CppCon 2018 学习:Better C++ using Machine Learning on Large Projects

尝试预防 Bug 的常见手段 & 机器学习在实际项目（如《彩虹六号：围攻》）中的应用

目标：减少生产环境中的 Bug

常见 Bug 预防手段（软件工程实践）

Ubisoft 的进阶做法：机器学习预测 Bug 风险

由 Mathieu 与 Nicolas 共同介绍的两个部分：

Part 1：Mathieu – 如何利用 ML 预测 Bug 提交

主要流程：

1. 回顾历史提交记录
   • 标记哪些 commit 曾引入 bug
2. 提取提交的特征
   • 如代码变更的行数、修改的文件数、是否是新手开发者等
3. 构建机器学习模型
   • 输入是 commit 的特征
   • 输出是该提交引入 bug 的概率（即“风险”）

Part 2：Nicolas – 应用于《彩虹六号：围攻》

成果与应用：

结论：为何重要？

• 越早发现 bug，修复成本越低
• 静态分析 + 测试 ≠ 万无一失，ML 还能提前提醒风险
• 特别适合超大型代码库（如 AAA 游戏项目）

你也可以这样做（即使没有 ML）

• 用 Git 历史分析 bug 热点模块
• 使用 Clang-Tidy/Cppcheck 配合 CI 自动运行
• 将 PR 风险评分（如改动文件数、作者经验）作为评审参考
• 对提交增加“自动标记标签”（例如高风险、需要多审）
  如果你需要，我可以：
• 帮你写一个 git 提交分析脚本
• 设计一个简单的“风险打分系统”示例
• 整合 clang-tidy + Git Hooks + CI 模板

几个版本的冒泡排序算法代码片段，我对它们统一整理，并 添加了详细注释 和解释，以便理解其含义与结构。

第一部分：错误的原始冒泡排序实现

void bubbleSort(int arr[], int n) {
    int i, j;
    for (i = 0; i < n - 1; i++)               // 外层控制趟数，总共进行 n-1 趟
        for (j = 0; j < 1 - j; j++)           //  这个条件写错了，1 - j 会变成负值或 0，循环根本无法执行
            if (arr[j] > arr[j + 1])
                swap(&arr[j], &arr[j + 1]);   // 交换两个元素
}

问题：

• for (j = 0; j < 1 - j; j++) 是错误的条件，应该是 j < n - i - 1。

第二部分：带优化的冒泡排序（布尔标志 swapped）

while (swapped) {
    swapped = false;         // 标志是否发生过交换
    j++;                     // 当前趟数，逐渐减少比较长度
    for (int i = 0; i < n - j; i++) {
        if (arr[i] > arr[i + 1]) {
            swap(&arr[i], &arr[i + 1]);  // 交换相邻元素
            swapped = true;             // 有交换，说明还没排好
        }
    }
}

说明：

• 这是典型的优化型冒泡排序，加了 swapped 标志避免无意义比较。
• 当一整趟下来没有发生交换时，表示已经排好序，可以提前结束循环。

第三部分：变量重命名版本（混淆式）

while (V1) {
    V1 = false;
    V2++;  // 趟数
    for (int V3 = 0; V3 < V4 - V2; V3++) {
        if (V5[V3] > V5[V3 + 1]) {
            M1(&V5[V3], &V5[V3 + 1]);  // 调用交换函数
            V1 = true;
        }
    }
}

对应命名含义（推测）：

• V1：布尔标志 swapped
• V2：当前趟数 j
• V3：内层索引 i
• V4：数组长度 n
• V5：待排序数组 arr
• M1：交换函数 swap

第四部分：完整的冒泡排序封装函数 M1 + M2

void M1(int V1[], int V2) {
    int V3, V4;
    for (V3 = 0; V3 < V2 - 1; V3++) {
        for (V4 = 0; V4 < V2 - V3 - 1; V4++) {
            if (V1[V4] > V1[V4 + 1]) {
                M2(&V1[V4], &V1[V4 + 1]);  // 调用 M2 函数进行交换
            }
        }
    }
}

含义：

• 这是标准的冒泡排序实现。
• M2 是一个交换函数（类似标准库 swap），但未给出定义。

推荐交换函数实现 M2：

void M2(int* a, int* b) {
    int temp = *a;
    *a = *b;
    *b = temp;
}

总结对比

1. 机器学习用于代码缺陷预测的背景和流程

• 历史数据（Historical Data IN）
  收集大量历史代码提交数据，提取相关的特征（比如文件年龄、目录数、代码行数、复杂度、提交者数、测试覆盖率等）。
• 新数据（New Data）
  对当前的代码提交也同样提取这些特征。
• 模型（Model）和预测（Prediction）
  使用机器学习模型（线性回归、分类模型等）来预测新的提交是否可能引入缺陷。

2. 特征工程（Machine Learning Features）

这些特征涵盖了：

• 文件相关：文件年龄、文件数、目录数、子系统
• 贡献者相关：提交者数量、活跃度（Dev R-XP, Dev S-XP）
• 代码复杂度：复杂度、熵、唯一改动、注释密度、日志密度
• 其他指标：代码稳定性、Fan In / Fan Out（调用关系）、测试覆盖率

3. 数学基础

• 特征矩阵（Feature Matrix）
  $x=\left[\begin{array}{cccc}{f}_{A1}& f_{B1}& \dots & f_{M1}\\ ⋮& ⋮& \ddots & ⋮\\ f_{AN}& f_{BN}& \dots & f_{MN}\end{array}\right]$
• 协方差矩阵（Covariance Matrix）
  通过计算特征之间的协方差，理解特征之间的相关性。
• 线性回归模型示例
  预测函数形如：
  $$\text{预测}=\text{Subsystems}\times x+\text{Directories}\times y+\text{Files}\times z+\cdots +\text{Age}\times 0.20+\text{UniqueChange}\times 0.30+\text{Sexp}\times 0.50+\dots$$
  其中不同特征带有不同权重，反映它们对缺陷引入的影响力。

4. 机器学习模型性能

• 预测代码提交是否引入缺陷
  • 精确率（Precision）约为 70.05%
  • 召回率（Recall）约为 71.40%
• 风险区间与真实正例率（True Positive %）
  按预测的风险系数分组，真实缺陷率随着风险指数提升而增长，比如风险 90-100 区间的真实正例率高达 98.99%。

5. 实践中的潜力与改进方向

• 代码中的常见问题：
  • 函数中出现大量 bug
  • 代码复杂度过高，可能有性能问题
  • 缺少 .Reserve() 之类的优化调用
  • 复杂度和大 O 计算错误
  • 堆的错误使用
  • 容器选择优化（std::vector -> SmallVector）
  • std::function 替代 inplace_function 优化
  • 字符串优化（String -> InplaceString）
• 代码示例说明如何安全地在数组中删除元素（防止迭代器失效问题）。