Chulalongkorn University Theses and Dissertations (Chula ETD)

การประยุกต์ใช้วิธีการจัดกลุ่มข้อมูลแบบลำดับชั้นในการระบุวัตถุซอฟต์แวร์ที่เป็นไปได้ จากโปรแกรมต้นฉบับเชิงโครงสร้างภาษาซี

Other Title (Parallel Title in Other Language of ETD)

Applying hierarchical clustering method for identifying possible software objects in a structural C source program

Year (A.D.)

2002

Document Type

Thesis

First Advisor

พรศิริ หมื่นไชยศรี

Faculty/College

Faculty of Engineering (คณะวิศวกรรมศาสตร์)

Degree Name

วิศวกรรมศาสตรมหาบัณฑิต

Degree Level

ปริญญาโท

Degree Discipline

วิศวกรรมคอมพิวเตอร์

DOI

10.58837/CHULA.THE.2002.1445

Abstract

วิทยานิพนธ์นี้ได้ทำการออกแบบวิธีการระบุวัตถุซอฟต์แวร์ที่เป็นไปได้ ซึ่งนำวิธีการจัดกลุ่มข้อมูลแบบลำดับชั้นมาประยุกต์ใช้ ร่วมกับการให้ค่าน้ำหนักความสัมพันธ์ที่เกิดจากส่วนข้อมูลสตรักท์และยังได้ทำการพัฒนาเครื่องมือระบุวัตถุซอฟต์แวร์ที่เป็นไปได้ รวมถึงการทดลองเพื่อศึกษาผลการใช้งานวิธีการดังกล่าวเปรียบเทียบกับวิธีการอื่น ๆ วิธีการที่ออกแบบขึ้นประกอบด้วยชั้นตอนการทำงานหลัก 4 ชั้น คือ (1) การคัดแยกส่วนประกอบเดิม โดยเลือกเอาเฉพาะส่วนข้อมูลสตรักท์ ส่วนข้อมูลตัวแปรโกลบอล และส่วนคำสังแยกออกมา (2) การหาความสัมพันธ์ระหว่างส่วนประกอบเดิม โดย กำหนดนิยามความสัมพันธ์เฉพาะเจาะจงขึ้นมาใช้ตรวจสอบ (3) การจัดเรียงส่วนประกอบเดิม โดยใช้วิธีการจัดกลุ่มข้อมูลแบบลำดับชั้นร่วมกับการให้ค่าน้ำหนัก และ (4) การระบุวัตถุซอฟต์แวร์ที่เป็นไปได้โดยเลือกส่วนคำสั่งภายในคลัสเตอร์ที่มีความหมาย นำมาประกอบเข้ากับส่วนข้อมูลที่เกี่ยวข้องกัน จากการทดลองใช้วิธีการนี้กับโปรแกรมเชิงโครงสร้างภาษาซีที่ค่าน้ำหนักต่าง ๆ กัน ได้ข้อสรุปว่า วิธีการนี้ทำงานให้ผลลัพธ์ดีที่สุดที่ค่าน้ำหนัก -1% -5% และ -25% รองลงมาคือค่าน้ำหนัก +1% +5%+25% +75% และอันดับถัดไปคือค่าน้ำหนัก -75%

Other Abstract (Other language abstract of ETD)

This research has been performed to design, develop and study the object identification method that applies hierarchical clustering analysis and struct-based relation weighting. The designed method consists of several steps, which are (1) extracting artifacts: struct, global variable and function, (2) exploring relation between these artifacts, (3) using hierarchical clustering analysis and weighting for artifact classification, and (4) identifying candidate objects. The results showed that this method provided different outputs at different weight values. The best output came from the experiment at -1%, -5% and -25% weight, the next occurred at +1%, +5%, +25% and +75% weight, and then the output at -75% weight.

ISBN

9741708793

Link to Full Text

Share

COinS