NGHIÊN CỨU GỢI Ý API TRONG MÃ NGUỒN JAVA

Nghiên cứu gợi ý API trong mã nguồn Java, khám phá phương pháp MFLUTE giúp tăng tốc độ và hiệu quả cho lập trình viên. Đề xuất API chính xác, cải thiện năng suất.

• Tác giả: Tran Manh Cuong
• Người hướng dẫn: Ts. Võ Đình Hiếu
• Trường học: Vietnam National University, Hanoi University of Engineering and Technology
• Chuyên ngành: Kỹ Thuật Phần Mềm
• Đề tài: Nghiên Cứu Gợi Ý API Trong Mã Nguồn Java
• Loại tài liệu: Luận Văn Tốt Nghiệp Thạc Sĩ
• Năm xuất bản: 2024
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• TÓM TẮT
• ABSTRACT
• DANH SÁCH HÌNH VẼ
• DANH SÁCH BẢNG
• THUẬT NGỮ
• 1. CHƯƠNG 1: ĐẶT VẤN ĐỀ
• 1.1. API là viết tắt của Giao diện lập trình ứng dụng (Application Programming Interfaces), là một cách cho phép các ứng dụng và thư viện khác nhau giao tiếp và trao đổi dữ liệu với nhau
• 1.2. API có nhiều loại khác nhau, nhưng một loại phổ biến là API REST được sử dụng trong nền tảng Web
• 1.3. Tập trung đến loại API dưới dạng các thư viện trong chương trình Java thuần tuý
• 1.4. Các lời gọi API trong bài toán của luận văn là các lời gọi phương thức trong mã nguồn Java
• 1.5. Giao diện lập trình ứng dụng thường được sử dụng để cải thiện năng suất trong quá trình phát triển các sản phẩm phần mềm
• 1.6. Khảo sát mã nguồn của 1000 dự án Java chất lượng cao và được xếp hạng cao nhất trên GitHub cho thấy tầm quan trọng của việc sử dụng API
• 1.7. Khó khăn của lập trình viên trong việc làm quen và sử dụng API một cách chính xác
• 1.8. Ý tưởng đề xuất gợi ý API tự động để hỗ trợ lập trình viên
• 1.9. Gợi ý mã nguồn tự động và các nghiên cứu liên quan
• 1.10. Ví dụ về gợi ý API trên IntelliJ IDEA
• 1.11. Phương pháp nghiên cứu MFLUTE kết hợp phân tích chương trình và mô hình ngôn ngữ thống kê
• 1.12. Mục tiêu và điều kiện đầu ra của bài toán đề xuất API
• 1.13. Đối tượng phân tích chính là ngôn ngữ Java
• 1.14. Cấu trúc luận văn và nội dung các chương tiếp theo
• 2. CHƯƠNG 2: KIẾN THỨC CƠ SỞ
• 2.1. Giới thiệu các kiến thức cơ bản liên quan đến bài toán gợi ý API trong mã nguồn Java
• 2.2. Ngôn ngữ lập trình Java
• 2.2.1. Java là ngôn ngữ lập trình hướng đối tượng dựa trên các lớp, đa nền tảng
• 2.2.2. Các thuộc tính truy cập trong Java và ý nghĩa
• 2.2.3. Tầm quan trọng và đặc thù của Java trong nghiên cứu
• 2.3. Cây cú pháp trừu tượng (AST)
• 2.4. Đồ thị dòng điều khiển (CFG)
• 2.5. mCFG (method-Control Flow Graph)
• 2.6. Mô hình ngôn ngữ thống kê
• 2.7. Các công cụ sử dụng trong nghiên cứu
• 2.8. Nghiên cứu liên quan
• 3. CHƯƠNG 3: PHƯƠNG PHÁP GỢI Ý API TRONG MÃ NGUỒN JAVA
• 3.1. Ý tưởng khởi đầu
• 3.2. Hướng tiếp cận bài toán
• 3.3. Cây kiểu dữ liệu
• 3.4. mCFG và chuỗi phương thức
• 3.5. Xác định các ứng viên API
• 3.6. Xếp hạng các gợi ý
• 4. CHƯƠNG 4: CÀI ĐẶT CÔNG CỤ VÀ THỰC NGHIỆM
• 4.1. Cài đặt công cụ
• 4.2. Thiết lập thực nghiệm
• 4.3. Tập dữ liệu
• 4.4. Các công cụ bổ trợ
• 4.5. Kết quả thực nghiệm
• 4.6. Thời gian chạy
• 4.7. Tích hợp vào trình phát triển
• 5. CHƯƠNG 5: KẾT LUẬN

Tóm tắt

I. Tổng Quan Về Gợi Ý API Java và Vai Trò MFLUTE 55 ký tự

Các API (Application Programming Interfaces) đóng vai trò then chốt trong việc phát triển phần mềm hiện đại, cho phép tích hợp các chức năng từ các thư viện bên thứ ba. Trong ngữ cảnh Java, các API thường được biểu diễn dưới dạng các lời gọi phương thức. Một thống kê từ 1000 dự án Java chất lượng cao trên GitHub cho thấy hơn một nửa số lệnh gọi phương thức (52.3%) đến từ các thư viện bên thứ ba. Việc sử dụng hiệu quả các API này đòi hỏi lập trình viên phải nắm vững tài liệu và tìm kiếm các đoạn mã mẫu. Tuy nhiên, quá trình này có thể tốn thời gian và công sức, đặc biệt đối với các thư viện mới. Do đó, việc tự động hóa quá trình gợi ý API trở nên vô cùng quan trọng. Luận văn này giới thiệu MFLUTE, một phương pháp mới kết hợp phân tích chương trình và mô hình ngôn ngữ thống kê để đề xuất các lời gọi API phù hợp. MFLUTE giúp lập trình viên khai thác tối đa tiềm năng của các thư viện bên thứ ba, tăng năng suất và giảm thiểu sai sót.

1.1. Tầm Quan Trọng của API Java trong Phát Triển Phần Mềm

API trong Java là cầu nối giữa các thành phần phần mềm khác nhau, giúp chúng giao tiếp và trao đổi dữ liệu hiệu quả. Việc sử dụng API Java đúng cách giúp tăng tốc độ phát triển, giảm thiểu công sức viết code từ đầu và tận dụng các chức năng đã được kiểm chứng. Việc nắm vững các API phổ biến trong hệ sinh thái Java là yếu tố quan trọng để trở thành một nhà phát triển Java thành công. API cung cấp một tập hợp các hàm, lớp, phương thức hoặc giao thức được định nghĩa sẵn mà các nhà phát triển có thể sử dụng để truy cập các tính năng hoặc dữ liệu của một hệ thống hoặc thư viện bên ngoài.

1.2. Giới Thiệu về MFLUTE Giải Pháp Gợi Ý API Tiên Tiến

MFLUTE là một phương pháp mới nhằm tự động hóa quá trình gợi ý API Java. Nó kết hợp phân tích chương trình để hiểu ngữ cảnh mã nguồn và mô hình ngôn ngữ thống kê để dự đoán các lời gọi API tiềm năng. MFLUTE không chỉ đề xuất các API dựa trên kiểu dữ liệu mà còn xem xét ngữ nghĩa của mã nguồn, giúp đưa ra các gợi ý chính xác và phù hợp hơn. MFLUTE hướng đến việc giải quyết bài toán đề xuất API hiệu quả cho cả thư viện tiêu chuẩn lẫn các API do người dùng tự xây dựng, vốn là một thách thức đối với các phương pháp hiện tại.

II. Thách Thức và Hạn Chế Khi Sử Dụng API Java 56 ký tự

Mặc dù API mang lại nhiều lợi ích, việc sử dụng chúng cũng đi kèm với những thách thức nhất định. Để sử dụng API Java một cách chính xác, nhà phát triển cần nghiên cứu kỹ tài liệu và tìm kiếm các đoạn mã mẫu, điều này có thể tốn nhiều thời gian, đặc biệt đối với những API mới hoặc phức tạp. Các IDE hiện tại có tính năng gợi ý code, nhưng thường chỉ dựa trên khả năng phù hợp về kiểu và khả năng truy cập, dẫn đến các gợi ý hạn chế và không phù hợp trong nhiều trường hợp. Theo luận văn, tính năng này dự kiến sẽ giảm thời gian phát triển mã nguồn bằng cách cung cấp các đề xuất các phần mã nguồn tiềm năng như tên biến, hàm. Điều này gây khó khăn cho lập trình viên khi phải sàng lọc qua một lượng lớn các gợi ý không liên quan. MFLUTE được thiết kế để giải quyết những hạn chế này, cung cấp các gợi ý API Java thông minh hơn dựa trên ngữ cảnh và ngữ nghĩa của mã nguồn.

2.1. Khó Khăn trong Việc Nắm Bắt Tài Liệu và Sử Dụng API

Việc học và sử dụng API Java hiệu quả đòi hỏi người lập trình phải bỏ ra thời gian và công sức để đọc hiểu tài liệu, tìm kiếm các ví dụ và thử nghiệm. Điều này đặc biệt khó khăn đối với các API phức tạp hoặc ít được sử dụng. Sự thiếu hụt kinh nghiệm cũng là một rào cản, đặc biệt đối với các nhà phát triển mới bắt đầu. Để hoàn thành chương trình đang phát triển với các API phù hợp, các nhà phát triển cần nghiên cứu kỹ cách sử dụng API từ các tài liệu và ví dụ minh hoạ được cung cấp trong các mã nguồn có sẵn tương ứng.

2.2. Hạn Chế của Các Công Cụ Gợi Ý Code Truyền Thống

Các công cụ gợi ý code hiện tại trong các IDE Java thường dựa trên các quy tắc đơn giản như kiểu dữ liệu và khả năng truy cập. Chúng thiếu khả năng hiểu ngữ cảnh và ngữ nghĩa của mã nguồn, dẫn đến các gợi ý không chính xác hoặc không hữu ích. Điều này làm tăng thêm gánh nặng cho lập trình viên khi phải tự mình tìm kiếm các API phù hợp. Các đề xuất do các IDE Java hiện tại tạo ra chủ yếu dựa trên khả năng phù hợp về kiểu và khả năng truy cập của các biến và lớp. Ví dụ, để gợi ý vế phải của một kiểu chuỗi (String), IDE có thể gợi ý các biến có kiểu là String và sắp xếp theo thứ tự bảng chữ cái.

III. Phương Pháp MFLUTE Phân Tích và Đề Xuất API Java 57 ký tự

MFLUTE là một phương pháp tiếp cận mới để giải quyết bài toán gợi ý API Java. Nó kết hợp các kỹ thuật phân tích chương trình và mô hình ngôn ngữ thống kê để đề xuất các API phù hợp với ngữ cảnh của mã nguồn. MFLUTE phân tích đoạn mã nguồn đang được viết để tạo ra các ứng viên dựa trên đặc tả của ngôn ngữ lập trình. Các ứng viên này phải tuân thủ cú pháp và ngữ nghĩa của Java. Mô hình ngôn ngữ sau đó được sử dụng để dự đoán xác suất của các lời gọi API tương ứng với ngữ cảnh của chúng. Theo luận văn, MFLUTE tiến hành phân tích đoạn mã nguồn còn đang viết dở (ngữ cảnh) để tạo các biểu thức ứng viên dựa trên đặc tả của ngôn ngữ lập trình. Các ứng viên là các lệnh gọi API được tạo sẽ đáp ứng các quy tắc cú pháp và ngữ nghĩa trong đặc tả Java.

3.1. Kết Hợp Phân Tích Chương Trình và Mô Hình Ngôn Ngữ

MFLUTE tận dụng sức mạnh của cả phân tích chương trình và mô hình ngôn ngữ để tạo ra các gợi ý API chính xác hơn. Phân tích chương trình giúp hiểu cấu trúc và ngữ nghĩa của mã nguồn, trong khi mô hình ngôn ngữ giúp dự đoán các lời gọi API có khả năng xảy ra dựa trên các mẫu sử dụng phổ biến. Hiệu quả của phương pháp kết hợp các kỹ thuật này cũng đã được chứng minh trong các nghiên cứu trước đây về bài toán gợi ý mã nguồn tự động nói chung khác. Những nghiên cứu này đã chỉ ra rằng việc kết hợp các kỹ thuật phân tích chương trình và mô hình ngôn ngữ có thể tạo ra các mã nguồn gợi ý chính xác và đa dạng hơn so với việc chỉ sử dụng một trong hai kỹ thuật.

3.2. Tạo Ứng Viên API và Đánh Giá Dựa Trên Ngữ Cảnh

MFLUTE tạo ra một danh sách các ứng viên API tiềm năng bằng cách phân tích ngữ cảnh của mã nguồn. Các ứng viên này sau đó được đánh giá dựa trên cú pháp, ngữ nghĩa và khả năng xuất hiện trong ngữ cảnh đó. MFLUTE sử dụng các quy tắc đặc tả ngôn ngữ lập trình để đánh giá các gợi ý về mặt cú pháp. Một mô hình ngôn ngữ sẽ chịu trách nhiệm dự đoán xác suất về khả năng gọi phương thức API tương ứng với ngữ cảnh của chúng.

IV. Thực Nghiệm và Đánh Giá Hiệu Quả của MFLUTE 52 ký tự

Để đánh giá hiệu quả của MFLUTE, luận văn đã tiến hành thực nghiệm trên một bộ dữ liệu lớn các dự án thực tế. Kết quả cho thấy MFLUTE có thể đề xuất các lời gọi API chính xác với độ chính xác Top-1 là 71%. Hơn nữa, MFLUTE cải thiện độ chính xác của các lời gọi đề xuất lên đến 12% so với các nghiên cứu tốt nhất hiện nay. Luận văn đã tiến hành so sánh MFLUTE với APIRecX, một phương pháp gợi ý API tiên tiến khác. Kết quả nghiên cứu của luận văn này sẽ cần đáp ứng được các điều kiện đầu ra trên đây. Bên cạnh đó, phương pháp trong luận văn phải được đánh giá và so sánh với các phương pháp hiện có trên các tiêu chí như độ chính xác, thời gian thực hiện, khả năng áp dụng vào các công cụ thực tế, v. Từ đó sẽ đánh giá được các giá trị đóng góp và tính khả thi khi triển khai của luận văn.

4.1. Bộ Dữ Liệu và Thiết Lập Thực Nghiệm

Thực nghiệm được tiến hành trên một bộ dữ liệu lớn các dự án Java thực tế để đảm bảo tính khách quan và khả năng áp dụng của MFLUTE. Các tham số thực nghiệm được thiết lập cẩn thận để so sánh công bằng với các phương pháp khác. Nội dung đánh giá bao gồm thực nghiệm so sánh với nghiên cứu được đánh giá tốt nhất và tổng quát trên một bộ dữ liệu lớn. Bên cạnh đó, luận văn phải được đánh giá và so sánh với các phương pháp hiện có trên các tiêu chí như độ chính xác, thời gian thực hiện, khả năng áp dụng vào các công cụ thực tế.

4.2. So Sánh với APIRecX và Đánh Giá Độ Chính Xác

MFLUTE được so sánh với APIRecX, một phương pháp gợi ý API hàng đầu, để đánh giá hiệu quả của nó. Kết quả cho thấy MFLUTE có thể cải thiện độ chính xác của các lời gọi đề xuất lên đến 12% so với APIRecX. Phương pháp trong luận văn phải được đánh giá và so sánh với các phương pháp hiện có trên các tiêu chí như độ chính xác, thời gian thực hiện, khả năng áp dụng vào các công cụ thực tế. Từ đó sẽ đánh giá được các giá trị đóng góp và tính khả thi khi triển khai của luận văn.

V. Ứng Dụng và Tích Hợp MFLUTE vào IDE Java 50 ký tự

Một trong những mục tiêu quan trọng của luận văn là tích hợp MFLUTE vào các IDE Java phổ biến như IntelliJ IDEA, Eclipse và NetBeans. Việc tích hợp này giúp các nhà phát triển dễ dàng sử dụng MFLUTE trong quá trình phát triển phần mềm hàng ngày. Luận văn cũng nghiên cứu về thời gian chạy của MFLUTE để đảm bảo hiệu suất tốt khi tích hợp vào IDE. Luận văn cũng trình bày cách thực nghiệm để đánh giá độ hiệu quả của phương pháp. Nội dung đánh giá bao gồm thực nghiệm so sánh với nghiên cứu được đánh giá tốt nhất và tổng quát trên một bộ dữ liệu lớn. Sau đó một số nghiên cứu liên quan tới bài toán sẽ được trình bày qua, đây là những nghiên cứu đem lại nhiều ý tưởng có thể áp dụng được một cách hiệu quả.

5.1. Triển Khai MFLUTE trên IntelliJ IDEA Eclipse NetBeans

Luận văn nghiên cứu về khả năng triển khai MFLUTE trên các IDE Java phổ biến như IntelliJ IDEA, Eclipse và NetBeans. Các plugin hoặc extensions được phát triển để tích hợp MFLUTE vào các IDE này. Triển khai công cụ trên IDE Java sẽ giúp các nhà phát triển dễ dàng sử dụng MFLUTE trong quá trình lập trình hàng ngày. Đây cũng là tính năng có sẵn trong các công cụ phát triển mã nguồn giúp người dùng lựa chọn một danh sách các gợi ý có sẵn.

5.2. Đánh Giá Thời Gian Chạy và Hiệu Suất trong IDE

Thời gian chạy và hiệu suất của MFLUTE được đánh giá kỹ lưỡng khi tích hợp vào IDE để đảm bảo trải nghiệm người dùng tốt. Các kỹ thuật tối ưu hóa được áp dụng để giảm thiểu thời gian gợi ý và đảm bảo IDE hoạt động mượt mà. Đây cũng là tính năng có sẵn trong các công cụ phát triển mã nguồn giúp người dùng lựa chọn một danh sách các gợi ý có sẵn. Luận văn này đề xuất một phương pháp tiếp cận mới và hiệu quả cho đề xuất API, MFLUTE. Mục tiêu của phương pháp nghiên cứu sẽ đề xuất các API bằng cách kết hợp các kỹ thuật phân tích chương trình và mô hình ngôn ngữ thống kê.

VI. Kết Luận và Hướng Phát Triển MFLUTE Tương Lai 56 ký tự

MFLUTE là một phương pháp hứa hẹn cho việc gợi ý API Java, kết hợp phân tích chương trình và mô hình ngôn ngữ để cung cấp các gợi ý chính xác và phù hợp. Luận văn đã chứng minh hiệu quả của MFLUTE thông qua thực nghiệm và so sánh với các phương pháp khác. Các hướng phát triển tương lai bao gồm việc mở rộng MFLUTE để hỗ trợ các ngôn ngữ lập trình khác, tích hợp các kỹ thuật học sâu, và cá nhân hóa gợi ý dựa trên phong cách lập trình của từng người dùng. Chương 5 tổng kết lại kiến thức và nêu ra một số định hướng nghiên cứu tiếp theo của đề tài này.

6.1. Tóm Tắt Đóng Góp và Kết Quả Nghiên Cứu

Luận văn đã đóng góp một phương pháp mới, MFLUTE, cho bài toán gợi ý API Java, kết hợp phân tích chương trình và mô hình ngôn ngữ. Thực nghiệm cho thấy MFLUTE vượt trội so với các phương pháp khác về độ chính xác và hiệu quả. Luận văn đã chứng minh hiệu quả của MFLUTE thông qua thực nghiệm và so sánh với các phương pháp khác. Các hướng phát triển tương lai bao gồm việc mở rộng MFLUTE để hỗ trợ các ngôn ngữ lập trình khác, tích hợp các kỹ thuật học sâu, và cá nhân hóa gợi ý dựa trên phong cách lập trình của từng người dùng.

6.2. Hướng Nghiên Cứu Mở Rộng và Phát Triển MFLUTE

Các hướng nghiên cứu tương lai bao gồm việc mở rộng MFLUTE để hỗ trợ các ngôn ngữ lập trình khác ngoài Java, tích hợp các kỹ thuật học sâu để cải thiện độ chính xác, và cá nhân hóa gợi ý dựa trên phong cách lập trình của từng người dùng. Luận văn đã chứng minh hiệu quả của MFLUTE thông qua thực nghiệm và so sánh với các phương pháp khác. Các hướng phát triển tương lai bao gồm việc mở rộng MFLUTE để hỗ trợ các ngôn ngữ lập trình khác, tích hợp các kỹ thuật học sâu, và cá nhân hóa gợi ý dựa trên phong cách lập trình của từng người dùng.

Nội dung chính

Tổng quan nghiên cứu

Trong lĩnh vực kỹ thuật phần mềm, việc sử dụng API (Application Programming Interface) đóng vai trò quan trọng trong việc tích hợp các chức năng từ thư viện bên thứ ba vào ứng dụng. Theo khảo sát trên 1000 dự án Java chất lượng cao trên GitHub, hơn 52,3% lệnh gọi phương thức là từ các thư viện bên thứ ba, cho thấy tầm quan trọng của việc sử dụng API một cách chính xác và hiệu quả. Tuy nhiên, việc làm quen và sử dụng API đúng cách đòi hỏi nhiều công sức do tài liệu phức tạp và thiếu các đoạn mã mẫu minh họa. Mục tiêu của luận văn là phát triển một phương pháp gợi ý API trong mã nguồn Java nhằm hỗ trợ lập trình viên gọi API nhanh chóng và chính xác hơn. Phạm vi nghiên cứu tập trung vào ngôn ngữ Java, với dữ liệu thu thập từ các dự án thực tế và các thư viện phổ biến trong khoảng thời gian gần đây. Ý nghĩa của nghiên cứu được thể hiện qua việc cải thiện độ chính xác gợi ý API lên đến 71% ở Top-1 và tăng 12% so với các phương pháp hiện có, góp phần nâng cao năng suất và giảm thiểu lỗi trong phát triển phần mềm.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai nền tảng lý thuyết chính: phân tích chương trình và mô hình ngôn ngữ thống kê. Phân tích chương trình sử dụng các cấu trúc dữ liệu như cây cú pháp trừu tượng (AST), đồ thị dòng điều khiển (CFG) và đồ thị dòng điều khiển lời gọi (mCFG) để biểu diễn cấu trúc và luồng thực thi của mã nguồn Java. AST giúp biểu diễn cấu trúc cú pháp, CFG mô tả luồng điều khiển của chương trình, còn mCFG tập trung vào luồng gọi phương thức của từng biến/đối tượng riêng biệt, giữ lại các đặc tính như rẽ nhánh và vòng lặp. Mô hình ngôn ngữ thống kê, cụ thể là mô hình n-gram, được áp dụng để ước lượng xác suất xuất hiện của các chuỗi lời gọi API dựa trên các mẫu sử dụng thu thập từ dữ liệu lớn. Mô hình này dựa trên giả định Markov, chỉ xét đến n lời gọi trước đó để dự đoán lời gọi tiếp theo, giúp giảm không gian tìm kiếm và tăng hiệu quả tính toán. Các khái niệm chính bao gồm: API, AST, CFG, mCFG, mô hình ngôn ngữ n-gram, và kỹ thuật binding trong phân tích mã nguồn.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là các dự án mã nguồn Java thực tế, bao gồm bộ dữ liệu tiêu chuẩn với 6 API JDK trên 20 dự án và bộ dữ liệu lớn hơn gồm hai dự án nổi tiếng Netbeans và Eclipse. Ngoài ra, hơn 14.785 dự án Java được thu thập để huấn luyện mô hình ngôn ngữ với hơn 3 triệu chuỗi lời gọi API. Phương pháp phân tích chương trình sử dụng công cụ Eclipse Java Development Tools (JDT) để phân tích AST, xây dựng mCFG và trích xuất chuỗi lời gọi phương thức. Mô hình ngôn ngữ n-gram được xây dựng bằng thư viện NLTK trên Python với cấu hình 5-gram. Quy trình nghiên cứu gồm ba giai đoạn: khởi tạo dự án để thu thập thông tin kiểu dữ liệu và quan hệ lớp; huấn luyện mô hình ngôn ngữ từ chuỗi lời gọi API; và truy vấn gợi ý API dựa trên ngữ cảnh mã nguồn chưa hoàn thiện. Phương pháp chọn mẫu là xác thực chéo 10 lần trên tập dữ liệu, đảm bảo tính khách quan và khả năng tổng quát của mô hình. Thời gian nghiên cứu tập trung vào năm 2023-2024 tại Hà Nội.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Độ chính xác gợi ý API vượt trội: MFLUTE đạt độ chính xác Top-1 là 71%, cao hơn 12% so với phương pháp APIRecX, với tỷ lệ thành công lên đến 95% khi xét Top-10 gợi ý.
2. Hiệu quả trên các miền API khác nhau: Độ chính xác trên các miền JDBC và IO cao hơn Swing, lần lượt đạt trên 72% và 70%, trong khi Swing thấp hơn do tính đa dạng và không tuần tự của các lệnh gọi API trong giao diện người dùng.
3. Thời gian gợi ý đáp ứng thực tế: Thời gian trung bình cho mỗi lần gợi ý của MFLUTE phù hợp với yêu cầu phát triển phần mềm, đảm bảo không làm gián đoạn quá trình viết mã.
4. Khả năng triển khai trên thiết bị cá nhân: Thực nghiệm trên máy tính cấu hình Intel Core i5-8400 với RAM 16GB cho thấy MFLUTE có thể hoạt động hiệu quả trên các thiết bị cá nhân phổ biến hiện nay.

Thảo luận kết quả

Kết quả cho thấy việc kết hợp phân tích chương trình với mô hình ngôn ngữ thống kê giúp MFLUTE khai thác hiệu quả tính chất tuần tự và ngữ cảnh của các lời gọi API trong mã nguồn Java. Việc sử dụng mCFG giúp xử lý tốt các trường hợp phức tạp như rẽ nhánh và vòng lặp, đồng thời mô hình n-gram 5-gram cung cấp khả năng dự đoán chính xác dựa trên chuỗi lời gọi trước đó. So với các nghiên cứu trước đây, MFLUTE không chỉ cải thiện độ chính xác mà còn giảm thiểu các gợi ý không phù hợp nhờ kiểm tra ngữ nghĩa và kiểu dữ liệu. Biểu đồ so sánh độ chính xác giữa các miền API minh họa rõ sự khác biệt về hiệu quả, trong khi bảng kết quả chi tiết cho thấy sự vượt trội của MFLUTE trên nhiều tiêu chí. Kết quả này khẳng định tính khả thi và giá trị ứng dụng của phương pháp trong môi trường phát triển thực tế.

Đề xuất và khuyến nghị

1. Tích hợp MFLUTE vào các IDE phổ biến: Động từ hành động là "triển khai", mục tiêu là nâng cao trải nghiệm lập trình viên bằng cách cung cấp gợi ý API chính xác và nhanh chóng, thời gian thực hiện trong vòng 6-12 tháng, chủ thể thực hiện là các nhà phát triển phần mềm và nhóm phát triển IDE.
2. Mở rộng hỗ trợ đa ngôn ngữ: Đề xuất "phát triển" phương pháp cho các ngôn ngữ lập trình hướng đối tượng khác như C#, Python, nhằm tăng phạm vi ứng dụng, thời gian 1-2 năm, do các nhóm nghiên cứu và công ty phần mềm đảm nhiệm.
3. Kết hợp dữ liệu từ nhiều nguồn: "Tích hợp" dữ liệu từ tài liệu API, diễn đàn lập trình và kho mã nguồn mở để cải thiện độ chính xác và đa dạng gợi ý, thời gian 12 tháng, chủ thể là nhóm nghiên cứu và phát triển công cụ.
4. Cải tiến thuật toán xử lý vòng lặp và rẽ nhánh: "Nâng cao" thuật toán phân tích mCFG để xử lý hiệu quả hơn các trường hợp phức tạp, giảm thời gian dự đoán, thời gian 6-9 tháng, do nhóm nghiên cứu thực hiện.
5. Đào tạo và hướng dẫn sử dụng: "Tổ chức" các khóa đào tạo và tài liệu hướng dẫn cho lập trình viên về cách tận dụng công cụ gợi ý API, nhằm tăng hiệu quả sử dụng, thời gian liên tục, do các tổ chức đào tạo và doanh nghiệp phần mềm thực hiện.

Đối tượng nên tham khảo luận văn

1. Lập trình viên Java: Nhóm này sẽ được hỗ trợ trong việc gọi API chính xác, giảm thời gian tìm hiểu tài liệu và lỗi lập trình, giúp tăng năng suất và chất lượng mã nguồn.
2. Nhà phát triển công cụ IDE: Có thể áp dụng phương pháp để cải tiến tính năng gợi ý mã nguồn, nâng cao trải nghiệm người dùng và cạnh tranh trên thị trường công cụ phát triển.
3. Nhà nghiên cứu trong lĩnh vực kỹ thuật phần mềm: Tham khảo để phát triển các phương pháp gợi ý mã nguồn mới, mở rộng sang các ngôn ngữ và môi trường khác, đồng thời nghiên cứu sâu hơn về mô hình ngôn ngữ và phân tích chương trình.
4. Doanh nghiệp phát triển phần mềm: Áp dụng để đào tạo nhân viên, cải thiện quy trình phát triển, giảm thiểu lỗi do sử dụng API sai, từ đó nâng cao chất lượng sản phẩm và rút ngắn thời gian ra mắt.

Câu hỏi thường gặp

1. MFLUTE khác gì so với các công cụ gợi ý API hiện có?
   MFLUTE kết hợp phân tích chương trình chi tiết với mô hình ngôn ngữ thống kê 5-gram, giúp dự đoán lời gọi API chính xác hơn, đặc biệt trong các trường hợp phức tạp như rẽ nhánh và vòng lặp, vượt trội hơn các công cụ như APIRecX đến 12% về độ chính xác.

2. Phương pháp này có áp dụng được cho ngôn ngữ khác ngoài Java không?
   Mặc dù nghiên cứu tập trung vào Java, phương pháp tổng quát với mCFG và mô hình ngôn ngữ có thể được điều chỉnh để áp dụng cho các ngôn ngữ hướng đối tượng khác như C# hoặc Python, tuy nhiên cần tùy biến đặc thù ngôn ngữ.

3. Thời gian gợi ý API có ảnh hưởng đến trải nghiệm người dùng không?
   Thực nghiệm cho thấy MFLUTE có thời gian gợi ý nhanh, phù hợp với yêu cầu phát triển phần mềm thực tế, không gây gián đoạn quá trình viết mã, đảm bảo trải nghiệm mượt mà cho lập trình viên.

4. Làm thế nào để xử lý các trường hợp API tự xây dựng hoặc chưa công bố?
   MFLUTE có khả năng xử lý tốt các API nội bộ nhờ phân tích ngữ cảnh và kiểu dữ liệu, tuy nhiên hiệu quả có thể giảm so với API chuẩn. Việc mở rộng dữ liệu huấn luyện và tích hợp thêm nguồn dữ liệu sẽ cải thiện khả năng này.

5. Có thể tích hợp MFLUTE vào các IDE phổ biến hiện nay không?
   Có thể, nghiên cứu đã chứng minh tính khả thi khi triển khai trên các IDE như Eclipse và Netbeans. Việc tích hợp sẽ giúp nâng cao tính năng gợi ý API, hỗ trợ lập trình viên hiệu quả hơn trong môi trường phát triển quen thuộc.

Kết luận

• MFLUTE là phương pháp gợi ý API trong mã nguồn Java kết hợp phân tích chương trình và mô hình ngôn ngữ thống kê, đạt độ chính xác Top-1 lên đến 71%.
• Phương pháp xử lý hiệu quả các trường hợp phức tạp như rẽ nhánh và vòng lặp nhờ sử dụng đồ thị dòng điều khiển lời gọi (mCFG).
• Kết quả thực nghiệm trên bộ dữ liệu lớn và thực tế cho thấy MFLUTE vượt trội hơn các phương pháp hiện có, đồng thời đáp ứng yêu cầu về thời gian gợi ý.
• Đề xuất tích hợp MFLUTE vào các IDE phổ biến và mở rộng hỗ trợ đa ngôn ngữ để nâng cao ứng dụng thực tiễn.
• Các bước tiếp theo bao gồm cải tiến thuật toán, mở rộng dữ liệu huấn luyện và phát triển công cụ hỗ trợ lập trình viên, kêu gọi các nhà phát triển và tổ chức nghiên cứu cùng hợp tác triển khai.

Trích đoạn nội dung tài liệu

Đặt vấn đề API là viết tắt của Giao diện lập trình ứng dụng (Application Programming Interfaces), là một cách cho phép các ứng dụng và thư viện khác nhau giao tiếp và trao đổi dữ liệu với nhau. API có nhiều loại khác nhau, nhưng một loại phổ biến là API REST được sử dụng trong nền tảng Web. Tuy nhiên, trong bài toán này sẽ tập trung đến loại API dưới dạng các thư viện trong chương trình Java thuần tuý. Đối với Java, các thư viện này thường được đóng gói trong các tệp tin có đuôi.

Các lời gọi API trong bài toán của luận văn là các lời gọi phương thức trong mã nguồn Java. Giao diện lập trình ứng dụng thường được sử dụng để cải thiện năng suất trong quá trình phát triển các sản phẩm phần mềm. Các API thường sử dụng thông qua các nguồn bên thứ ba hoặc từ chính nền tảng đang phát triển. Khi khảo sát mã nguồn của 1000 dự án Java chất lượng cao và được xếp hạng cao nhất trên GitHub cho thấy rằng hơn một nửa lệnh gọi phương thức (52,3%) là từ các thư viện của bên thứ ba.

Kết quả này cho thấy tầm quan trọng của việc sử dụng API một cách cẩn thận. Tuy nhiên, phải mất rất nhiều công sức để lập trình viên có thể làm quen với tất cả các API trong các thư viện lớn và sử dụng chúng một cách chính xác trong các chương trình. Thật vậy, để hoàn thành chương trình đang phát triển với các API phù hợp, các nhà phát triển cần nghiên cứu kỹ cách sử dụng API từ các tài liệu và ví dụ minh hoạ được cung cấp trong các mã nguồn có sẵn tương ứng. Hơn nữa, với các thư viện mới và không quen thuộc, các nhà phát triển thường cần tìm hiểu xem các thư viện đó có chứa bất kỳ API nào có thể hỗ trợ các tác vụ đang phát triển hay không.

Với vấn đề này, ý tưởng của luận văn cho thấy việc đề xuất 1 gợi ý API tự động là vô cùng cần thiết khi hỗ trợ các nhà phát triển sử dụng các thư viện của bên thứ ba một cách hiệu quả. Gợi ý mã nguồn tự động, đặc biệt là đề xuất API gần đây đã trở thành một bài toán phổ biến trong các nghiên cứu học thuật và ứng dụng thực tiễn. Chẳng hạn, trong môi trường phát triển tích hợp (Integrated Development Environment - IDE), gợi ý mã nguồn là tính năng quan trọng bắt buộc phải có. Tính năng này dự kiến sẽ giảm thời gian phát triển mã nguồn bằng cách cung cấp các đề xuất các phần mã nguồn tiềm năng như tên biến, hàm,.

Tuy nhiên, các đề xuất do các IDE hiện tại tạo ra chủ yếu dựa trên khả năng phù hợp về kiểu và khả năng truy cập của các biến và lớp. Ví dụ, để gợi ý vế phải của một kiểu chuỗi (String), IDE có thể gợi ý các biến có kiểu là String và sắp xếp theo thứ tự bảng chữ cái. Do đó, những gợi ý này thường bị hạn chế và thể xử lý trong các trường hợp phức tạp. Lập trình viên đôi khi lại gặp khó khăn vì chính những gợi ý này khi phải mất công sức lựa chọn trong lượng lớn gợi ý mà IDE cung cấp.

Vì vậy, chúng ta cần một giải pháp để đưa ra các gợi ý hiệu quả bằng cách sắp xếp chúng một cách hợp lý và thu gọn lại các gợi ý không hữu ích. Các nghiên cứu gần đây về gợi ý mã nguồn [1–4] đã đạt được những kết quả đầy hứa hẹn. Những nghiên cứu này khai thác các thuộc tính của chương trình và ngữ cảnh trong các mã nguồn khác nhau để đề xuất các loại biểu thức khác nhau. Chẳng hạn, Liu và cộng sự [3] đã đề xuất một giải pháp sử dụng mô hình ngôn ngữ mạng nơ-ron để tạo đề xuất cho biến số, từ khóa, dấu câu, v.

Aroma [4] đề xuất mã bằng cách so sánh đoạn mã nguồn đang phát triển với các mã nguồn trong kho dữ liệu lớn, sau đó tận dụng các mã tương tự để tạo đề xuất. Ngoài ra, nghiên cứu AutoSC [2] kết hợp phân tích chương trình và mô hình ngôn ngữ thống kê để hoàn thành các câu lệnh chưa hoàn thiện. Bên cạnh đó, một số nghiên cứu đặc biệt tập trung vào việc đề xuất một lời gọi API/hàm ứng với ngữ cảnh đang được soạn thảo [5–9]. Chẳng hạn, Xie và cộng sự [6] đã đề xuất phương pháp gợi ý API bằng cách khai thác các mẫu sử dụng API trong một cơ sở dữ liệu lớn.

Họ xây dựng các biểu đồ phụ thuộc giữa API và ngữ cảnh của mã nguồn, sử dụng kết hợp các yếu tố tương đồng giữa chúng để khai thác các mẫu sử dụng API. Ngoài ra, Niu và cộng sự [7] cũng nghiên cứu phương pháp gợi ý API bằng cách biểu thị mã nguồn dưới dạng một mạng liên kết các cách sử dụng của từng đối tượng, là một tập hợp các lệnh gọi phương thức được gọi trên một lớp API duy nhất. Phương pháp gợi ý 2 API được Gao và cộng sự [8] tập trung vào mảng phát triển các ứng dụng Android bằng cách khai thác tài nguyên dữ liệu trong các cửa hàng ứng dụng như Google Play Store. Còn với nghiên cứu được đánh giá tốt nhất, APIRecX [5], sử dụng mô hình học máy mạnh là GPT để đề xuất các API chính xác.

Mặc dù các phương pháp hiện tại đề xuất API một cách hiệu quả cho thư viện bên thứ ba tiêu chuẩn và phổ biến trong cộng đồng lập trình viên, nhưng hiệu suất của chúng giảm đáng kể khi áp dụng với các loại API do người dùng tự xây dựng hoặc API nội bộ chưa được công bố mã nguồn trước đó [10].1: Ví dụ về gợi ý API trên IntelliJ IDEA Trên Hình.1 đưa ra một ví dụ minh hoạ việc gợi ý các API của đối tượng Java trên IntelliJ IDEA. Có thể thấy trên hình, IDE đưa ra một danh sách các gợi ý là các lời gọi API và cho người dùng chọn. Các IDE thường gợi ý ngay sau khi người dùng dừng lại trong lúc gõ hoặc sử dụng một số phím tắt như Ctrl + Space. Đây cũng là tính năng có sẵn trong các công cụ phát triển mã nguồn giúp người dùng lựa chọn một danh sách các gợi ý có sẵn.

Luận văn này đề xuất một phương pháp tiếp cận mới và hiệu quả cho đề xuất API, M F LUTE. Mục tiêu của phương pháp nghiên cứu sẽ đề xuất các API bằng cách kết hợp các kỹ thuật phân tích chương trình và mô hình ngôn ngữ thống kê. Cụ thể, MFLUTE tiến 3 hành phân tích đoạn mã nguồn còn đang viết dở (ngữ cảnh) để tạo các biểu thức ứng viên dựa trên đặc tả của ngôn ngữ lập trình. Các ứng viên là các lệnh gọi API được tạo sẽ đáp ứng các quy tắc cú pháp và ngữ nghĩa trong đặc tả Java.

Về mặt ngữ nghĩa, phương pháp này sẽ xem xét đến thông tin về kiểu dữ liệu và khả năng truy cập của các thành phần trong mã nguồn của toàn chương trình. Các quy tắc đặc tả ngôn ngữ lập trình sẽ được áp dụng cho việc đánh giá các gợi ý về mặt cú pháp. Một mô hình ngôn ngữ sẽ chịu trách nhiệm dự đoán xác suất về khả năng gọi phương thức API tương ứng với ngữ cảnh của chúng. Hiệu quả của phương pháp kết hợp các kỹ thuật này cũng đã được chứng minh trong các nghiên cứu trước đây về bài toán gợi ý mã nguồn tự động nói chung khác [2, 11].

Những nghiên cứu này đã chỉ ra rằng việc kết hợp các kỹ thuật phân tích chương trình và mô hình ngôn ngữ có thể tạo ra các mã nguồn gợi ý chính xác và đa dạng hơn so với việc chỉ sử dụng một trong hai kỹ thuật. Điều này cho thấy rằng phương pháp đề xuất trong luận văn này có thể áp dụng được cho nhiều bài toán liên quan đến gợi ý mã nguồn hiện tại. Bài toán cụ thể mà luận văn này cần giải quyết là đề xuất các lời gọi API cho một đoạn mã nguồn Java chưa hoàn thiện xong. Đầu vào của bài toán là một đoạn mã nguồn Java và vị trí con trỏ tại nơi cần gợi ý lời gọi API.

Đầu ra của bài toán là một danh sách các lời gọi API phù hợp với ngữ cảnh của đoạn mã nguồn. Để đầu ra được phù hợp, chúng ta cần thỏa mãn các điều kiện tiên quyết sau: • Các gợi ý là các lời gọi API hay lời gọi phương thức trong Java, • Các lời gọi API được gợi ý phải tuân theo cú pháp và ngữ nghĩa của ngôn ngữ lập trình Java, không phải là các lời gọi sai kiểu, sai số lượng tham số, sai tên phương thức, v.v và khiến chương trình xảy ra lỗi khi thực thi, • Danh sách đầu ra phải được sắp xếp theo thứ tự giảm dần của xác suất xuất hiện của các lời gọi API trong ngữ cảnh của đoạn mã nguồn. Các lời gọi API có xác suất cao hơn sẽ được ưu tiên hiển thị trước. Đối tượng được phân tích cụ thể trong luận văn này nhắm đến ngôn ngữ Java để phân tích các đặc thù ngôn ngữ này trong các trường hợp cụ thể và xây dựng các công cụ tương ứng.

Tuy nhiên, phương pháp này mang tính tổng quát có thể được áp dụng cho nhiều ngôn ngữ hướng đối tượng và ngôn ngữ dạng khác. 4 Kết quả nghiên cứu của luận văn này sẽ cần đáp ứng được các điều kiện đầu ra trên đây. Bên cạnh đó, phương pháp trong luận văn phải được đánh giá và so sánh với các phương pháp hiện có trên các tiêu chí như độ chính xác, thời gian thực hiện, khả năng áp dụng vào các công cụ thực tế, v. Từ đó sẽ đánh giá được các giá trị đóng góp và tính khả thi khi triển khai của luận văn.

Phần còn lại của luận văn được trình bày với cấu trúc như sau: Chương 2 sẽ liệt kê các kiến thức cơ sở liên quan được áp dụng trong quá trình xây dựng phương pháp. Chương này cũng bao gồm nội dung các công cụ phân tích mã nguồn và xây dựng mô hình ngôn ngữ. Phương pháp nghiên cứu của luận văn được mô tả chi tiết trong Chương 3. Tiếp theo, Chương 4 trình bày cách thực nghiệm để đánh giá độ hiệu quả của phương pháp.

Nội dung đánh giá bao gồm thực nghiệm so sánh với nghiên cứu được đánh giá tốt nhất và tổng quát trên một bộ dữ liệu lớn. Sau đó một số nghiên cứu liên quan tới bài toán sẽ được trình bày qua, đây là những nghiên cứu đem lại nhiều ý tưởng có thể áp dụng được một cách hiệu quả.