使用 LLM 对架构恢复结果进行语义增强自动细化

了解架构对于有效维护和管理大型软件系统至关重要。然而，设计和实现的架构之间经常存在差异，这可能会带来重大风险。为了识别这些差异，架构师需要从系统实现中提取架构，这既耗时又容易出错。为了简化这个过程，已经开发了许多自动架构恢复技术。然而，它们的准确性往往是有限的。架构师仍然必须投入大量精力来完善恢复结果，以确保它们准确地反映已实施的架构。为了减少此类手动工作，我们引入了 Semref，这是一个将 LLM 与依赖性分析相结合的框架，可以自动细化现有架构恢复工具恢复的架构。通过利用 LLM 的语义理解能力并集成结构依赖性，Semref 增强了恢复架构的准确性和理解性。为了评估 Semref，我们使用已发布的 真值 架构和 10 个最先进的架构恢复工具对 9 个项目进行了测试。采用 5 个常用指标来评估 Semref 的有效性。结果表明，Semref 提高了各种指标的准确性，标准化增益范围为 17.72\% 到 43.35\%。具体来说，对于 MoJoFM 和 $a2a_{adj}$ 指标，Semref 分别实现了 118.57\% 和 100.41\% 的相对改进。