本文是一篇计算机论文，针对现有死代码检测工具和方法存在的诸多不足，本文提出了一种基于卷积神经网络（CNN）和长短期记忆网络（LSTM）相结合的死代码检测新方法。其主要思路是将代码文本信息和代码度量信息相结合，以提高死代码检测的准确性。
第1章 绪论
1.1 研究背景及意义
随着软件系统的不断发展和复杂度的增加，软件维护已经成为现代软件工程中不可忽视的重要工作。软件的开发不仅仅是编写新功能，还包括对已有代码的优化、修复和维护。尤其是在长期运行和演化的过程中，代码的质量和可维护性逐渐受到挑战。代码异味（Code Smells）作为一种常见的现象，指的是软件中潜在的、可能引发问题的代码结构或设计模式。尽管这些问题可能并不会直接导致程序崩溃，但却可能影响系统的可读性、可维护性、性能等方面，进而影响软件的长期发展和维护成本。
代码异味最早由Fowler等人[1]提出，是指代码在设计或实现层面上潜在的问题，这些问题尽管不直接影响代码的功能性，但会对代码的可维护性和可扩展性产生负面影响。代码异味的存在可能导致代码的可读性和可理解性下降，从而增加软件的开发和维护成本。常见的代码异味包括长方法（Long Method）、过大的类（Large Class）、重复代码（Duplicated Code）、不必要复杂度（Unnecessary Complexity）等。如果这些问题未能得到及时控制，随着代码库的扩展，问题将不断累积，通常会使源代码的复杂度提高[2]，软件的质量和可维护性大大降低。
死代码（Dead Code）是一种特殊的代码异味，指的是无法执行或不再被引用的代码片段，并且其中可能包含一个或多个异味片段，这种现象在商业软件和开源项目中普遍存在[3]，它不仅会导致文件体积膨胀，还可能引发内存占用过高，甚至延长系统的运行时间。此外，死代码的存在还会增加软件维护成本，削弱系统的可维护性[4]，并降低代码的可读性[5]。
1.2 国内外研究进展
1.2.1 代码异味的检测
代码异味的产生通常源于软件技术债务的累积[13]。若这些异味问题未能及时得到解决，便会逐渐沉积在系统中，最终可能对系统的可维护性和扩展性造成不良影响[14]。这是因为在软件开发和使用的生命周期中，需求变更是一个常见现象。随着新需求的不断增加或原有需求的调整，系统需要频繁地进行扩展或修改，这在一定程度上可能引入新的代码异味，进一步加重技术债务。
为了解决代码异味问题，软件开发过程中引入了重构技术[1]。重构是一种对软件内部结构进行重新设计的操作，其目标是在不改变代码对外功能表现的前提下优化代码结构。进行重构的前提是预先检测出代码异味问题, 针对代码异味的检测方法经历了逐步发展的过程。最初的工作侧重于判断异味的存在与否，随后发展为根据异味的不同特征对其进行分类，并对其性质进行分析。这种逐步深入的研究使得代码异味检测技术能够更加精确地为重构提供依据。
Moha等人[15]通过使用DETEX，研究证明了该方法在检测代码和设计异味方面具有良好的精度和召回率。实验证明了DETEX能够有效地定义和检测多种代码与设计异味，提供了提升代码质量和系统可维护性的工具。Hall等人[16]表明尽管代码异味作为一种概念被广泛接受，但当前的研究并未充分证明其在实际代码重构中的有效性，未来需要更多关于代码异味影响及使用效果的实证研究。Ouni等人[17]提出了一种基于开发历史的多目标优化自动化重构方法，利用NSGA-II算法在代码异味修复、开发历史相似性利用和语义一致性之间进行权衡，实验表明该方法在修复代码异味和保持重构语义一致性方面有明显优势。
第2章 相关工作
2.1 代码异味与死代码
代码异味（Code Smell）通常表现为源代码中的不良设计模式或不合理结构，虽然这些问题未必会导致程序运行错误，但它们却暗示着代码质量的潜在问题。代码异味通常会增加代码的复杂性[39]，使得后续的代码维护变得更加困难[40]，甚至可能对软件的长期稳定性造成影响[41]。
死代码（Dead Code）是一种特殊的代码异味，指的是无法执行或不再被引用的代码片段，在商业软件和开源项目中较为普遍[3]。Boomsma等人[36]表示许多工业软件系统中存在大量的死代码，其研究发现死代码占源码总量的30%~50%。图2-1为含有死代码的异味实例。
2.2 代码文本信息
在软件工程领域，异味检测的核心挑战之一是如何表示源代码，以便准确捕捉源代码隐藏的结构化与语义层次信息。传统的基于信息检索的方法倾向于将程序源代码视为自然语言文本进行分析，但由于源代码具有独特的结构逻辑和层次化信息，这种方法可能忽略了代码的语法和语义细节，导致对源代码的语义分析存在不足，是否会对分类结果造成影响。相比之下，抽象语法树（AST）作为源代码的高度抽象表示，提供了一种比传统文本分析方法更为精准和结构化的表达方式。AST通过树形结构简化了源代码中的语法细节，仅保留核心的语法规则和层次化结构，因此能够更加有效地揭示代码的结构与逻辑。AST广泛应用于各类软件工程研究之中，包括缺陷预测[43]、异味分类[12]和异味强度排序[44]等领域。
抽象语法树（Abstract Syntax Tree, AST）是一种用于表示源代码结构的树形数据结构，其中每个节点代表源代码中的一个语法构造。它通过抽象化源代码的语法规则，去除了不影响程序语义的细节（如括号和分号），因此相较于具体语法树，它更加简洁并具有更强的表达力。AST通过将代码分解为语法单元（如变量、操作符、表达式等），使得程序的语法结构能够以树形的方式呈现，根节点通常表示程序的整体结构或表达式的最外层，定义了程序的主要逻辑或语法框架。而子节点则表示具体的语法元素或操作符，构成了该结构或表达式的组成部分，细化了具体的计算或控制流程。此外，节点之间通过有向边连接，体现了各结构之间的层次和依赖关系，使得程序的语法结构能够以树形的方式呈现，为代码分析、优化、转换等程序分析任务提供了有效的支持。
第3章 基于深度学习模型的死代码检测方法 ...................... 34
3.1 文本信息的获取 ............................... 35
3.2 文本信息的预处理及词向量映射 ........................ 36
3.3 代码度量特征提取表示 ............................. 38
第4章 实验设计及结果分析 ............................ 41
4.1 实验环境及数据集 ........................... 42
4.2 评估标准 ...................................... 43
4.3 实验设计 ............................... 43
第5章 总结与展望 .............................. 50
5.1 结论 .................................................. 50
5.2 未来工作展望 ............................ 50
第4章 实验设计及结果分析
4.1 实验环境及数据集
本文实验环境如下：操作系统是Windows11，处理器是Intel(R) Core i5-12500H CPU @3.1GHz，内存为16GB，GPU为NVIDIA GeForce RTX3050 Laptop，所用软件为Pycharm，开发语言为Python。数据集由源代码的文本信息、度量特征、标签值构成。为了综合评估实验分类模型的性能，实验数据集中应用程序均来自Github，包括12个基于Java语言的应用程序，如表3-1所示，各程序规模不一且来自不同领域。代码行数总计747027，其中包括6287个类和60588个方法。方法级数据共19281条，类级数据共4167条，所有应用程序的死代码实例平均约为16.3%。数据集由1个死代码标签、300维文本词向量以及代码度量特征组成，数据集格式如图4-1(a)所示，RQ2所需数据集格式如图4-1(b)、4-1(c)所示。
第5章 总结与展望
5.1 结论
死代码会逐渐导致软件质量的衰退，降低软件的可理解性和可维护性，使代码库膨胀，增加开发人员调试和修改的成本，造成不必要的编译开销和资源浪费，死代码可能隐藏历史遗留问题，导致潜在错误，从而影响系统的稳定性和可靠性。因此，及时检测并清理死代码对于提升软件质量、降低维护成本、优化资源利用以及保障系统安全性具有重要意义。本文主要研究内容与贡献如下：
（1）针对现有死代码检测工具和方法存在的诸多不足，如检测准确率低、依赖人工确定阈值、过度依赖代码度量信息等。本文提出了一种融合长短期记忆网络和卷积神经网络等深度学习模型，以提升死代码检测的效果。该方法不仅考虑了源代码的层次结构和语义信息，还结合了代码度量特征，从而让模型更全面的学习代码的上下文依赖关系及结构特征，从而有效提升检测准确率。并且选择性能较好的机器学习模型在相同的数据集下的检测结果与深度学习模型进行对比。根据数据显示，LSTM在检测死代码这种特殊的代码异味上，其检测效果优于所选择的机器学习分类器。
（2）针对目前可供深度学习或机器学习使用的数据集较少的情况下，本文提出了一种数据集构建方法，选取跨领域开源应用程序作为基础语料库，在现有静态工具的帮助下以及人工干涉做出标签，经过解析源代码的文本信息与度量信息的相结合所生成的特征集，解决了模型需要大量数据的需求问题。
（3）利用了CNN对于代码度量信息进行特征提取，最大程度上扩展了选取度量信息的范围，从而有效减少人工干预并提高特征提取的效率和准确性，能够通过卷积核捕捉这些局部关联并加以利用，从而有效识别代码的潜在问题。
参考文献（略）