认知复杂度——估算项目代码的理解成本

秒速五厘米 2023-02-15 12:43 57阅读 0赞

### 目录 ###

*   *  1. 摘要
     *  2. 历史背景
     *   *  2.1 工程复杂度背景
         *  2.2 有哪些问题待解决
         *  2.3 一个例子
     *  3. 认知复杂度解释
     *   *  3.1 基本原则
         *  3.2 忽略语法糖
         *  3.3 各种类型的认知复杂
         *   *  3.3.1 \`Structural类复杂度\`：
             *  3.3.2 Hybrid类复杂度
             *  3.3.3 一连串的逻辑操作
             *  3.3.4 Fundamental类复杂度
             *  3.3.5 Nesting复杂度
         *  3.4 认知复杂度的目标
         *   *  3.5.1 认知复杂度的示例
             *  3.5.2 方法之上的级别
         *  3.6 Conclusion 结论
     *  4. 其它
     *   *  4.1 计算认知复杂度的示例
         *  4.2 引用

## 1. 摘要 ##

**Cognitive Complexity**：认知复杂度，是由sonarQube设计的一个算法，算法将一段程序代码被理解的复杂程度，估算成一个整数——可以等同于代码的理解成本。  
IntellliJ IDEA支持sonar插件，可以实时计算函数的认知复杂度，当复杂度过高时将提醒重构。

认知复杂度的计算基于以下三规则：语法糖不增加理解难度、打断线性代码执行增加理解难度、多层嵌套增加理解难度。

## 2. 历史背景 ##

（此部分可略过）

### 2.1 工程复杂度背景 ###

最初工业界普遍使用圈复杂度(Cyclomatic Complexity)来描述一段代码逻辑的“可测性与可维护性”，尽管用它来描述“可测性”很好（可测性的意思是：需要构建出完美的单元测试需要多少代价），但这种模型不能很好的描述代码的“可维护性”。  
认知复杂度很好的弥补了“圈复杂度”的这个缺点，用一种全新的、简单的度量方法，准确地反映代码的理解成本，以及维护的难度。  
“认知复杂度”与编程语言无关，它可以用来测量文件、类、过程与函数等等概念下的复杂度。

### 2.2 有哪些问题待解决 ###

*  Thomas J. McCabe设计的圈复杂度是一个业界标准，最初目的是用来识别“难以测试和维护的软件模块”——但是用这种算法只能算出一个模块**最少的全覆盖测试用例数量**，而不能算出一个精确的模块“理解难度”。因此圈复杂度一样的两段代码，维护难度却有可能天差地别，用圈复杂度来理解维护难度，导致我们对模块代码有错误估计。
 *  圈复杂度的理论是在1976年于Fortran语言环境下设计的，如今使用它来衡量新语言不再是那么全面了。一些现代的语言结构，如try-catch与lambda没有被考虑在内。
 *  每个方法都的最小圈复杂度都是1，导致了“圈复杂度”与其方法数量是相关。一个很好理解的Class（类），也可能因为包含多个简单方法，总复杂度被抬得很高。  
    为了解决这些问题，SonarQube制定了**认知复杂度(Cognitive Complexity)**，一方面解决了圈复杂度在现代语言结构的不足，一方面使复杂度在方法、类、应用程序级别都有实际意义。 更重要的是，这个复杂度值与程序员理解这些代码片段所需的直觉（理解难度）相对应。

### 2.3 一个例子 ###

这里给出一个很有用的例子，可以指出圈复杂度的问题。以下两段方法有着相同的圈复杂度，但是在理解难度上差非常多：  
![image.png][]  
圈复杂度理论，对上图的两个方法给出等同的复杂度，然而从直觉上显然左边的`sumOfPrimes`要更难以理解一些。这也是为什么**认知复杂度**舍弃了使用数学模型来评估一段逻辑，改用一组简单的规则，把代码的直觉理解程度转为一个数字表达。

## 3. 认知复杂度解释 ##

### 3.1 基本原则 ###

（3.1小节仅作为规则提炼，细节解释见3.2-3.6）

认知复杂度的评估分数，是基下面三条基本规则：

1.  忽略简写：把多句代码缩写为一句可读的代码（语法糖），不改变理解难度；
2.  打断线性的代码逻辑：出现一个打断逻辑线性执行的语句，难度+1；
3.  当打断逻辑的是一个嵌套时，难度+1；

以下四种不同类型，均会使认知复杂度得分加一：  
A. Nesting：把一段代码逻辑嵌套在另一段逻辑中；  
B. Structural：被嵌套的控制流结构；  
C. Fundamental：不受嵌套影响的语句；  
D. Hybrid：一些控制流结构，但不包含在嵌套中；

### 3.2 忽略语法糖 ###

认知复杂度的指导性的原则是：鼓励使用者写出好的编码规范。因此让代码更可读的feature，是不需要计入复杂度的。比如一次简单的方法调用，又或者使用语法特性完成的一个可理解动作。  
比如*null-coalescing操作符*（`x?.myObject`，如下图代码），就是属于语法糖，是不会增加认知复杂度的：  
![image.png][image.png 1]  
左侧的代码会因为if语句打断了逻辑，使得理解难度上升了，因此认知复杂度不为0；  
右侧的代码逻辑是可以直接理解的语法糖，因此复杂度为0。

### 3.3 各种类型的认知复杂 ###

认知复杂度的另一项指导原则：控制流会打断一条线性的执行流——程序不再是一行行往下走了，因此代码的维护者需要花更大功夫来理解它。

#### 3.3.1 `Structural类复杂度`： ####

一、循环: for, while, do while, …  
二、条件: 三元运算符, if, \#if, \#ifdef…  
三、Catch：  
一个catch表达了控制流的一个分支，就像if一样。因此每个catch语句都会增加Structural类的认知复杂度，仅加1分，无论它catch住多少种异常。（在我们的计算中try\\finally被直接忽略掉）  
四、Switch：  
一个switch语句，和它附带的全部case绑在一起记为一个Structural类，复杂度仅增加1。（不像圈复杂度，每个case都会使得控制流分支增加，进而增加圈复杂度）  
Switch可以视为用单个变量与一组值作匹配，是一目了然的，因此要比if-else链更容易理解，因此认知复杂度更低。

#### 3.3.2 Hybrid类复杂度 ####

*  else if, elif
 *  else …

计算为Hybrid类复杂度以后，不会再计入Nesting类复杂度，因为嵌套的复杂程度在if语句时候已经计入了。（见3.3.5）

#### 3.3.3 一连串的逻辑操作 ####

认知复杂度不对每一个逻辑运算符计分，而是考虑对连续的一组逻辑操作加分。例如下面几个操作：

a && b
    a && b && c && d
    a || b
    a || b || c || d

理解后一行的操作，不会比理解前一行的操作更难，上面的四种认知复杂度都是1。但是对于下面两行，理解难度有质的区别：

a && b && c && d
    a || b && c || d

这是因为boolean操作表达式混合使用时，难度会显著上升，因此认知复杂度的值会不断递增。具体计算方法如下：  
![image.png][image.png 2]  
尽管认知复杂度相对于循环复杂度，为类似的运算符提供了“折扣”，但它可以为所有的布尔运算符都有所增加。（例如那些变量赋值，方法调用和返回语句）

#### 3.3.4 Fundamental类复杂度 ####

以下几种均为Fundamental类，会将认知复杂度+1  
一、递归  
与普通的调用函数不同，每一个递归调用，都增加一点Fundamental类复杂度计分，**不论是直接还是间接的**。有两个这样做的动机：

*  递归表达了一种“元循环”，并且循环会增加认知复杂度；
 *  认知复杂度希望能用于估计一个方法，其控制流难以理解的程度，而即使是一些有经验的程序员，都觉得递归难以理解；  
    二、Jump类语句  
    goto, break与continue到某处，都会增加Fundamental类复杂程度。但是在代码过程中提前return，可以使代码更清晰，所以其它类型的continue\\break\\return都不会导致复杂程度增加。

#### 3.3.5 Nesting复杂度 ####

直觉上连续嵌套的代码，要比线性代码难理解很多。这样的嵌套会增加理解代码的成本，所以认知复杂度在计算时会将其单独归类，视为一个Nesting类的复杂度增加。  
当一个Structural类或Hybrid类的结构体，嵌套其它逻辑时，每一层嵌套都要额外计入一次Nesting类复杂度。这样说有点抽象，可以结合下面的例子来理解：  
![image.png][image.png 3]  
这个方法(myMethod方法）与try这两项，是不会计入Nesting类的复杂的，因为它们即不是Structure类也不是Hybrid类的复杂结构：  
然而，对于if\\for\\while\\catch这些结构是Structural类，再与Nesting类结构结合，就会按递增的增加复杂度（+1 +2… +n）。  
此外，lambda、\#ifdef等类似代码虽然不是Structural类型，但是它们会增加嵌套的层数，如下例所示：  
![image.png][image.png 4]

### 3.4 认知复杂度的目标 ###

认知复杂度制定的主要目标，是为方法计算出一个得分，准确地反应出此方法的相对理解难度。它的次要目标，是解决现代语言结构的问题，并产生在方法级别以上也有价值的指标。 可以证明，解决现代语言结构的目标已经实现。 其他两个目标在下面进行了检查。

#### 3.5.1 认知复杂度的示例 ####

在本篇开头的时候讨论了两个圈复杂度相同的方法，它们可能有着完全不同的理解难度，那么认知复杂度的表现如何呢？  
![image.png][image.png 5]  
上面两个有着相同圈复杂度的代码，却有着完全不同的认知复杂度。左侧得分为7，右侧则为1，这个结果比较接近它们的真实理解成本。

#### 3.5.2 方法之上的级别 ####

因为认知复杂度不会因为方法这个结构增加，**复杂度总和**的指标变得更有意义。一个有大量的getter()\\setter()方法组合的类，拥有较低的认知复杂度，另一个类仅一个极其复杂的控制流的方法，会拥有着较大的认知复杂度。  
我们可以简单的计算一个类、一个模块、一个应用的认知复杂度总和，用这个总和就可以估计出总体理解成本。

### 3.6 Conclusion 结论 ###

编写和维护代码是一个人为过程，它们的输出必须遵守数学模型，但它们本身不适合数学模型。 这就是为什么数学模型不足以评估其所需的工作量的原因。  
认知复杂性不同于使用数学模型评估软件可维护性的实践。 它从圈复杂度设定的先例开始，但是使用人工判断来评估应如何对结构进行计数，并决定应向模型整体添加哪些内容。 结果，它得出的方法复杂性得分比以前的模型更能吸引程序员，因为它们是对可理解性的更公平的相对评估。 此外，由于认知复杂性不收取任何方法的“入门成本”，因此它不仅在方法级别，而且在类和服务级别，都产生了更加准确的评估结果。

## 4. 其它 ##

### 4.1 计算认知复杂度的示例 ###

![image.png][image.png 6]

### 4.2 引用 ###

[sonar官网 白皮书][sonar_]  
[code climate官网 条目解释][code climate_]

[image.png]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly91cGxvYWQtaW1hZ2VzLmppYW5zaHUuaW8vdXBsb2FkX2ltYWdlcy81NjI0NzY1LTk1MTUxYTY2NzQzNDE4NTUucG5n?x-oss-process=image/format,png
[image.png 1]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly91cGxvYWQtaW1hZ2VzLmppYW5zaHUuaW8vdXBsb2FkX2ltYWdlcy81NjI0NzY1LTY3ZDViNzE3NWQwNWIwNTQucG5n?x-oss-process=image/format,png
[image.png 2]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly91cGxvYWQtaW1hZ2VzLmppYW5zaHUuaW8vdXBsb2FkX2ltYWdlcy81NjI0NzY1LWI0MzgyMjVkNDg0ZjVhZjIucG5n?x-oss-process=image/format,png
[image.png 3]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly91cGxvYWQtaW1hZ2VzLmppYW5zaHUuaW8vdXBsb2FkX2ltYWdlcy81NjI0NzY1LTIyNDY0MTA4NDE3YTI4NTMucG5n?x-oss-process=image/format,png
[image.png 4]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly91cGxvYWQtaW1hZ2VzLmppYW5zaHUuaW8vdXBsb2FkX2ltYWdlcy81NjI0NzY1LTAxMWI1MmRmNWJmYzdlNWEucG5n?x-oss-process=image/format,png
[image.png 5]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly91cGxvYWQtaW1hZ2VzLmppYW5zaHUuaW8vdXBsb2FkX2ltYWdlcy81NjI0NzY1LTFhYzY4ZjlkZTdhMTU3ZWYucG5n?x-oss-process=image/format,png
[image.png 6]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly91cGxvYWQtaW1hZ2VzLmppYW5zaHUuaW8vdXBsb2FkX2ltYWdlcy81NjI0NzY1LWRkZDM5NWM5Y2VlNGFmNjMucG5n?x-oss-process=image/format,png
[sonar_]: https://www.sonarsource.com/docs/CognitiveComplexity.pdf
[code climate_]: https://docs.codeclimate.com/docs/cognitive-complexity