TUM School of Computation, Information and Technology
Advisor:
Pretschner, Alexander (Prof. Dr.)
Referee:
Pretschner, Alexander (Prof. Dr.); Khomh, Foutse (Prof., Ph.D.)
Language:
en
Subject group:
DAT Datenverarbeitung, Informatik
Keywords:
software maintainability, machine learning
Translated keywords:
Software Wartbarkeit, Machine Learning
TUM classification:
DAT 310
Abstract:
The manual analysis of the non-functional properties of a software system is a tedious process. This dissertation investigates using machine learning to support the maintainability assessment of a system. The developed classification models can detect problematic source code and report the findings to the analysts. As a result, they reduce the amount of manual work and thus increase the efficiency of maintainability assessments.
Translated abstract:
Die manuelle Analyse der nicht-funktionalen Eigenschaften eines Softwaresystems ist ein aufwändiger Prozess. Diese Dissertation untersucht, inwieweit die Beurteilung der Wartbarkeit eines Systems durch maschinelles Lernen unterstützt werden kann. Die entwickelten Modelle können problematische Stellen im Programmcode erkennen und weisen die Analysten auf diese hin. Dadurch reduzieren sie den manuellen Anteil solcher Wartbarkeitsanalysen und steigen damit deren Effizienz.