2. 大规模流数据集成与分析技术北京市重点实验室, 北京 100144;
3. 中国科学院 软件研究所, 北京 100190;
4. 北京航空航天大学 计算机学院, 北京 100191
2. Beijing Key Laboratory on Integration and Analysis of Large-Scale Stream Data, Beijing 100144, China;
3. Institute of Software, The Chinese Academy of Sciences, Beijing 100190, China;
4. School of Computer Science and Engineering, Beihang University, Beijing 100191, China
开源软件是指允许用户基于OSI列出的开源协议, 在协议许可的范围内自由使用、修改软件源代码, 且可以将软件源代码与其他软件代码进行结合使用的一种软件形式[1].开源软件的兴起与活跃有力地促进了软件以及相关技术的进步.开源软件发展至今已取得巨大成功, 这些成功从对Web服务器、移动操作系统和数据库等相关技术的发展中得到了验证[2].社交化开发平台GitHub是众多开源软件的社区之一, 它不仅允许个人和组织创建、浏览代码库, 而且还提供社区化软件开发的功能, 包括允许用户关注其他用户, 组织仓库的动态, 跟踪仓库代码的改动、Bug和评论等.同时, GitHub也提供供仓库使用的Wiki以及使用Git进行项目协同开发[3].截止到目前为止, GitHub上已拥有超过1 200万个开源项目, 且这个数目仍在不断增长[4].对开发过程中的影响因素及其相关性分析, 在一定程度上可以揭示GitHub开源软件发展水平的高低与项目进展的好坏.
影响GitHub开发过程的因素很多, 其中包括开发者能力水平的高低、开发者人数多少、开源软件的问题解决快慢和用户参与的激励等.这些因素中有一部分是商业行为, 比如大型软件公司在背后的支持等, 有一部分虽然可能是商业行为在开发过程中的间接体现, 但却存在一些客观的数据, 比如开发者人数多少、开源软件的问题解决快慢等.现有针对GitHub开发过程中的影响因素分析的研究将这些商业行为和客观的数据夹杂在一起考虑, 这使得对影响GitHub开源软件项目开发过程的因素中的商业成分和非商业化成分难以进行区分, 并让分析GitHub开源软件开发过程的影响因素之间的相关性具有不确定性.
本文从开源软件开发过程中产生的数据进行分析, 提出了问题(issue)解决速度、提交(commit)增加速度、问题增加速度、请求合并(merge)增加速度、问题评论(comment)速度、合并评论速度、解决问题总量和对代码变化速度等影响因素, 并对这些因素之间存在的相关性进行了分析.第1节介绍针对GitHub开源软件的相关研究, 重点介绍影响GitHub开源软件开发过程研究的相关方法.第2节给出影响因素的相关假设, 并详细描述了影响GitHub开源软件开发过程中的影响因素.第3节详细阐述影响开源软件开发过程中的影响因素相关性分析方法.第4节利用分析方法进行实验并对实验结果进行详细分析.最后进行总结, 并对后续工作进行展望.
1 相关研究及研究动机分布式版本控制系统的出现, 催生了开源软件并促进了其发展[4].开源软件与传统软件在很多方面存在不同[5, 6].针对开源软件的各种特征, 很多学者进行了研究.Mockus等人研究了开发者是如何在大型开源软件开发中进行交互的[7].Krishanmurthy通过对Sourceforge.net上前100个开源软件的分析, 得出了开源软件开发与管理人员的组成情况[8].Hars等人对开源软件得以发展的内在动力进行了研究, 结论是:内部动力包括利他主义、开源社区的身份认同感; 外部动力是贡献者看好开源软件未来的发展以及个人需求[9].Lakhani等人从贡献者所需的激励角度出发, 指出开源软件开发过程中贡献者的激励来自于参与讨论的乐趣以及对软件进行改进的需求[10]. Sohn等人利用传统软件质量评价体系ISO/IEC9126对开源软件的质量因素对用户使用的影响进行了分析, 结果表明:功能性、效率、共享性等质量因素对用户使用有显著的直接影响, 软件移植性、可靠性和可维护性等质量因素对用户使用有间接影响[11].Subraniam等人研究了开源软件的成功因素, 指出开源软件的成功因素包括两类:非时变变量与时变变量.非时变量包括编程所使用语言、采用的许可证类型等, 时变变量包括软件项目的开发阶段和上一个时期的用户数等[12].Evangelos等人调研了有些开源软件最终失败的原因, 指出使用者的参与以及核心贡献者间的沟通好坏是开源软件成功与否的关键[13].由于GitHub的pull-request的特性, 使得其开源软件的开发过程的研究呈现出自身的特征.Dabbish等人发现, GitHub的透明性使得贡献者能够更好地管理项目的开发[14].Peterson等人发现:开源软件的开发过程与传统软件的开发过程有很多相似之处, 但不同之处在于开源软件开发过程中有更快的修改和更新次数[15].Gousios等人对基于推送的软件开发模型进行调研, 指出基于这样的开发模型(以GitHub为例)有很多优势, 比如使得贡献者之间的沟通更加频繁等[16].Zhou等人分析了新加入的开发人员成为长期贡献者的影响因素, 从多个方面对开发人员做出的贡献进行了分析, 实验结果显示:新加入的开发者在加入项目的第1个月表现会非常活跃, 且他们会更愿意对问题进行评论; 另外, 环境对新加入的开发者也影响很大, 如果其所在的环境很活跃, 凝聚力很强, 开发者成为长期贡献者的概率会相应增加[17]. Casebo等人提出了基于作者熵(author entropy)的方法, 量化开发人员对文件的贡献, 结果发现:开发人员对同一文件的贡献越平均, 则文件的作者熵越大.另外, 当两位开发人员修改同一个文件时, 大文件和小文件相比更倾向于拥有主导者.除此之外, Casebo等人还指出, 非主导者对文件的修改主要包括:接口修改、缺陷修复、代码格式的修改即输出信息的修改[18].
从上述研究可以看出:许多研究者都关注到开源软件开发过程中的影响因素, 但却忽略了开源软件开发过程中影响因素的相关性分析.而影响因素间的相关性分析可以帮助开源软件的贡献者更好地参与到开发与维护中去, 同时能够在一定程度上提高开源软件开发的效率与质量.比如是否可以通过调节开源软件开发过程中的某个或某几个影响因素, 来达到加快开源软件开发过程中问题解决的速度.类似这样的问题, 成为本文研究的主要动机:为了让开源软件的开发过程更快更好地进行, 我们可以调节哪些影响因素?怎样去调整?鉴于此, 本文提出如下研究问题:
(1) 影响GitHub开源软件开发过程中的主要因素之间是否存在相关性, 如果存在, 其相关性如何.
(2) 如何利用GitHub开源软件开发过程中影响因素的相关性, 更好地指导开源软件的开发.
针对上述研究问题, 本文在接下来的内容中对此进行详细的描述.
2 GitHub开源软件开发过程的影响因素GitHub开源软件开发过程中会产生大量的数据, 这些数据在一定程度上反映出影响开发过程的因素.为了获得这些数据并进行挖掘, 需要分析GitHub开源软件的开发过程.一般而言, GitHub开源软件的开发过程包含若干个工作流程, 一个典型的GitHub工作流如图 1所示, 其中包括讨论问题、指定事务、执行事务、审查事务和问题解决后迭代等5个步骤.讨论问题步骤中, 主要是许多开发人员就一个新的功能或需要修改的功能进行沟通, 并最终确定要增加或修改什么样的功能; 某次讨论结束后, 专门为需要增加或修改的功能创建一个事务; 接下来是实现或修改该功能; 功能完成之后会推送到远程进行审查; 审查通过后会将代码合并到主分支.
对GitHub开源软件开发过程中的工作流进行分析, 可以找到影响GitHub开源软件开发过程带来影响的因素.接下来给出GitHub工作流的形式化定义.
定义1(GitHub工作流(GHW)). GitHub工作流可以表示为四元组GHW={S,P,M,N}, 其中,
● S表示提交, 可以表示为三元组S={s_num,comment_commit,author}, 其中, s_num表示提交次数, comment_commi表示对提交的评论, author表示提交的作者;
● P表示讨论的问题, 可以表示为三元组P={des,comment_problem,sta}, 其中, des表示问题的描述, comment_problem表示对问题的评论, sta表示问题的状态;
● M表示请求合并, 可以表示为四元组M={add_merge,del_merge,comment_merge,merge_id}, 其中, add_merge表示合并时增加的代码行数, del_s表示合并时删除的代码行数, comment_merge表示对合并的评论, merge_id表示请求合并的编号;
● N表示贡献者的人数.
针对S, P, M和N的进一步分析, 可以细化GitHub工作流中所包含的内容, 接下来给出S, P, M和N中相关概念的定义.
定义2(提交总量(S_ALL)).提交总量S_ALL指的是仓库历史提交次数之和.S_ALL可以由如下公式计算:
$ \mathit{S}\_\mathit{ALL}=\sum\limits_{\mathit{i}=0}^{\mathit{n}}{\mathit{s}}\_\mathit{nu}{{\mathit{m}}_{\mathit{i}}} $ | (1) |
其中, i表示序号, s_numi表示第i次提交的次数, n表示最后一次提交的序号.
定义3(问题总量(P_ALL)).问题总量P_ALL指仓库历史问题个数之和.P_ALL可以由如下公式计算:
$ \mathit{P}\_\mathit{ALL}=\sum\limits_{\mathit{i}=0}^{\mathit{n}}{\mathit{p}}\_\mathit{nu}{{\mathit{m}}_{\mathit{i}}} $ | (2) |
其中, i表示序号, p_numi表示第i次问题个数, n表示最后一次问题的序号.
定义4(解决问题总量(P_SOL_ALL)).解决问题总量P_SOL_ALL指在某个时间点, 解决仓库历史问题个数之和.P_SOL_ALL可以由如下公式计算:
$ \mathit{P}\_\mathit{SOL}\_\mathit{ALL}=\sum\limits_{\mathit{i}=0}^{\mathit{k}}{\mathit{p}}\_\mathit{sol}\_\mathit{nu}{{\mathit{m}}_{\mathit{i}}} $ | (3) |
其中, i表示序号,
定义5(问题的评论速度(P_COM_VEL)).问题评论速度P_COM_VEL指仓库在某个时间段(记为d)内, 平均每天问题评论的个数.P_COM_VEL可以由如下公式计算:
$ \mathit{P}\_\mathit{COM}\_\mathit{VEL}=\frac{\mathit{comment}\_\mathit{p}\_\mathit{all}}{\mathit{d}} $ | (4) |
定义6(问题解决速度(P_SOL_VEL)).问题解决速度P_SOL_VEL指仓库在某个时间段(记为d)内, 平均每d天解决问题的个数.P_SOL_VEL可以由如下公式计算:
$ \mathit{P}\_\mathit{SOL}\_\mathit{VEL}=\frac{\mathit{p}\_\mathit{sol}\_\mathit{all}}{\mathit{d}} $ | (5) |
其中, p_sol_all表示解决问题总量, d表示时间段内包含的天数.
定义7(请求合并增加速度(M_ADD_VEL)).请求合并增加速度M_ADD_VEL指仓库在某个时间段(记为d)内, 平均每天增加的请求合并次数.M_ADD_VEL可以由如下公式计算:
$ \mathit{M}\_\mathit{ADD}\_\mathit{VEL}=\frac{\mathit{m}\_\mathit{add}\_\mathit{all}}{\mathit{d}} $ | (6) |
其中, m_add_all表示在时间段内请求合并的总次数, d表示时间段内包含的天数.
定义8(合并速度(M_VEL)).合并速度M_VEL指仓库在某个时间段(记为d)内, 平均每天成功合并的次数.M_VEL可以由如下公式计算:
$ \mathit{M}\_\mathit{VEL}=\frac{\mathit{m}\_\mathit{sus}\_\mathit{all}}{\mathit{d}} $ | (7) |
其中, m_sus_all表示在时间段内总的成功合并的总次数, d表示时间段内包含的天数.
定义9(贡献者人数(N)).贡献者人数N指仓库历史上做出贡献者的总人数.N可以由如下公式计算:
$ \mathit{N}=\sum\limits_{\mathit{j}=0}^{\mathit{n}}{{{\mathit{a}}_{\mathit{j}}}} $ | (8) |
其中, j表示仓库历史中每一天的序号, 从0开始; aj表示第j天成为贡献者的人数; n表示统计的仓库历史中的最后一天.
定义10(代码变化速度(C_VEL)).代码变化速度C_VEL指仓库在某个时间段(记为d)内, 平均每天变化的代码行数.C_VEL可以由如下公式计算:
$ \mathit{C}\_\mathit{VEL}=\frac{c\_\mathit{all}}{\mathit{d}} $ | (9) |
其中, c_all表示代码总的变化量, d表示时间段内包含的天数.
3 GitHub开源软件开发过程中影响因素相关性分析 3.1 影响因素相关性分析框架GitHub开源软件开发过程影响因素的相关性分析框架如图 2所示.从图 2可以看出, 影响因素相关性分析主要包括数据收集、采集影响数据、影响因素相关趋势分析和影响因素相关性分析等4个主要的步骤.面对数量庞大的GitHub开源软件仓库, 首先需要对这些仓库进行查询, 然后对符合要求的仓库按照时间进行数据的抓取, GitHub开源软件开发过程中的数据采集有多种方法, 比如网络爬虫和GitHub API等, 本文采用调用GitHub API的方式进行数据采集, 该方法通过拼接URL, 发送http请求, 返回HTTP响应内容, 并对正文中的Json格式数据进行解析, 然后显示结果或存入本地.
在抓取到数据后, 还需要对数据进行预处理.经过预处理后的数据会保存到本地, 成为影响分析的初始数据.根据此前所提到的影响因素, 对其中的数据进行采集, 能够得到影响因素数据.对影响因素数据进行相关趋势分析, 可以得到相应的趋势图.从趋势图中可以看到影响因素之间存在的大致的相关性.
3.2 影响因素之间的相关性分析GitHub开源软件开发过程的影响因素有很多, 考虑到影响因素之间相关性的复杂性, 且由于影响因素之间可能存在线性相关或非线性相关, 因此仅考虑两种影响因素之间的相关性以及相关性的趋势图.所考虑相关性的两种影响因素如下.
(1) 贡献者人数N与问题解决速度P_SOL_VEL.
在传统的软件开发中, 贡献者人数越多, 问题解决的速度越快.这样类似的结论在GitHub开源软件的开发过程中是否也存在?贡献者人数N对问题解决速度P_SOL_VEL影响的分析有助于回答这个问题.
在对贡献者人数N对问题解决速度P_SOL_VEL的影响进行相关性分析时, 以贡献者人数N为横坐标, 问题解决速度P_SOL_VEL为纵坐标, 将得到的影响因素数据中的贡献者人数N和问题解决速度P_SOL_VEL在坐标轴上进行映射, 看两者是否存在相关性.
(2) 问题增加速度P_ADD_VEL与请求合并增加速度M_ADD_VEL.
通过考虑问题增加速度P_ADD_VEL对请求合并增加速度M_ADD_VEL之间相关性, 可以看出问题增加的频率越快是否会导致请求合并增加的速度越快.
在对问题增加速度P_ADD_VEL与请求合并增加速度M_ADD_VEL进行相关性分析时, 以问题增加速度P_ADD_VEL为横坐标, 请求合并增加速度M_ADD_VEL为纵坐标, 将得到的影响因素数据中在坐标轴上进行映射, 看两者是否存在相关性.
类似地, 本文还考虑以下影响因素之间的相关性.
(3) 问题评论速度P_COM_VEL对问题解决速度P_SOL_VEL;
(4) 解决问题总量P_SOL_VEL与代码变化速度C_VEL.
另外, 本文还提出了影响因素的相关性评价指标, 用来衡量因素之间存在的相关程度.
4 实验 4.1 实验目的验证GitHub开源软件开发过程中影响因素存在相关性, 且能够用图表进行直观表征.在实验目的达到的前提下, 能够给出利用GitHub开源软件开发过程中影响因素的相关性, 给出指导开源软件更好地开发的一些建议.
4.2 实验工具与数据集为了方便实验, 实现了一个GitHub开源软件开发过程数据收集与分析工具Ghda.本实验选取了1 000个开源软件[20], 规模大小有2 000KB的, 也有多达640 138KB的大型程序.收集这些开源软件数据的时间间隔最短为1年, 最长的接近6年.表 1是部分开源软件的列表.
表 1分为8列, 其中, 软件名称指所使用开源软件的名称描述; 简介指该开源软件所具备的主要功能描述; 大小指开源软件的规模, 以KB为单位; 收藏指GitHub上获得称赞(star)的次数; 关注指GitHub上被关注(watch)的次数; 拷贝表示GitHub上fork的次数; 创建日期表示仓库在GitHub上的创建日期; 采集截止日期表示收集该仓库在GitHub上的某一个时间节点.
4.3 评价指标1.影响因素的相关性(impact factors correlation, 简称IFC)
IFC用来衡量因素之间存在的相关程度, 其值可以由如下公式计算:
$ IFC=\frac{\sum\limits_{\mathit{i}=1}^{\mathit{n}}{\rm{(}{{\mathit{x}}_{\mathit{i}}}\rm{-}\mathit{\bar{x}}\rm{)(}{{\mathit{y}}_{\mathit{i}}}\rm{-}\mathit{\bar{y}}\rm{)}}}{\sqrt{n\sum\limits_{\mathit{i}=1}^{\mathit{n}}{{{\rm{(}{{\mathit{x}}_{\mathit{i}}}\rm{-}\mathit{\bar{x}}\rm{)}}^{\rm{2}}}\cdot \sum\limits_{i=1}^{n}{{{\rm{(}{{\mathit{y}}_{\mathit{i}}}\rm{-}\mathit{\bar{y}}\rm{)}}^{\rm{2}}}}}}} $ | (10) |
IFC是按积差方法计算, 以两因素与各自平均值的离差为基础, 通过两个离差相乘反映两因素间的相关程度.IFC的值越大, 表示两因素间的相关程度越高; 反之, 则表示两因素间的相关程度越低.IFC>0表示两因素之间存在正相关, IFC<0表示两因素之间存在负相关, IFC=0表示两因素之间不存在线性相关, IFC=1表示两因素之间存在完全线性相关.
2.积极影响(positive impact, 简称PI)
影响因素的相关性IFC虽然能够衡量因素间的相关程度, 但因素间是否存在积极影响却还需要一定阈值来限定.一般来说, 当满足不等式0.5<IFC≤1时, 可以认为两因素间存在积极影响.
3.消极影响(negative impact, 简称NI)
与积极影响类似, 因素间是否存在消极影响也需要一定阈值来限定.一般来说, 当满足不等式-1<IFC<-0.5时, 可以认为两因素间存在消极影响.
4.难以确定影响(uncertain impact, 简称UI)
当满足不等式-0.5≤IFC≤0.5时, 可以认为两因素间难以确定是否存在影响.
4.4 实验结果及分析实验1.典型项目的影响因素间的相关性关系分析
为了初步看出本文所提的几个影响因素间的相关性, 对上述8个项目的相关性进行了直观的图形展示, 如图 3~图 6所示.需要注意的是, 本文所提到的速度中所取的时间间隔d为周.
贡献者人数对问题解决速度之间的相关性如图 3所示, 从图 3可以看出:所有仓库对应的曲线斜率都是先逐渐增加, 然后又逐渐下降, 部分仓库还出现了波峰与波谷.这表明在开发过程的前期, 贡献者人数越多, 问题解决速度越快; 而到了一定阶段, 贡献者人数的多少与问题解决速度之间不存在必然的关系.在这个阶段, 可能也是GitHub开源软件逐渐趋于成熟.
问题增加速度与请求合并速度之间的相关性如图 4所示.从图 4可以看出:除了仓库GPUImange的问题增加速度增大时其请求合并速度略微下降之外, 其他的7个仓库都存在问题增加速度越快, 其请求合并速度也越快的现象.
问题评论速度与问题解决速度之间的相关性如图 5所示.从图 5可以看出:所有的8个仓库都存在问题评论速度越快, 其问题解决速度也越快的现象.
解决问题总量与代码变化速度之间的相关性如图 6所示.从图 6可以看出:所有的8个仓库都存在随着解决问题总量的增加, 代码变化速度越慢的情况.
为了进一步了解这些因素之间存在的相关性, 本文还利用IFC衡量这些因素之间存在的相关程度.
实验2.贡献者人数N与问题解决速度P_SOL_VEL.
实验的结果如图 7所示.从图 7可以看出:在所选的1 000个项目中, 贡献者人数与问题解决速度之间存在积极影响的项目个数接近800个, 而存在消极影响的项目个数也超过了200个, 难以确定影响的项目只有3个.
为了进一步分析贡献者人数与问题解决速度之间的相关性, 对这1 000个项目进行了第2次分析, 分别从人数增长初期(25人)、人数增长中期(100人)和人数增长后期(200人)进行分析, 得出的结果如图 8所示.从图 8可以看出:在人数增长初期, 贡献者人数与问题解决速度存在明显的积极影响; 而随着项目开发过程往前推进, 超过200个项目的贡献者人数与问题解决速度存在消极影响; 到了人数增长后期, 贡献者人数与问题解决速度之间的影响因素存在更多的不确定性.
根据上面的实验, 再结合实际的GitHub开发过程来对实验2的分析, 可以看出:在项目开发的初期, 贡献者人数较少, 但问题解决得相对较快; 随着项目的进行, 虽然贡献者人数有所增加, 但问题解决速度却并没有增加; 而到了贡献者人数达到一定的规模, 其问题解决速度却不一定明显比此前快.原因可能是初期贡献者热情很高, 项目也有很多有待完善的地方; 随着项目逐渐成熟, 贡献者热情有所降低, 使得问题的解决速度相对下降.
实验3.问题增加速度P_ADD_VEL与请求合并增加速度M_ADD_VEL.
实验结果如图 9所示.从图 9可以看出:1 000个项目中, 超过900个项目的问题增加速度与请求合并速度存在积极影响, 少于100个项目中的问题增加速度与请求合并速度存在消极影响, 只有6个项目中的问题增加速度与请求合并速度之间的相关性难以确定.
根据上面的实验, 再结合实际的GitHub开发过程来对实验3的分析, 从中可以看出:在项目开发的过程中, 当问题增加的速度增加时, 可能会导致参与开发的程序员积极性变高, 使得请求合并增加速度加快.但也需要注意的是, 这种现象不是出现在所有的项目中.在实验3中, 大约有9%的项目出现问题增加速度与请求合并速度存在消极影响或相关性难以确定.后续对这些项目做进一步的分析发现:大部分项目的开发人员较少, 且问题增加相对缓慢, 而请求合并增加数量也不多, 因此导致这两者之间没有必然的相关性.
实验4.问题评论速度P_COM_VEL对问题解决速度P_SOL_VEL.
实验结果如图 10所示.从图 10可以看出:1 000个项目中, 超过990个项目的问题评论速度与问题解决速度存在积极影响, 少于10个项目的问题评论速度与问题解决速度存在消极影响, 只有2个项目中的问题评论速度与问题解决速度之间的相关性难以确定.
根据上面的实验, 再结合实际的GitHub开发过程对实验4的分析, 可以看出:在项目开发的过程中, 当问题评论的速度增加时, 表明参与开发的程序员对问题的关注度变高, 从而在一定程度上使得问题解决速度加快.而对于还有存在消极影响或难以确定影响的10多个项目, 本文也做了进一步的调研和分析, 结果发现:这些项目也存在开发人员数目较少, 且代码更新的速度也相当慢, 从而使得问题评论速度与问题解决速度之间没有必然的积极影响.
实验5.解决问题总量P_SOL_ALL与代码变化速度C_VEL
实验结果如图 11所示.从图 11可以看出:1 000个项目中, 超过980个项目的解决问题总量与代码变化速度存在消极影响, 少于20个项目的问题评论速度与问题解决速度存在积极影响, 只有5个项目中的问题评论速度与问题解决速度之间的相关性难以确定.
根据上面的实验, 再结合实际的GitHub开发过程对实验5的分析, 可以看出:在项目开发的过程中, 随着解决问题总量的增加, 代码越来越趋于稳定, 代码变化的速度也相应变慢.而对于还有存在消极影响或难以确定影响的20多个项目, 本文也做了进一步的调研和分析, 结果发现:这些项目也存在开发人员数目较少, 且有些项目的代码基本上很长时间不再更新, 从而使得解决问题总量与代码变化速度之间没有必然的相关性.
4.5 对研究问题的回答及对GitHub开源软件开发过程的几条建议本文在此前提出了两个研究问题, 在基于上述5个实验的基础上, 这两个问题也有了相应的答案.影响GitHub开源软件开发过程中的主要因素之间存在一定的相关性, 比如本文所提出的贡献者人数N与问题解决速度P_SOL_VEL、问题增加速度P_ADD_VEL与请求合并增加速度M_ADD_VEL、问题评论速度P_COM_VEL与问题解决速度P_SOL_VEL之间就存在一定的积极影响, 解决问题总量P_SOL_VEL与代码变化速度C_VEL则存在一定的消极影响.
利用这些结论, 可以对基于GitHub开源软件的开发过程给出几条建议, 这些建议可以给开源项目的管理者或是参与项目开发的程序员.
(1) 在GitHub开源软件开发初期, 适量地吸引更多的贡献者来参与.这样做的好处是:可以使得问题解决的速度在一定程度上加快, 从而可能提高开发的效率;
(2) 尽量提高提交问题的频率有助于请求合并增加的速度.这样做的好处是:随着提交的问题的频率变快, 请求合并的速度也有可能会加快, 从而可能提高开发的效率;
(3) 尽量提高问题评论的频率有助于问题尽快解决.这样做的好处是:随着对问题评论的频率变快, 问题解决的时间间隔有可能会减少, 从而可能提高开发的效率;
(4) 尽量多解决问题, 这样会尽早使得代码趋于稳定.这样做的好处是:随着解决问题的数量越来越多, 代码中存在的问题可能会越来越少, 从而让开发过程变得更有效率.
另外, 本文也给出了一些实施的建议:对于吸引更多的贡献者来参与开发的问题, 可以采取宣传、激励、寻求企业的支持等方法, 并能经常进行积极地沟通与协作, 使贡献者之间能够和谐地进行工作.对于经验非常丰富的贡献者, 应该采取一定的奖励机制, 使得项目能够更好更快地进行; 有针对性地提高问题提交的频率, 并且为贡献者创造不错的问题评论的氛围, 让大家畅所欲言且能够集中焦点, 这需要从管理学和心理学等多个角度来进行处理; 对于解决问题的快慢, 可以研究开源软件, 尤其是基于GitHub的软件问题分配的各种策略, 采用更好的分配策略, 将问题分配给更合适的贡献者进行修改.
4.6 威胁实验有效性因素GitHub开源软件开发过程中影响因素的相关性分析虽然得到了多条很有意思的结论, 但考虑到所分析的开源软件数目还不够多, 且没有考虑更多的影响因素, 比如贡献者的水平、评论中是否包含情感等因素, 因此, 后续还需要进行更多的实验和考虑更多的影响因素来做进一步的验证.另外, 本文只考虑两种影响因素之间的相关性, 缺乏对多种影响因素之间相关性的考察, 且目前的分析还没有进一步定量化, 后续会在这些方面进行更深的研究.除此之外, 本文所选择的实验程序还只是1 000个开源程序, 与GitHub超过1 200万的项目相比依然是非常小的数目, 因此也有可能存在一定的偶然性.
5 总结与展望本文分析了GitHub开源软件开发过程中的影响因素, 提出了问题解决速度、提交增加速度、问题增加速度、请求合并增加速度、问题评论速度、合并评论速度、解决问题总量和对代码变化速度等影响因素, 并对这些因素之间存在的相关性进行了分析.通过对典型的GitHub开源软件进行实验, 得出了对GitHub开源软件开发过程非常积极的结论.由于GitHub开源软件开发过程非常复杂, 本文肯定还存在一些需要改进的地方.在后续的研究中, 会考虑更多的影响因素和多种影响因素之间的相关性.
致谢衷心感谢北京航空航天大学软件工程研究所开源软件库挖掘小组的成员在此前所做的工作, 同时感谢在百忙之中对本文进行评阅的各位专家.
[1] | DiBona C, Ockman S, Stone M. Open sources: Voices from the open source revolution. Contact Center Call Center&Ip Solutions, 1999 . http://dl.acm.org/citation.cfm?id=553109 |
[2] | Sen R, Singh SS, Borle S. Open source software success: Measure and analysis. Decision Support Systems, 2012, 52(2): 364–372 . [doi:10.1016/j.dss.2011.09.003] |
[3] | Chacon S. Pro Git. 2nd ed. Berkeley: Apress, 2009. . |
[4] | Bird C, Rigby PC, Barr ET, Hamilton DJ, German DM, Devanbu P. The promises and perils of mining Git. In: Proc. of the 6th IEEE Int'l Working Conf. on Mining Software Repositories (MSR 2009). 2009, 37(5):1-10. [doi:10.1109/MSR.2009.5069475] |
[5] | Zhou MH. Looking for micro-process in large-scale data. In: Proc. of the 2nd Int'l Workshop on Evidential Assessment of Software Technologies (EAST 2012). New York: ACM Press, 2012. 39-42. [doi:10.1145/2372233.2372245] |
[6] | Kalliamvakou E, Gousios G, Blincoe K, Singer L, German DM, Damian D. The promises and perils of mining GitHub. In: Proc. of the 11th Working Conf. on Mining Software Repositories (MSR 2014). New York: ACM Press, 2014. 92-101. [doi:10.1145/2597 073.2597074] |
[7] | Mockus A, Fielding RT, Herbsleb JD. Two case studies of open source software development: Apache and Mozilla. ACM Trans. on Softwafe Engineering Methodol, 2002, 11(3): 309–346 . [doi:10.1145/567793.567795] |
[8] | Krishnamurthy S. Cave or community? An empirical examination of 100 mature open source projects. First Monday, 2002, 7(6) . http://papers.ssrn.com/sol3/papers.cfm?abstract_id=667402 |
[9] | Hars A, Ou S. Working for free? Motivations of participating in open source projects. In: Proc. of the 34th Annual Hawaii Int'l Conf. on System Sciences (HICSS-34). 2001. [doi:10.1109/HICSS.2001.927045] |
[10] | Feller J, Fitzgerald B, Hissam SA, Huff KR. Why hackers do what they do: Understanding motivation and effort in free/open source software projects. 2003. 3-21. |
[11] | Sohn S, Mok M. A strategic analysis for successful open source software utilization based on a structural equation model. The Journal of Systems and Software, 2008, 81(6): 1014–1024 . [doi:10.1016/j.jss.2007.08.034] |
[12] | Subramaniam C, Sen R, Nelson ML. Determinants of open source software project success: A longitudinal study. Decision Support Systems, 2009, 46(2): 576–585 . [doi:10.1016/j.dss.2008.10.005] |
[13] | Katsamakas E, Georgantzas N. Why most open source development projects do not succeed? In: Proc. of the 1st Int'l Workshop on Emerging Trends in FLOSS Research and Development (FLOSS 2007). Washington: IEEE Computer Society, 2007. [doi:10. 1109/FLOSS.2007.15] |
[14] | Dabbish L, Stuart C, Tsay J, Herbsleb J. Leveraging transparency. IEEE Software, 2013, 30(1): 37–43 . [doi:10.1109/MS.2012.172] |
[15] | Peterson K. The GitHub open source development process. Technical Report, Mayo Clinic, 2013 . |
[16] | Gousios G, Pinzger M, van Deursen A. An exploratory study of the pull-based software development model. In: Proc. of the 36th Int'l Conf. on Software Engineering (ICSE 2014). New York: ACM Press, 2014. 345-355. http://doi.acm.org/10.1145/2568225. 2568260 [doi:10.1145/2568225.2568260] |
[17] | Zhou M, Mockus A. Who will stay in the FLOSS community? Modeling participant's initial behavior. IEEE Trans. on Software Engineering, 2015, 41(1):82-99. [doi:10.1109/TSE.2014.2349496] |
[18] | Casebolt JR, Krein JL, Maclean AC, Delorey DP. Author entropy vs. file size in the GNOME suite of applications. In: Proc. of the 6th IEEE Int'l Working Conf. on Mining Software Repositories. 2009. 91-94. [doi:10.1109/MSR.2009.5069484] |
[19] | https://github.com |