stage N°: 308

Sujet de Stage
Validation

Sujet de stage N° 308

Type*

Specialites*

Organisme*

Coencadrants*

Promoteur*

YESSAD et BEN MERZOUG

Email promoteur*

Tel promoteur

Intitule*

Une nouvelle solution de "feature location" à partir de variantes de code

Resume*

La réutilisation est la préoccupation majeure des entreprises. Elle consiste à baser la
construction de logiciels d’entreprise sur des composants réutilisables. Parmi les concepts
visant à concrétiser la réutilisation est le concept de familles de produits [Northrop, 1999] ou
lignes de produits. Inspirés par l’industrie manufacturière, les chercheurs en génie logiciel
tentent de produire des logiciels de manière massive et systématique. Ils construisent un
modèle à partir duquel ils génèrent de manière automatique leurs produits. Ces derniers sont
des variantes de logiciel c’est-à-dire des produits similaires qui ont des parties communes et
d’autres variables. Le domaine des lignes de produits est centré sur l’étude de la variabilité
dans les logiciels et les modèles. Le processus de construction des lignes de produits est
coûteux mais, à long terme, il améliore la productivité grâce à la dérivation simple et facile
de produits. Ce processus est réalisé selon différentes approches existantes. Dans ce travail,
vous allez opter pour l’approche extractive qui a pour rôle de faire migrer un ou plusieurs
codes existants vers une ligne de produits [Mohamadi, 2018] afin de réaliser une stratégie
moins coûteuse et à faible risque. Les entreprises possèdent souvent, dans leurs portefolios,
un ensemble de produits créés en utilisant une approche clone-and-own [Appel et al. 2013],
dans laquelle des variantes d’un système sont réalisées en copiant le code source et en
modifiant la copie pour satisfaire les besoins spécifiques du client. Le processus de
migration passe par plusieurs phases (détection, analyse et transformation) [Assunção et al.
2017] et nécessite l’identification et la localisation des fonctionnalités à partir d’une ou
plusieurs variantes. Dans ce travail, vous allez étudier de manière exhaustive les techniques
de localisation des fonctionnalités (Feature Location, en anglais) [Krüger et al., 2018 ; Wang
et al., 2013 ; Xue et al. 2012 ; Cruz et al., 2019 ; Assunção et al. 2017]]. Plusieurs travaux
ont proposé des stratégies de feature location en se basant surtout sur des techniques de
recherche d’information. Les algorithmes proposés donnent souvent de faibles résultats.
Enfin, dans ce travail, vous devez proposer une solution plus performante en utilisant des
techniques de machine learning. Vous allez pouvoir tester et comparer votre solution avec
les solutions existantes en utilisant le benchmark ArgoUML SPL 1 [Martinez et al., 2018,
Cruz et al., 2019], ce qui vous permettra de valider vos résultats.

Objectifs*

I – Etudier l’approche extractive de construction des lignes de produits.
II – Etudier l’état de l’art sur les techniques de feature location.
III- Proposer une solution plus performante en utilisant des techniques de machine learning.
IV- Valider les résultats obtenus.

Resultats attendus*

I - Un background sur l’ingénierie des lignes de produits, les approches de leur construction,
particulièrement l’approche extractive.
II- Un état de l’art sur les techniques de feature location.
III- Une solution de feature location fonctionnelle (avec Python ou Java) et performante.
IV- Des résultats de test sur la solution implémentée et plusieurs solutions existantes.

Antecedents

Moyens informatiques

Echeancier*

Etape 1 Etudier l’état de l’art sur les techniques de feature
location. 3 mois
Etape 2 Proposer une solution qui consiste à améliorer les
techniques existantes. 2 mois
Etape 3 Implémenter la solution proposée. 2 mois
Etape 4 Tester la solution implémentée et valider les résultats en
utilisant le Benchmark ArgoUML SPL. 2 mois

Bibliographie

Apel S., Batory D. S., Kästner C. and Saake G. (2013). Feature-Oriented Software Product Lines -
Concepts and Implementation. Springer, 2013.
Assunção W. K. J., Lopez-Herrejon R. O., Linsbauer L. and Vergilio S. R. (2017). Reengineering
legacy applications into software product lines: a systematic mapping. In Journal of Empirical
Software Engineering (22), pages 2972-3016.
Cruz D., Figueiredo E. and Martinez J. (2019). A Literature Review and Comparison of Three
Feature Location Techniques using ArgoUML-SPL. VaMoS 2019 (16). pages 1-10.
Krüger J., Berger T. and Leich T. (2018). Features and How to Find Them: A Survey of Manual
Feature Location. In Journal of Software Engineering for Variability Intensive Systems: Foundations
and Applications, I. Mistrik, M. Galster, and B. Maxim, Eds. Taylor & Francis Group, LLC/CRC
Press, 2018.
Northrop, L. M. (1999). A framework for software product line practice. Proceedings of the
Workshop on Object-Oriented Technology, Springer-Verlag.
Martinez J., Ordoñez N., Tërnava X., Ziadi T., Aponte J., Figueiredo E., Valente M. T. (2018).
Feature location benchmark with argoUML SPL. SPLC 2018, pages 257-263.
Mohamadi, M. Y. (2019). Conception et réalisation d’un adaptateur de code source pour l’extraction
automatique de lignes de produits logiciels. Mémoire de PFE, ESI, Alger.
Wang J., Peng X. , Xing Z. and Zhao W. (2013). How developers perform feature location tasks: a
human-centric and process-oriented exploratory study. Journal of software: Evolution and Process
25(11), pages 1193-1224.
Xue Y., Xing Z. and Jarzabek S. (2012). Feature location in a collection of product variants. WCRE
2012, pages 145-154.

Statut validation*

Reponse aux experts

Quelle technique de machine learning utiliser?

Une des techniques déjà testée à l'aide du benchmark ArgoUML SPL est Vector Documents (DVs) (qui ne donne pas de bons résultats). La proposition d'une autre technique est la seule problématique que l'étudiant doit être capable de résoudre à travers ce travail en se basant sur une panoplie de travaux autour de la "feature location" (littérature abondante à ce sujet).

La phase d'extraction peut-elle être bloquante?

Le benchmark ArgoUML SPL possède un ground-thruth qui contient 24 fichiers texte représentant 8 features et leurs combinaisons. C'est à partir de ces données que l'extraction se fera.

Reserve pour*

Projet recherche

Notification

Avis sur le Sujet de Stage

Intitule	Organisme	Debut	Fin	Avis	Commentaire
Une nouvelle solution de "feature location" à partir de variantes de code	LCSI : Laboratoire de la Communication dans les Systèmes Informatiques	09/15/2020	09/30/2020	Avis favorable	Il est important de préciser dans l'échancier la durée de létape de réalisation de la phase d'extraction, cette étape peut être bloquante si elle n'est pas déjà prète.
Une nouvelle solution de "feature location" à partir de variantes de code	LCSI : Laboratoire de la Communication dans les Systèmes Informatiques	09/15/2020	09/30/2020	Avis favorable	—
Une nouvelle solution de "feature location" à partir de variantes de code	LCSI : Laboratoire de la Communication dans les Systèmes Informatiques	09/15/2020	09/21/2020	Avis favorable avec réserves mineures	La proposition est claire et bien référencée pour un rapport de master. Par contre, pour un PFE, vous avez mentionné que vous allez proposer une solution basée sur des «techniques de machine learning». Les «techniques de machine learning» sont un domaine vague, vous pouvez spécifier les techniques ou techniques connues dans la littérature de machine learning que vous allez utiliser ou tester.