[Paper] 嵌入软件意图：轻量级 Java 模块恢复

Source: arXiv - 2512.15980v1

Overview

论文介绍了 ClassLAR，一种轻量级技术，能够自动从大型单体代码库中提取 Java 9 模块定义。通过将全限定类名视为“软件意图”并将其输入语言模型，作者能够恢复与系统真实架构高度一致的模块——速度远快于现有的恢复工具。

关键贡献

• 面向意图的恢复：利用包和类名的语义线索（通过语言模型）推断架构意图，无需重量级静态分析。
• 类与语言模型 (ClassLAR)：一种新颖的混合方法，将简单的基于名称的特征与上下文嵌入相结合，实现对真实模块布局的高保真度。
• 性能提升：在 20 个真实 Java 项目上，执行速度比最先进的恢复方法快 3.99 × – 10.5 ×。
• 实证验证：在流行开源仓库上进行全面评估，展示了在多种指标上更优的架构层相似度得分。

方法论

1. Data collection – 对于每个 Java 项目，工具提取每个全限定类名（例如 org.apache.commons.io.FileUtils）。
2. Semantic embedding – 预训练语言模型（例如基于 BERT 的模型）将每个名称转换为密集向量，以捕获词汇意义（“File”、“Utils”、“io”）。
3. Clustering – 使用轻量级聚类算法（例如层次聚合聚类）对向量进行分组，遵循包命名的层次结构特性。
4. Module inference – 将得到的聚类映射到 JPMS 模块描述符（module-info.java），生成一组既反映结构（包层次）又体现功能（语义相似性）意图的模块。
5. Evaluation – 使用诸如 MoJoFM、NED 和包级内聚等架构相似性度量，将恢复的模块与手工策划的模块布局进行比较。

整个流水线在中等规模项目上只需几秒钟即可完成，因为它避免了昂贵的字节码分析，仅依赖轻量级文本处理和向量运算。

Results & Findings

• 更高的架构相似度：ClassLAR 始终能够生成与开发者预期架构更为吻合的模块分组，优于基于静态依赖的恢复方法。
• 速度：由于仅解析类名，该方法呈线性扩展，即使在拥有超过 10 k 类的项目中也能保持在一分钟以内。
• 鲁棒性：语言模型捕捉到了细微的意图（例如 “crypto” 与 “security” 的区别），而纯粹的包结构启发式方法则会遗漏这些信息，从而在模块内部实现了更好的功能内聚性。

实际意义

• 快速 JPMS 迁移：团队可以为传统单体项目快速生成 module-info.java，无需手动重构，将迁移时间从数周缩短到数小时。
• 持续的架构监控：将 ClassLAR 集成到 CI 流水线中，检测代码与声明模块之间的漂移，在封装错误出现之前提醒开发者。
• 工具生态系统：轻量化的特性使其易于嵌入 IDE 插件、构建工具（Maven/Gradle）或代码审查机器人，实时建议模块边界。
• 可维护性提升：通过将代码库对齐到显式模块，开发者获得更强的封装保证、更清晰的依赖图，以及对 Java 服务加载机制的更好支持。

限制与未来工作

• 名称质量依赖：项目如果使用不恰当的包/类名（例如通用的 util 包），会降低嵌入质量，从而导致模块划分不够准确。
• 语言模型范围：当前模型基于通用 Java 语料库进行训练；领域特定词汇（例如科学计算）可能需要微调。
• 动态行为被忽略：ClassLAR 不会分析运行时的反射或动态类加载，这在高度动态的系统中可能影响模块边界。

未来的研究方向包括：引入轻量级的静态依赖图以补充名称语义、将该方法适配到其他 JVM 语言（Kotlin、Scala），以及探索对持续演化代码库的增量恢复。

作者

• Yirui He
• Yuqi Hu
• Xingyu Chen
• Joshua Garcia

论文信息

• arXiv ID: 2512.15980v1
• 分类: cs.SE, cs.AI
• 出版时间: 2025年12月17日
• PDF: 下载 PDF