朱家鑫, 周明辉

1(北京大学 信息科学技术学院 软件研究所,北京 100871)

2(高可信软件技术教育部重点实验室(北京大学),北京 100871)

3(中国科学院 软件研究所 软件工程技术研究开发中心,北京 100190)

随着软件开发支撑技术的发展,相关工具在软件开发生命期中的覆盖度以及在软件项目中的普及程度越来越高.版本控制系统、问题(issue)追踪系统、邮件列表是在开发中最为常见的支撑工具.它们的数据库中(软件仓库)记录了软件的新功能开发、缺陷修复、代码审查等多种活动.随着开源运动的不断发展壮大,开放的软件开发活动数据在不断地累积并达到了非常可观的规模[1].通过分析这些数据,人们可以获取对开发活动更为准确和深刻的认识,进而有效地改进软件开发实践[2-4].

对软件开发活动数据的分析通常需要人们投入大量的时间与精力收集、清洗与组织数据[5].在过去,大多数研究工作都是独立地进行数据准备工作,而这种方式非常低效:一方面,很多研究问题所需要的数据是相同的,因而整个研究社区中会出现大量重复性的工作;另一方面,基于不同数据集的分析结果在重现和对比时容易出现数据集缺失(例如分析者没有公开所研究的数据集、数据集的链接失效等)、数据格式不统一、数据集差异引入混杂因素等问题.因此,很多工作尝试着去构建和共享公共的数据集来解决这些问题[5-9].

虽然有越来越多的研究者与实践者关注了软件开……