CIgrate:利用大语言模型自动化CI服务迁移

随着项目的演进,由于服务能力、使用限制或服务弃用的变化,持续集成(CI)配置经常需要在不同的服务之间进行迁移(例如从Travis CI迁移到GitHub Actions)。此前的研究报告指出,跨CI服务的迁移是开源开发中的一项反复出现的需求。然而,手动迁移耗时且容易出错。最先进的方法CIMig通过分析过去的迁移示例来创建特定服务的规则,并生成跨CI服务的等效配置,从而应对这一挑战。然而,其相对较低的准确率引发了对仅使用基于规则的技术实现自动化CI迁移整体可行性的担忧。与此同时,大语言模型(LLMs)在代码生成和转换任务中展现出了强大的能力,表明其有潜力改善CI配置迁移的自动化程度、可用性和泛化能力。本注册报告提出了一项研究,旨在评估是否可以利用LLMs来改进CI迁移。为此,我们提出了CIgrate,一个基于LLM的自动迁移CI配置的框架。我们计划在不同的设置下评估CIgrate相对于基线CIMig的性能:(a)对LLMs进行零样本/少样本提示以进行配置迁移,以及(b)在已建立的CI服务迁移数据集上微调LLM。我们还将寻求开发者对生成配置的质量和可用性的反馈。我们制定了研究问题,重点关注LLM生成的迁移与真实值以及CIMig输出相比的准确性。预期贡献包括首个基于LLM的CI服务迁移方法、其与基于规则方法的有效性比较评估,以及关于利用LLMs支持软件配置演化的见解。