 |
Метрика 6: Недостаток связности в методах LСOM (Lack of Cohesion in Methods)
|
|
|
|
Каждый метод внутри класса обращается к одному или нескольким свойствам (экземплярным переменным). Метрика LCOM показывает, насколько методы не связаны друг с другом через свойства (переменные). Если все методы обращаются к одинаковым свойствам, то LCOM = 0.
Введем обозначения:
q НЕ СВЯЗАНЫ — количество пар методов без общих экземплярных переменных;
q СВЯЗАНЫ — количество пар методов с общими экземплярными переменными.
q Ij — набор экземплярных переменных, используемых методом Мj
Очевидно, что
НЕ СВЯЗАНЫ = card { Iij | Ii 
Ij = 0},
СВЯЗАНЫ = card {Iij | Ii Ij 
0}.
Тогда формула для вычисления недостатка связности в методах примет вид
Можно определить метрику по-другому: LCOM — это количество пар методов, не связанных по свойствам класса, минус количество пар методов, имеющих такую связь.
Рассмотрим примеры применения метрики LCOM.
Пример 1: В классе имеются методы: M1, M2, М3, М4. Каждый метод работает со своим набором экземплярных переменных:
I1={a, b}; I2={а, с}; I3={х, у}; I4={т, п}.
В этом случае
НЕ СВЯЗАНЫ = card (I13, I14, I23, I24, I34) = 5; СВЯЗАНЫ = card (I12) = 1.
LCOM = 5-1=4.
Пример 2: В классе используются методы: M1, M2, М3. Для каждого метода задан свой набор экземплярных переменных:
I1 = {a,b};I2={a,c};I3={x,y},
НЕ СВЯЗАНЫ = card (I13, I23) = 2; СВЯЗАНЫ = card (I12) = 1,
LCOM = 2- 1 = 1.
Связность методов внутри класса должна быть высокой, так как это содействует инкапсуляции. Если LCOM имеет высокое значение, то методы слабо связаны друг с другом через свойства. Это увеличивает сложность, в связи с чем возрастает вероятность ошибок при проектировании.
Высокие значения LCOM означают, что класс, вероятно, надо спроектировать лучше (разбиением на два или более отдельных класса). Любое вычисление LCOM помогает определить недостатки в проектировании классов, так как эта метрика характеризует качество упаковки данных и методов в оболочку класса.
|
|
|
Вывод: связность в классе желательно сохранять высокой, то есть следует добиваться низкого значения LCOM.
Набор метрик Чидамбера-Кемерера — одна из пионерских работ по комплексной оценке качества ОО-проектирования. Известны многочисленные предложения по усовершенствованию, развитию данного набора. Рассмотрим некоторые из них.
Недостатком метрики WMC является зависимость от реализации. Приведем пример. Рассмотрим класс, предлагающий операцию интегрирования. Возможны две реализации:
1) несколько простых операций:
Set_interval (min. max)
Setjnethod (method)
Set_precision (precision)
Set_function_to_integrate (function)
Integrate;
2) одна сложная операция:
Integrate (function, min, max. method, precision)
Для обеспечения независимости от этих реализаций можно определить метрику WMC2:
.
Для нашего примера WMC2 = 5 и для первой, и для второй реализации. Заметим, для первой реализации WMC = 5, а для второй реализации WMC = 1.
Дополнительно можно определить метрику Среднее число аргументов метода ANAM (Average Number of Arguments per Method):
ANAM = WMC2/WMC.
Полезность метрики ANAM объяснить еще легче. Она ориентирована на принятые в ОО-проектировании решения — применять простые операции с малым количеством аргументов, а несложные операции — с многочисленными аргументами.
Еще одно предложение — ввести метрику, симметричную метрике LCOM. В то время как формула метрики LCOM имеет вид:
LCOM = max (0, НЕ СВЯЗАНЫ - СВЯЗАНЫ),
симметричная ей метрика Нормализованная NLСОМ вычисляется по формуле:
NLCOM = СВЯЗАНЫ/(НЕ СВЯЗАНЫ + СВЯЗАНЫ).
Диапазон значений этой метрики: 0 
NLCOM 1, причем чем ближе NLCOM к 1, тем выше связанность класса.
В наборе Чидамбера-Кемерера отсутствует метрика для прямого измерения информационной закрытости класса. В силу этого была предложена метрика Поведенческая закрытость информации BIH (Behaviourial Information Hiding):
|
|
|
BIH - (WEOC/WIEOC),
где WEOC — взвешенные внешние операции на класс (фактически это WMC);
WIEOC — взвешенные внутренние и внешние операции на класс.
WIEОС вычисляется так же, как и WMC, но учитывает полный набор операций, реализуемых классом. Если BIH = 1, класс показывает другим классам все свои возможности. Чем меньше ВIM, тем меньше видимо поведение класса. BIH может рассматриваться и как мера сложности. Сложные классы, вероятно, будут иметь малые значения BIH, а простые классы — значения, близкие к 1. Если класс с высокой WMC имеет значение BIH, близкое к 1, следует выяснить, почему он настолько видим извне.
|
|
|
